Ecole Nationale Polytechnique de Constantine

Département Génie des Procédés

Planification et validation de modèle (plan expérience)

Chapitre IV
Surfaces de réponse et optimisation

1. Introduction

Le but de l’étude des surfaces de réponse est une modélisation du phénomène étudié, c’est une suite assez
naturelle d’une étape de criblage et constitue un moyen efficace de l’optimisation du dispositif expérimental
ou du procédé étudié. Dans la méthodologie des surfaces de réponses, on cherche à relier une réponse
continue y à k facteurs continus et contrôlés X1, X2,…Xk, à l’aide d’un modèle de régression linéaire qui
peut être un modèle du premier degré avec interactions. Lorsqu’il est insuffisant pour décrire avec efficacité
la réalité expérimentale, il est courant d’utiliser un modèle du second degré incluant les effets quadratiques
des facteurs. Dans la plupart des cas, ce dernier est suffisant pour modéliser correctement les phénomènes
étudiés.

Le choix du modèle à retenir dans cette étude est très important et une étape de validation expérimentale du
modèle adopté est souhaitable.

Après l’étape d’ajustement du modèle on représente graphiquement celui-ci à l’aide de graphiques de

type « surface de réponse » et courbes isoréponses, qui permettent de visualiser le comportement de la
réponse en fonction des facteurs, ces graphiques procurent une aide appréciable dans l’exploitation du
modèle en vue d’une optimisation du système expérimental.

1
 Surface de réponse modèle du second degré
Surface de réponse modèle du premier degré
18
16
14 14
12 12
10 10
8 8
6 6
4 4
2 2
0 0
1 2 1 2
3 4 3 4
5 5

Exemples de surfaces de réponses et courbes isoréponses (projection des surfaces sur un plan)

2. Plans pour l’étude des modèles du second degré

On a déjà vu que pour le modèle du premier degré la matrice expérimentale d’Hadamard est dite
orthogonale, ceci n’est pas le cas pour un modèle du second degré : les estimateurs des coefficients associés
à l’effet moyen et aux termes quadratiques ne peuvent pas être indépendants, d’où l’intérêt d’utilisation de
plans pour second degré avec des points en plus par rapport aux plans précédents.

3. Plans composites centrés

Utilisés surtout pour les modèles du second degré, ils sont constitués d’un plan complet 2 k, d’une série de
points centraux et d’un ensemble de 2k points en étoile situés à une distance α du centre du domaine.

Les plans composites se prêtent au déroulement séquentiel d’une étude : en première partie on commence
par un plan factoriel complété par points au centre pour vérifier la validité du modèle du 1 er degré. Lorsque
les tests de validation sont négatifs on fait des essais supplémentaires pour établir modèle du 2 nd degré
(points en étoile).

Modèle polynomial du second degré :

2
 5 coefficients à déterminer + la moyenne

En pratique le nombre total d’essai réalisé pour un plan composite est donné par :

Exemple : cas d’un plan composite avec deux facteurs

3.1 Matrice de calcul

Cas de deux facteurs

D’où la matrice d’information : Xt.X

3
La matrice d’information : Xt.X en fonction de N et Nf

3.2 Critère d’optimalité

Pour un type de modèle donné, on cherchera le placement « optimal » des points d’expériences pour lequel
tous les points axiaux sont à la même distance (grandeur réduites) du centre du domaine.

3.2.1 Presque orthogonalité

L’orthogonalité est obtenue si la matrice

4
Dans notre cas on ne peut annuler tous les éléments de la matrice Xt X : termes constants et carrés

Presque orthogonalité : Diagonalisation de la sous matrice

 Calculer (Xt X)-1

 Éliminer la 1ère ligne et colonne de (Xt X)-1 S
 Trouver  pour que la matrice S soit diagonale

Donc :

Le tableau ci-dessous donne des valeurs de α en fonction du nombre de points centraux :

Exemple : 2 facteurs et N0 = 4

5
D’où :

3.2.2 Isovariance par rotation

Permet de garantir une erreur de prédiction constante pour des points situés à égale distance du centre du
domaine

3.3 Calcul des variances des coefficients du modèle

6
Les coefficients du modèle sont calculés par :

La variance des coefficients du modèle est donnée par :

3.4 Choix du nombre n0

Lorsque les expériences sont extrêmement coûteuses il est clair qu’il est possible de ne prendre aucune
expérience centrale. Dans tous les autres cas de figure il est conseillé d’en prendre un petit nombre (2,3 ou
4 dans la plupart des cas).
4. Optimisation
Recherche de la valeur optimale : minimiser, maximiser, ou cible
 Courbes isorépenses
 Méthode de la plus grande pente
 Méthode du simplex

4.1 Optimisation graphique : courbes isorépenses

 La connaissance des courbes isoréponses permet de trouver les conditions optimales dans le domaine
expérimental.
 Elles permettent de déterminer la région du domaine où la réponse est optimale (satisfait les
contraintes)

7
Exemple
On désire optimiser la formulation d'un produit légèrement collant. En effet, il s'agit de maintenir une simple
cohésion entre les fils d'une bobine pendant qu'on la déroule. La colle est un mélange de résine silicone et de
tension actifs dans du xylène. Les facteurs sont la masse de tension actif et la masse de résine silicone.
Les réponses sont la force de collage et la régularité du collage. Les objectifs sont
 Force de collage : entre 1,6 et 2.
 Régularité : supérieure à 5.
L’expérimentateur réalise un plan composite avec 4 points au centre du domaine d'étude et choisit α = 1,21
pour respecter le critère de presque orthogonalité.
Les résultats des essais sont rassemblés dans le Tableau ci-dessous :

Le domaine d’étude est représenté dans le tableau suivant :

Les résultats de ce plan sont résumés dans les modèles mathématiques :

8
Ces modèles permettent de tracer les courbes isoréponses sur un même graphique (Figure 16) et de délimiter
les zones d'intérêt.

La Figure ci-dessous indique la zone où les deux exigences sont respectées. Si on choisit de se mettre au
milieu de cette zone on trouve une composition répondant parfaitement aux objectifs de l'étude :
Tensio actif : 0,315
Résine : 0,024

La zone claire indique la région où les deux objectifs sont respectés.