Académique Documents
Professionnel Documents
Culture Documents
5.1. Introduction
1
2 Fatigue des matériaux et des structures
[GHA 91] ou encore analyse de sensibilité [SAL 00, SAL 04]. Sous ces diffé-
rents vocables se retrouvent des étapes communes qui permettent une présen-
tation unifiée illustrée schématiquement sur la figure 5.1 [SUD 07].
Figure 5.1. Schéma général du traitement des incertitudes dans les modèles
mécaniques
sur ceux d’entre eux qui sont incertains et en proposer une modélisation proba-
biliste. Les sources d’incertitudes, qui peuvent être multiples, sont en général
regroupées en deux catégories :
– les incertitudes dites épistémiques, qui sont dues à une méconnaissance
(imprécision des mesures, manque de données ne conduisant pas à un échan-
tillon statistique de taille suffisante, etc.). Celles-ci sont en général réductibles
au sens où une acquisition de données supplémentaires ou plus précises permet
(au moins par la pensée) de les diminuer ;
– les incertitudes dites aléatoires, qui sont intrinsèques au paramètre ob-
servé et ne sont donc pas réductibles. C’est typiquement le cas pour la quantité
« nombre de cycles à rupture d’un matériau sous sollicitation cyclique d’am-
plitude donnée » : plus on testera d’éprouvettes dans les mêmes conditions ex-
périmentales, plus on aura de chance de trouver des valeurs extrêmes (basses
ou hautes) de ce nombre de cycles. Cette incertitude aléatoire peut également
montrer une variabilité spatiale comme c’est le cas pour les propriétés des
géomatériaux.
mené pour traiter les données d’essais en vue d’établir des courbes de Wöh-
ler probabilistes, comme on le verra à la section 5.3. Lorsque les échantillons
disponibles sont de petite taille, on peut les combiner avec une information a
priori sur la distribution (de type jugement d’expert) en utilisant les statistiques
bayésiennes [DRO 04, ROB 92].
1. Si la variabilité de certains paramètres du modèle est nulle ou négligeable, on peut les consi-
dérer comme déterministes. Les regroupant dans un vecteur d, on notera alors Y = M(X , d).
Approche probabiliste de la fatigue des structures 7
qui sont les coefficients du développement sur le chaos polynomial. Ces co-
efficients peuvent être notamment calculés par des méthodes dites non intru-
sives, c’est-à-dire à partir d’un nombre limité d’évaluations du modèle, soit
Y = {y (i) = M(x(i) ), i = 1, . . . , N }. Le post-traitement analytique des
coefficients fournit ensuite à un coût de calcul quasi nul la distribution de
Y , ses moments statististiques, les probabilités de dépassement de seuil, etc.
[SUD 07].
– La plupart des méthodes de propagation d’incertitudes fournissent
comme sous-produit (c’est-à-dire avec pas ou très peu de calculs supplémen-
taires) des informations sur l’importance relative des paramètres d’entrée du
modèle : on appelle ces sous-produits facteurs d’importance ou indices de sen-
sibilité selon les méthodes. Cette phase de hiérarchisation des paramètres en
fonction de leur importance est baptisée « étape C’ » sur la figure 5.1.
5.2.4. Conclusion
5.3.1. Introduction
S − [a + b N c ]
FNS (N ; S) = Φ (5.6)
σ
On peut ensuite considérer soit un écart-type constant [LOR 05] (ce qui peut
être raisonnable si on s’intéresse à un échantillon ne comportant que des points
dans le domaine oligocyclique), soit un écart-type variable en fonction de l’am-
plitude de sollicitation S :
σ(S) = δ λ(S) (5.8)
où ξ(ω) est une variable gaussienne centrée réduite (i.e. de moyenne nulle et
d’écart-type 1). À ce stade, le modèle probabiliste dépend donc des 4 para-
mètres A, B (allure de la courbe médiane), SD (asymptote, que l’on interprète
comme une limite d’endurance à l’infini) et δ (augmentation de la dispersion
14 Fatigue des matériaux et des structures
dans le domaine polycyclique). Le fait d’avoir une seule variable ξ(ω) dans
(5.9) (et non pas une variable ξS (ω) pour chaque amplitude S) traduit l’hypo-
thèse de parfaite dépendance posée précédemment. Des équations (5.7)-(5.9),
on tire la densité de probabilité de la variable NS (ω) :
fNS (n, S; A, B, SD , δ) =
(5.10)
ln n − [A ln(S − SD ) + B]
1
ϕ
δ [A ln(S − SD ) + B] n δ [A ln(S − SD ) + B]
2 √
où ϕ(x) = e−x /2 / 2π désigne la densité de probabilité gaussienne centrée
réduite.
Une fois les paramètres identifiés à partir de l’échantillon (notons les dé-
sormais avec un chapeau), les courbes S/N probabilisées s’obtiennent natu-
rellement à partir de (5.9). La courbe d’iso-probabilité de rupture p a pour
Approche probabiliste de la fatigue des structures 15
équation :
Np (S) = (Â ln(S − ŜD ) + B̂)(1 + δ̂ ξp ) (5.13)
est nécessaire d’exprimer la loi fNS non conditionnelle, ce que l’on obtient par
intégration :
Z
fNS (n, S; A, B, δ, θ) = fNS |SD (n, sD , S; A, B, δ) fSD (sD ; θ) dsD
(5.14)
On aboutit finalement à un problème de maximum de vraisemblance, dont la
résolution fournit conjointement les estimateurs des paramètres pilotant les
courbes d’iso-probabilité de rupture Â, B̂, δ̂ et de la loi de la limite de fatigue
θ̂ (voir les détails dans [PER 08]).
10000
Rupture
Non rupture
Guédé
8000 ESOPE
GPPM
Amplitude (MPa)
6000
4000
2000
0
1 2 3 4 5 6 7
10 10 10 10 10 10 10
Nombre de cycles à rupture
Figure 5.3. Traitement statistique d’essais de fatigue sur éprouvettes en acier austénitique –
courbes médianes obtenues par la méthode ESOPE et les modèles Guédé et GPPM
Les courbes des quantiles à 2,5 % et 97,5 % sont donnés sur la figure 5.4. On
observe cette fois une grande différence dans l’allure générale des intervalles
de confiance associés. La méthode ESOPE semble sous-estimer la variabilité
à faible nombre de cycles.
Méthode ESOPE
6000
Rupture
Non rupture
5000 Quantile 2,5%
Quantile 50%
Quantile 97,5%
Amplitude (MPa)
4000
3000
2000
1000
0
1 2 3 4 5 6 7
10 10 10 10 10 10 10
Nombre de cycles à rupture
Méthode Guédé
6000
Rupture
Non rupture
5000 Quantile 2,5%
Quantile 50%
Quantile 97,5%
Amplitude (MPa)
4000
3000
2000
1000
0
1 2 3 4 5 6 7
10 10 10 10 10 10 10
Nombre de cycles à rupture
Méthode GPPM
6000
Rupture
Non rupture
5000 Quantile 2,5%
Quantile 50%
Quantile 97,5%
Amplitude (MPa)
4000
3000
2000
1000
0
1 2 3 4 5 6 7
10 10 10 10 10 10 10
Nombre de cycles à rupture
Figure 5.4. Traitement statistique d’essais de fatigue sur éprouvettes en acier austénitique –
courbes des quantiles à 2,5 % et 97,5 % pour les différentes méthodes
Approche probabiliste de la fatigue des structures 19
5.3.6. Conclusion
5.4.1. Introduction
Pour ce faire, on prend exemple dans cette section sur le schéma de dimen-
sionnement déterministe à la fatigue de composants de centrales nucléaires
(code RCC-M [AFC 00]), et de sa transposition à un cadre probabiliste (tra-
vaux de Guédé [GUE 05, SUD 05]. Conformément au schéma général de trai-
tement des incertitudes présenté à la section 5.2.1, on va successivement dé-
crire le modèle déterministe réglementaire du RCC-M (étape A), caractériser
les différentes sources d’incertitudes (étape B) puis propager les incertitudes à
travers le modèle pour en déduire la fiabilité de la pièce soumise à la fatigue.
On illustrera la démarche complète sur le calcul d’une tuyauterie soumise à de
la fatigue thermique.
Il est important de noter que la démarche globale est indépendante des mo-
dèles utilisés à chaque étape du calcul déterministe, qui sont ici très simpli-
fiés. La même approche générale a notamment été utilisée récemment avec des
critères de fatigue multi-axiaux par Schwob [SCH 06, SCH 07] en collabora-
tion avec EADS et par [PER 06] en collaboration avec Renault. On peut noter
également que la méthode dite contrainte - résistance [THO 99] développée
notamment dans l’industrie automobile par PSA Peugeot Citroën se rattache à
ce schéma général.
matériaux peuvent être appréhendées par des essais sur les matériaux considé-
rés ou à défaut, à partir de données bibliographiques [JCS 02] ;
– courbe de conception : la courbe de conception a été définie plus haut à
partir d’une part de la courbe de Wöhler médiane des éprouvettes et d’autre
part de facteurs de marge. On a donné dans la section 5.3 une méthodologie
rigoureuse d’analyse statistique permettant d’obtenir les courbes de Wöhler
probabilisées. Il faut maintenant discuter le contenu des facteurs de marge.
γ N = γdisp
N N
· γpassage
(5.17)
γ S = γdisp
S S
· γpassage
.
Dans ces expressions, γdisp .
et γpassage correspondent à la part associée à cha-
cun des effets. On trouve des décompositions empiriques de ces facteurs dans
N
la littérature, par exemple γdisp = 2 pour γ N = 20 and γdisp
S = 1.19 pour
γ S = 2 [COL 98]. Cependant, aucun consensus réel n’existe sur le sujet,
les données étant essentiellement empiriques et très liées au type de matériau
S
testé. Les compléments γpassage N
and γpassage sont appelés facteurs de pas-
sage éprouvette - structure et permettent de tenir compte de façon forfaitaire
de l’effet de taille de la structure, de l’état de surface et de l’environnement
(notamment chimique, en température, etc.).
Il va de soi que les facteurs de passage ainsi définis ne sont pas mesurables.
Il faudrait en effet connaître à la fois la durée de vie à l’amorçage d’une éprou-
vette et d’une structure constituée d’un matériau strictement identique (au sens
de sa microstructure) pour obtenir, par comparaison, le facteur de passage as-
socié, ce qui n’est physiquement pas réalisable. Pour avoir une représentation
Approche probabiliste de la fatigue des structures 25
Z∞
Nc fS (s) dS 1
D(ω) = = Nc ES (5.20)
N struc (S, ω) N struc (S, ω)
0
Les différentes variables aléatoires modélisant les incertitudes sur les para-
mètres du modèle sont rassemblées dans le tableau 5.1. Le choix des lois de
probabilité et de leurs paramètres (étape B) a été effectué comme suit3 :
– Les propriétés des matériaux sont modélisées par des lois lognormales
habituellement bien adaptées à ce type de paramètres (elles respectent notam-
ment la positivité). Les coefficients de variation sont fixés à dires d’expert. Les
paramètres géométriques sont également modélisés par des lois lognormales,
avec un coefficient de variation volontairement grand.
– Les variables physiquement bornées (coefficient de Poisson, facteur de
passage) sont modélisées par des loi Bêta.
3. NB : les données prises pour le calcul (et notamment les dispersions des paramètres) ne sont
pas représentatives de structures réelles.
Approche probabiliste de la fatigue des structures 29
5.4.6. Conclusion
5.5.1. Introduction
est atteinte entre 223 000 et 321 000 cycles selon les éprouvettes, avec une
répartition intermédiaire à peu près continue.
50
45
40
longueur de fissure (mm)
35
30
25
20
15
10
5
0 0.5 1 1.5 2 2.5 3 3.5
Nombre de cycles x 10
5
da
= C (∆K)m (5.23)
dN
Dans cette expression, a est la longueur de la fissure, ∆K est l’amplitude du
facteur d’intensité de contraintes pour un cycle d’amplitude ∆σ et (C, m) sont
les paramètres caractéristiques du matériau étudié. Dans le cas d’une plaque
de largeur w ayant une fissure en son centre, l’amplitude du facteur d’intensité
de contraintes est donnée par :
a√ a 1 a
∆K = ∆σ F πa F =q pour < 0.7
w w cos π wa
w
(5.24)
a
où F w est le facteur de correction de Feddersen.
−22
−23
−24
log C
−25
−26
−27
−28
2.2 2.4 2.6 2.8 3 3.2
m
40
intervalle de confiance à 95%
médiane
35
Longueur de fissure (mm)
30
25
20
15
10
0
0 50000 100000 150000 200000
Nombre de cycles N
Les résultats présentés sur la figure 5.9 sont cependant peu informatifs
dans un contexte industriel ou l’on souhaiterait avoir la meilleure prédiction
de la longueur de fissure en fonction du temps. Le graphe permet simple-
ment de conclure qu’une fissure de taille initiale 9 mm atteindra au bout de
200 000 cycles une taille comprise entre 23,5 et 35,8 mm avec une probabi-
lité de 95 %. Il va de soi qu’une meilleure estimation serait souhaitable pour
prévoir par exemple de façon optimale un plan d’inspection. La section sui-
vante va montrer comment on peut combiner les résultats précédents avec des
mesures effectuées sur une structure d’intérêt au cours de la phase initiale de
propagation, de façon à réduire l’intervalle de confiance de la prédiction.
5.5.5.1. Introduction
40
Intervalle de confiance à 95%
35 médiane
courbe expérimentale
Longueur de fissure (mm)
30
25
20
15
10
0
0 50000 100000 150000 200000
Nombre de cycles N
5.5.5.4. Application
40
IC à 95% a priori
médiane a priori
35
IC à 95% actualisé
médiane actualisée
Longueur de fissure (mm)
30 données d’actualisation
courbe expérimentale
25
20
15
10
0
0 50000 100000 150000 200000
Nombre de cycles N
5.5.6. Conclusion
5.6. Conclusion
D’un point de vue plus général, il faut noter une certaine réticence cultu-
relle très française à l’utilisation des méthodes probabilistes dans l’industrie,
notamment pour la justification de la tenue des structures. La plupart des codes
de dimensionnement (nucléaire, aéronautique, génie civil) sont en effet de phi-
losophie essentiellement déterministe (calculs de dimensionnement conserva-
tifs du fait de l’introduction de « coefficients de sécurité »), même si certains
points des réglements (notamment le choix de valeurs caractéristiques pour les
paramètres de calcul) ont un contenu probabiliste. La fatigue étant un domaine
dans lequel les aléas sont présents à tous les niveaux (matériau, chargement,
etc.) et non réductibles, il apparaît nécessaire de disposer de méthodes prenant
en compte de façon cohérente toutes ces incertitudes pour une prévision plus
fine de la durée des vies des structures. Les approches présentées dans ce cha-
pitre fournissent des pistes de travail qu’il conviendra d’approfondir, notam-
ment par l’intégration de critères de fatigue plus élaborés (voir par exemple
[ALE 04, SCH 07]).
x−µ
1
fN (x) = ϕ (5.29)
σ σ
1 2
ϕ(x) = √ e−x /2 (5.30)
2π
ln x − λ
1
fLN (x) = ϕ (5.33)
ζx ζ
Approche probabiliste de la fatigue des structures 45
Z
mk = xk fX (x) dx (5.36)
DX
Z
µk = (x − µX )k fX (x) dx (5.37)
DX
xq : P (X ≤ xq ) = q (5.38)
46 Fatigue des matériaux et des structures
soit :
xq = FX−1 (q) (5.39)
loi de probabilité pΘ (θ) (dite a priori) sur les paramètres θ, appelés dans ce
cadre les hyperparamètres : par exemple, on prendra f (X; θ) gaussienne de
moyenne µ et d’écart-type σ et on supposera en plus que la moyenne est a
priori comprise entre deux bornes, ce qui revient à modéliser l’hyperparamètre
µ par une variable uniforme entre ces deux bornes. On en déduit la loi dite
′′ en combinant la loi a priori et la vraisemblance de l’échan-
a posteriori fΘ
tillon E :
′′
fΘ (θ) = c L(θ ; E) pΘ (θ) (5.43)
où L est la fonction de vraisemblance définie en (5.40) et c est une facteur de
′′ est bien une loi de probabilité. Cette formule
normalisation assurant que fΘ
est identique dans son principe à (5.42) et peut se lire : “la loi de Θ sachant les
observations E est égale, à un facteur près, à loi de Θ a priori multipliée par la
loi des observations sachant Θ (i.e. la vraisemblance L(θ , E)).
f (X; θ ′′ ) pour X.
Un problème de fiabilité des structures est défini par la donnée d’un mo-
dèle mécanique de calcul M, d’un modèle probabiliste pour ses paramètres
d’entrée X, soit fX (x), et d’un critère de défaillance5 (voir [LEM 08] pour
5. Il faut entendre ici défaillance au sens large de « non remplissage d’une fonction assignée au
système » et pas forcément rupture ou ruine du système mécanique considéré.
Approche probabiliste de la fatigue des structures 49
5.8. Bibliographie
[AFC 00] AFCEN, Règles de Conception et de Construction des Matériels des Ilots Nu-
cléaires, (RCCM), juin 2000, Paris.
[AFN 90] AFNOR, Produits métalliques – Pratique des essais de fatigue oligocyclique, Rap-
port n°A03-403, AFNOR, 1990.
[AFN 91] AFNOR, Produits métalliques – Essais de fatigue : traitement statistique des don-
nées, Rapport n°A03-405, AFNOR, 1991.
Approche probabiliste de la fatigue des structures 51
[ALE 04] A LEXANDRE F., Aspects probabilistes et microstructuraux de l’amorçage des fis-
sures de fatigue dans l’alliage Inco 718, Thèse de doctorat, Ecole Nationale Supérieure des
Mines de Paris, 2004.
[AMZ 94] A MZALLAG C., G EREY J.-P., ROBERT J.-L., BAHUAUD J., « Standardization of
the Rainflow counting method for fatigue analysis », Int. J. Fatigue, vol. 16, p. 287-293,
1994.
[BAS 60] BASTENAIRE F., Etude statistique et physique de la dispersion des résistances et des
endurances à la fatigue, Thèse de doctorat, Faculté des Sciences de l’Université de Paris,
1960.
[BEN 06] B ENASCIUTTI D., T OVO R., « Comparison of spectral methods for fatigue analysis
of broad-band Gaussian random processes », Prob. Eng. Mech., vol. 21, n°287-299, 2006.
[BOU 08] B OURINET J.-M., L EMAIRE M., « FORM sensitivities to correlation : application
to fatigue crack propagation based on Virkler data », Proc. 4th Int. ASRANet Colloquium,
Athens, 2008.
[COL 98] C OLLECTIF, Re-evaluation of fatigue analysis criteria, Rapport n°EE/S 98.317,
Framatome, 1998, (Final report to CEC-DG XI contract B4-3070/95/000876/MAR/C2).
[CUR 04] C URTIT F., « INTHERPOL thermal fatigue tests », Proc. 3rd Int. Conf. Fatigue of
Reactor Components, NEA/CSNI/R, Séville, 2004.
[CUR 05] C URTIT F., S TÉPHAN J.-M., « Mechanical aspect concerning thermal fatigue ini-
tiation in the mixing zones piping », Trans. 18th Int. Conf. on Struct. Mech. in Reactor Tech.
(SMiRT 18), Beijing, China, 2005.
[DIR 85] D IRLIK T., Application of computers in fatigue analysis, Thèse de doctorat, Univer-
sity of Warwick, Grande Bretagne, 1985.
[DIT 86] D ITLEVSEN O., O LESEN R., « Statistical analysis of the Virkler data on fatigue crack
growth », Eng. Fract. Mech., vol. 25, p. 177-195, 1986.
[DIT 96] D ITLEVSEN O., M ADSEN H., Structural reliability methods, J. Wiley and Sons,
Chichester, 1996.
[DRO 04] D ROESBEKE J., F INE J., S APORTA G., Méthodes bayésiennes en statistique, Tech-
nip, Paris, 2004.
[EDF 06] EDF, R&D D IVISION, Code_Aster : Analyse des structures et thermo-mécanique
pour des études et des recherches, V.7, 2006, http ://www.code-aster.org.
[GHA 91] G HANEM R., S PANOS P., Stochastic finite elements – A spectral approach, Springer
Verlag, 1991, (Reedited by Dover Publications, 2003).
52 Fatigue des matériaux et des structures
[GUE 05] G UÉDÉ Z., Approche probabiliste de la durée de vie des structures soumises à la
fatigue thermique, Thèse de doctorat, Université Blaise Pascal, Clermont-Ferrand, 2005.
[GUE 07] G UÉDÉ Z., S UDRET B., L EMAIRE M., « Life-time reliability based assessment of
structures submitted to thermal fatigue », Int. J. Fatigue, vol. 29, n°7, p. 1359-1373, 2007.
[JCS 02] J OINT C OMMITTEE ON S TRUCTURAL S AFETY, JCSS probabilistic model code,
2002, http ://www.jcss.ethz.ch.
[KRE 83] K REE P., S OIZE C., Mécanique aléatoire, Dunod, Paris, 1983.
[LAC 97] L ACAZE B., M AILHES C., M AUBOURGUET M., T OURNERET J.-Y., Probabilités
et statistique appliquées, Cépaduès Editions, Toulouse, 1997.
[LEM 05] L EMAIRE M., Fiabilité des structures – Couplage mécano-fiabiliste statique, Her-
mès, Paris, 2005.
[LOR 05] L ORÉN S., L UNDSTRÖM M., « Modelling curved S − N curves », Fatigue Fract.
Engng. Mat. Struct., vol. 28, p. 437-443, 2005.
[MEL 99] M ELCHERS R.-E., Structural reliability analysis and prediction, John Wiley &
Sons, Chichester, 1999.
[MIN 45] M INER M., « Cumulative damage in fatigue », J. Appl. Mech., , n°9, p. 159-164,
1945.
[NES 06] N ESPUREK L., B OURINET J.-M., G RAVOUIL A., M. L., « Some approaches to im-
prove the computational efficiency of the reliability analysis of complex crack propagation
problems », Proc. 3rd Int. ASRANet Colloquium, Glasgow, 2006.
[NES 07] N ESPUREK L., B OURINET J.-M., G RAVOUIL A., M. L., « Probabilistic approach
to crack propagation based on XFEM and FORM », Proc. Fatigue Design 2007, Senlis,
France, 2007.
[PAR 63] PARIS P., E RDOGAN F., « A critical analysis of crack propagation laws », Trans.
ASME, J. Basic Eng., p. 528-534, 1963.
[PAS 97] PASCUAL F., M EEKER W., « Analysis of fatigue data with runouts based on a mo-
del with non constant standard deviation and a fatigue limit parameter », J. Testing Eval.,
vol. 25, p. 292-301, 1997.
Approche probabiliste de la fatigue des structures 53
[PAS 99] PASCUAL F., M EEKER W., « Estimating fatigue curves with the random fatigue-limit
model », Technometrics, vol. 41, n°4, p. 277-290, 1999.
[PER 05] P ERRIN F., S UDRET B., P ENDOLA M., L EMAIRE M., « Comparison of two statis-
tical treatments of fatigue test data », Proc. Fatigue Design 2005, Senlis, France, 2005.
[PER 06] P ERRIN F., P ENDOLA M., M ORO T., M ORIN G., C ARDONA J.-M., « Complete
probabilistic framework in fatigue design : application to exhaust manifolds », T OPPING
B., M ONTERO G., M ONTENEGRO R., Eds., Proc. 8th Int. Conf. Comput. Struct. Tech.,
Civil-Comp Press, Las Palmas de Gran Canaria, 2006.
[PER 07a] P ERRIN F., S UDRET B., C URTIT F., S TÉPHAN J.-M., P ENDOLA M., « Efficient
Bayesian updating of structural fatigue design curve using experimental thermal fatigue
data », Proc. Fatigue Design 2007, Senlis, France, 2007.
[PER 07b] P ERRIN F., S UDRET B., P ENDOLA M., « Bayesian updating of mechanical mo-
dels – Application in fracture mechanics », Proc. 18e Congrès Français de Mécanique
(CFM’2007), Grenoble, 2007.
[PER 07c] P ERRIN F., S UDRET B., P ENDOLA M., DE ROCQUIGNY E., « Comparison of Mar-
kov chain Monte-Carlo simulation and a FORM-based approach for Bayesian updating of
mechanical models », Proc. 10th Int. Conf. on Applications of Stat. and Prob. in Civil
Engineering (ICASP10), Tokyo, Japan, 2007.
[PER 08] P ERRIN F., Intégration des données expérimentales dans les modèles probabilistes
de prédiction de la durée de vie des structures, Thèse de doctorat, Université Blaise Pascal,
Clermont-Ferrand, 2008.
[ROB 92] ROBERT C., L’analyse statistique bayésienne, Economica, Paris, 1992.
[ROB 96] ROBERT C., Méthodes de Monte Carlo par chaînes de Markov, Economica, Paris,
1996.
[RUB 81] RUBINSTEIN R.-Y., Simulation and the Monte Carlo methods, John Wiley & Sons,
Chichester, 1981.
[SAL 00] S ALTELLI A., C HAN K., S COTT E., Eds., Sensitivity analysis, J. Wiley & Sons,
Chichester, 2000.
[SAL 04] S ALTELLI A., TARENTOLA S., C AMPOLONGO F., R ATTO M., Sensitivity analysis
in practice – A guide to assessing scientific models, J. Wiley & Sons, Chichester, 2004.
[SAP 06] S APORTA G., Probabilités, analyse des données et statistique, Technip, Paris, 2nd
édition, 2006.
54 Fatigue des matériaux et des structures
[SCH 06] S CHWOB C., C HAMBON L., RONDE -O USTAU F., B ERNADOU J., « Probabilistic
assessment of fatigue life using a stress-based fatigue criterion », T OPPING B., M ONTERO
G., M ONTENEGRO R., Eds., Proc. 8th Int. Conf. Comput. Struct. Tech., Civil-Comp Press,
Las Palmas de Gran Canaria, 2006.
[SCH 07] S CHWOB C., Approche non locale probabiliste pour l’analyse en fatigue des zones
à gradient de contrainte, Thèse de doctorat, Ecole des Mines d’Albi Carmaux, 2007.
[SUD 03a] S UDRET B., G UÉDÉ Z., H ORNET P., S TÉPHAN J.-M., L EMAIRE M., « Probabi-
listic assessment of fatigue life including statistical uncertainties in the S-N curve », Trans.
17th Int. Conf. on Struct. Mech. in Reactor Tech. (SMiRT 17), Prague, Czech Republic,
2003, Paper M-232.
[SUD 03b] S UDRET B., G UÉDÉ Z., L EMAIRE M., « Probabilistic framework for fatigue ana-
lysis », M AES M., H UYSE L., Eds., Proc. 11th IFIP WG7.5 Conference on Reliability and
Optimization of Structural Systems, Banff, Canada, Balkema, Rotterdam, p. 251-257, 2003.
[SUD 05] S UDRET B., G UÉDÉ Z., « Probabilistic assessment of thermal fatigue in nuclear
components », Nuc. Eng. Des., vol. 235, p. 1819-1835, 2005.
[SUD 06] S UDRET B., P ERRIN F., B ERVEILLER M., P ENDOLA M., « Bayesian updating of
the long-term creep deformations in concrete containment vessels », Proc. 3rd Int. ASRANet
Colloquium, Glasgow, Grande Bretagne, 2006.
[SUD 07] S UDRET B., Uncertainty propagation and sensitivity analysis in mechanical models
– Contributions to structural reliability and stochastic spectral methods, 2007, Habilitation
à diriger des recherches, Université Blaise Pascal, Clermont-Ferrand, France.
[THO 99] T HOMAS J.-J., P ERROUD G., B IGNONNET A., M ONNET D., « Fatigue design and
reliability in the automotive industry », European Structural Integrity Society, vol. 23, p. 1-
11, 1999.
[TOV 01] T OVO R., « On the fatigue reliability evaluation of structural components under
service loading », Int. J. Fatigue, vol. 23, p. 587-598, 2001.
[VIR 78] V IRKLER D., H ILLBERRY B. M., G OEL P., « The statistical nature of fatigue crack
propagation », Trans. ASME, J. Eng. Mat. Tech., vol. 101, n°2, p. 148-153, 1978.
[YAN 96] YANG J., M ANNING S., « A simple second order approximation for stochastic crack
growth analysis », Eng. Fract. Mech., vol. 53, n°5, p. 677-686, 1996.
[ZHE 98] Z HENG R., E LLINGWOOD B., Stochastic fatigue crack growth in steel structrues
subjected to random loading, Rapport n°Contract report ITL-98-1 for the US Army Corps
of Engineers, The Johns Hopkins University, 1998.