République Algérienne Démocratique et Populaire

Ministère de l'Enseignement Supérieur et de la Recherche Scientifique

Université Cheikh Larbi Tbessi Tébessa

Faculté des Sciences et de technologies
Département de génie électrique
Master instrumentation

INTITULE

Modélisation d’un capteur de pression en

utilisant les techniques de l’intelligence
artificielle
MEMOIRE PRESENTE PAR
FATHALLAH Meriem
AZZAZ Abir

Pour l'obtention du diplôme de Master en

instrumentation

Soutenu le 21/09/2020

Devant le Jury composé de :

Président DJABRI Riadh Université de Tébessa

Rapporteur FERROUDJI Karim Université de Tébessa
Examinateur LEMITA Abdallah Université de Tébessa
Résumé

Résumé

Les capteurs de pression ont fait l’objet de nombreuses recherches ces

dernières années. Due aux leurs grande résolution, faible consommation électrique,
grande précision et possibilité d’intégration. Les capteurs de pression sont utilisés
dans plusieurs applications relatives aux chaînes de mesure et de contrôle. Les
inconvénients par contre résident dans la non linéarité de leur réponse, la variation de
température peut fortement affecter la sensibilité du capteur de pression, entraînant
une réponse non linéaire de la pression appliquée. Afin d'éliminer l'effet de
température et d'améliorer la sensibilité du capteur de pression, nous proposons
d’exploiter la capacité des réseaux de neurones artificiel pour fournir un auto-
étalonnage et une compensation en incorporant un élément de correction. L'objectif
est de créer un capteur de pression intelligent capable d’estimer avec précision la
pression dans une plage de température de 25 °C à 250 °C.
‫‪Résumé‬‬

‫ملخص‬

‫كانت مستشعرات الضغط موضوع الكثير من األبحاث في السنوات األخيرة نظرا لدقتها‬
‫العالية و استهالكها المنخفض للطاقة ودقتها العالية و إمكانية االندماج تستخدم مستشعرات الضغط في العديد من‬
‫التطبيقات المتعلقة بسالسل القياس و التحكم و مع لك فان العيوب تكمن في استجابتها غير الخطية و يمكن إن‬
‫يؤثر تغير درجة الحرارة بشدة على حساسية مستشعر الضغط مما يؤدي إلى استجابة غير خطية للضغط المطبق‬
‫من اجل القضاء على تأثير درجة الحرارة و تحسين حساسية مستشعر الضغط نقترح تسخيره قدرة الشبكات‬
‫العصبية االصطناعية على توفير ال معايرة الذاتية و التعويض من خالل دمج عنصر التصحيح الهدف هو إنشاء‬
‫مستشعر ضغط دكي قادر على تقدير الضغط بدقة في نطاق درجة حرارة من ‪ 25‬درجة مئوية إلى ‪ 250‬درجة‬
‫مئوية‬
Résumé

Summary

Pressure sensors have been the subject of several research in recent years. Due
to their high resolution, low power consumption, high precision and possibility of
integration. Pressure sensors are used in several applications relating to measurement
and control chains. The drawbacks however lie in the non-linearity of their response,
the temperature variation can strongly affect the sensitivity of the pressure sensor,
resulting in a non-linear response of the applied pressure. In order to eliminate the
temperature effect and improve the sensitivity of the pressure sensor, we propose to
exploit the ability of artificial neural networks to provide self-calibration and
compensation by incorporating a correction element. The goal is to create an
intelligent pressure sensor capable of estimating accurately the pressure in a
temperature range of 25 ° C to 250 ° C.
Sommaire

Sommaire
Résumé

Sommaire page

Remerciements

Dédicaces

Liste d’abréviations

Liste des figures

Liste des tableaux

Introduction générale.…………………………………………………………………. 19

Chapitre I: les capteurs………………………………………………................. 21

I.1 Introduction…………………………………………………………………........... 21

I.2 Définition d’un capteur……………………………………………………………. 21

I.3 Classification des capteurs………………………………………………………... 22

I.3.1 Classification en fonction du signal délivré…………………………………... 22

I.3.2 Classification des capteurs à partir de l'origine du signal électrique de 24

sortie……………………………………………………………………………………

I.4 Situation des capteurs dans un système……………………………………………. 25

I.5 Caractéristiques métrologiques d’un capteur............................................................ 26

I.5.1 Etendue de mesure…………………………………………………………….. 26

I.5.2 Sensibilité……………………………………………………………………... 26

I.5.3 Précision ……………………………………………………………………… 27

I.5.4 Fiabilité et justesse……………………………………………………………. 27

I.5.5 Rapidité………………………………………………………………………... 28

I.5.6 Stabilité………………………………………………………………………... 28

I.5.7 Répétabilité et Reproductibilité……………………………………………….. 28

Sommaire

I.5.8 Bruit de fond…………………………………………………………………... 28

I.5.9 L’erreur de mesure……………………………………………………………. 28

I.5.10 Erreur de linéarité……………………………………………………………. 29

I.5.11 Erreur due au phénomène d'hystérésis………………………………………. 29

I.5.12 Erreur de mobilité……………………………………………………………. 30

I.6 Grandeurs d’influence…………………………………………………………....... 30

I.7 Les capteurs de pression…………………………………………………………… 31

I.8 Définition de la pression…………………………………………………………… 31

I.8.1 Les différentes unités de pression……………………………………………... 32

I.9 Les différents types de pression………………………………………………....... 32

I.9.1 La pression absolue…………………………………………………………… 32

I.9.2 La pression atmosphérique ou pression barométrique……………………….. 32

I.9.3 La pression relative…………………………………………………………… 32

I.9.4 Pression différentielle…………………………………………………………. 32

I.9.5 Le vide………………………………………………………………………… 32

I.9.6 Pression de service ou pression dans la conduite……………………………... 33

I.10 Pression pour les fluides (liquide et gaz)…………………………………………. 33

I.10.1 Pression hydrostatique……………………………………………………….. 33

I.10.2 Pression due à des forces extérieures………………………………………... 34

I.10.3 Pression totale – Charge……………………………………………………... 34

I.11 Mode de détermination la pression……………………………………………….. 34

I.11.1 Pression différentielle………………………………………………………... 34

I.11.2 Pression absolue……………………………………………………………... 34

I.12 Classification des capteurs manomètres………………..………………………… 35

I.13 Capteurs à déformation élastique (manomètre métallique)………………………. 35

I.13.1 Les principaux manomètres………………………………………………….. 35

I.14 Capteur de pression à base de couches minces…………………………………... 37

Sommaire

I.14.1 Capteur de pression piezoresistif…………………………………………….. 38

I.14.2 Capteur de pression capacitif………………………………………………… 39

I.14.3 Capteur de pression exploité dans ce mémoire……………………………… 40

I.15 Conclusion……………………………………………………………………….. 41

Chapitre II : Réseaux de neurones artificiels………………………............ 43

II.1 Introduction……………………………………………………………………...... 43

II.2 Historique…………………………………………………………………………. 43

II.3 Le réseau de neurone artificiel et le neurone artificiel……………………………. 43

II.3.1 Définition du le réseau de neurone…………………………………………… 43

II.3.2 Définition d’un neurone artificiel…………………………………………….. 44

II.3.3 Fonctions d‘activation……………………………………………………….. 44

II.3.4 Propriété des réseaux de neurones…………………………………………... 45

II.3.5 Fonctionnement………………………………………………………………. 46

II.3.6 Architectures de réseaux de neurones………………………………………... 46

II.3.7 Apprentissage des réseaux de neurones……………………………………… 47

I.4 Types de réseaux de neurones……………………………………………………... 47

II.4.1 Le perceptron monocouche (perceptron simple)…………………………….. 47

II.4.2 Le perceptron multicouches ou réseau multicouches………………………... 48

II.4.3 Réseau à fonction radiale de base……………………………………………. 49

II.5 Conclusion………………………………………………………………………… 51

Chapitre III : Modélisation du capteur de pression par Réseaux de 53

neurones……………………………………………………………………………..
III.1 Introduction………………………………………………………………............. 53

III.2 Modélisation du comportement du capteur de pression par le réseau RBF……... 53

III.2.1 Préparation de la base de données………………………………………....... 54

III.2.2 Sélection de modèle (Validation croisée)…………………………………… 56

III.2.3 Erreur quadratique moyenne………………………………………………… 58

Sommaire

III.3 Résultats………………………………………………………….......................... 58

III.4 Modèle de correction…………………………………………………………….. 63

III.5 Conclusion……………………………………………………………………….. 65

Conclusion général……………………………………………………………………. 66

Référence bibliographiques…………………………………………………………… 68
 Remerciements
Nous tenons à remercier et à exprimer notre reconnaissance au Dr.
FERROUDJI Karim promoteur du présent travail, pour avoir accepté de nous
encadrer, ses conseils et observations nous ont été d’une grande utilité

Permettez-nous de vous remercier Dr. DJABRI Riadh, pour ce grand

honneur que vous nous faites, en acceptant de présider ce jury.

Nos remerciements vont également à Monsieur LEMITA Abdallah pour

avoir accepté d’être examinateur de ce mémoire.

Nous remercions tous le personnel administratif du département de Genie

électrique et tous les collegues qui ont contribué a notre parcours academique.

Au final , nous adressons nos remerciments à les amis et à toute la famille,

de près ou de loin
DEDICASES
A mes chers parents (Noureddine et Nadia) pour tous leurs sacrifices, leur
amour, leur tendresse, leur soutien et leurs prières tout au long de mes études.
A mes cheres sœurs Fairouz et saddjida.
A mes chers frères Issam et Cheher pour leur appui et leur encouragement.
A toute ma famille pour leur soutien tout au long de mon parcours universitaire.
Merci d’être toujours là pour moi.

FATHALLAH Meriem
DEDICASES

A mon père

AZZAZ Abir
Liste d’abréviations

Listes d’abréviations

RNA : Réseau de neurones artificiels

RBF : Réseau à fonction radiale de base

MLP : perceptron multi couche

TOR : Tout ou Rien

IA : intelligence artificiel

CVD : dépôt chimique en phase vapeur

PVD : dépôt physique par phase vapeur

GDE : graph data extractor

Liste des figures Page

Figure I.1 : Chaine d’information d’un capteur …………………… 21

Figure I.2 : Exemple d’évolution d’un mesurande m et du répons 22

correspondant du capteur………………………………..

Figure I.3 : Représentation d’un signal TOR………………………... 22

Figure I.4 : Représentation d’un signal numérique………………..... 23

Figure I.5 : Représentation d’un signal analogique………………..... 23

Figure I.6 : Chaine d’information d’un capteur……………………... 26

Figure I.7 : Sensibilité d’un signal de sortie……………………….... 27

Figure I.8 : Justesse et la fidélité d’un capteur…………………….... 27

Figure I.9 : Erreur de zéro (offset)………………………………….. 29

Figure I.10 : Erreur de l’échelle (gain)……………………………….. 29

Figure I.11 : Erreur de linéarité………………………………………. 29

Figure I.12 : L'erreur due au phénomène d'hystérésis……………....... 30

Figure I.13 : Représentation l’erreur de mobilité…………………….. 30

Figure I.14 : Les différents pressions..…...…………………………... 33

Figure I.15 : Pression hydrostatique………………………………….. 33

Figure I.16 : Mode de détermination la pression……………………... 34

Figure I.17 Manomètre à tube bourdon……………………………... 35

Figure I.18 Manomètre à soufflet…………………………………… 36

Figure I.19 : Manomètre à membrane………………………………... 37

Figure I.20 : Photomasque afin de produire des structures de 37

résistance sur les membranes des capteurs……………...

Figure I.21 : Stucture d’un capteur de pression piezoresistif à 38

membrane………………………………………………..

Figure I.22 : Schéma de principe d’un capteur de pression pièze 39

résistif……………………………………………………

Figure I.23: Principe de fonctionement d’un capteur de pression…… 39

Figure I.24 : Capteur de pression capasitif en ropos…………………. 40

Figure I.25 : Capteur en fonctionemet……………………………….. 40

Figure I.26 : Schéma de principe et photographie du capteur de

pression à couche mince Cr-N micro-usiné : a.
41
diagramme schématique, b. Photographie………………

Figure I.27 : Résultats de mesure du capteur de pression pour

différentes valeurs de température……………………… 41

Figure II.1 : Neurone artificiel……………………………………….. 44

Figure II.2 : Fonctions d’activations et leurs courbes………………... 45

Figure II.3: Réseau de neurones sans couche cachée……………….. 46

Figure II.4 : Réseau de neurones avec couche cachée………………. 47

Figure II.5 : Perceptron Multi Couche………………………………. 48

Figure II.6 : Structure du réseau RBF……………………………….. 49

Figure III.1 : Schéma du modèle RBF proposé……………………….. 53

Figure III.2 : Résultats de mesure du capteur de pression pour

différentes valeurs de température……………………....
54

Figure III.3 Image graphique du GDE…………………………….... 55

Figure III.4 : Base de données collectée en utilisant le GDE………..... 56

Figure III.5 : Paramètres optimaux utilisant la stratégie de validation 57

croisée…………………………………………………..

Figure III.6 : Erreur de validation…………………………………….. 59

Figure III.7 : Données de test expérimentales et celles obtenue en 60

utilisant lu modèle RBF proposé……………………….

Figure III.8 : Modélisation du comportement du capteur de pression

par RBF à des températures fixes: 25, 100,150, 200, et
61
250°C……………………………………………………

Figure III.9 : Effet de la température sur la réponse du capteur pour 62

2 ..……
des pressions fixes à 0, 0.6, 1, 1.2, 1.6, ou 2 kgf/cm

Figure III.10 : Schéma bloc du capteur de pression intelligent proposé.. 63

Figure III.11 : Effet du correcteur sur la réponse du capteur pour des 64
2……………..
pressions fixes à 0, 0.6, 1, 1.2, 1.6, et 2 kgf/cm
Liste des Tableaux

Liste des Tableaux :

Tableau I.1 Capteurs actifs : principes physiques de base………………………..……..24

Tableau I.2 Capteurs passifs : principes physiques et matériaux………………………..25

Tableau I.3 Différentes types d’unités de pression…………………………...…………32
Tableau III.1 Paramètres optimisés du réseau RBF……………………………………….59
Introduction
Générale
Introduction générale

Introduction générale

Dans de nombreux domaines d'application pratiques de l'avionique, de

l'automobile, de la robotique, du guidage de missiles, du forage pétrolier et des
mesures industrielles, les capteurs fonctionnent dans des environnements difficiles
tels que la température ambiante extrême, la pression, l'humidité, …etc. Dans de telles
situations, la réponse des capteurs dépend non seulement du mesurande mais aussi des
paramètres environnementaux de manière non linéaire. Habituellement, un modèle
mathématique exacte d'un capteur montrant la relation entre le mesurande et sa
réponse, et sa dépendance aux paramètres environnementaux, n'est pas disponible. De
plus, comme la plupart des capteurs présentent une certaine quantité de
caractéristiques de réponse non linéaires et que les paramètres environnementaux
influencent le comportement du capteur de manière non linéaire, le problème de
l'obtention d'une lecture précise et de son étalonnage devient plus complexe.

Certaines des propriétés idéales d’un capteur comprennent les caractéristiques

de réponse linéaire, l’autocorrection des effets indésirables des paramètres
environnementaux non linéaires, une sensibilité et une précision élevées et une faible
consommation d'énergie. Cependant, dans des situations pratiques, il n'est pas facile
d'obtenir des caractéristiques idéales, en particulier lorsque le capteur fonctionne dans
un environnement difficile.

Afin de compenser certaines des non-idéalités et d'obtenir une lecture précise,

plusieurs techniques basées sur l’intelligence artificielle ont été proposés.
Récemment, les réseaux de neurones artificiels (RNA) sont apparus comme une
technique d'apprentissage puissante pour effectuer des tâches complexes dans des
environnements dynamiques. Ces réseaux sont dotés de certaines caractéristiques
uniques telles que la capacité d'approximation universelle, et de généralisation.
L'objectif principal de ce mémoire est de démontrer le potentiel des RNA dans le
développement de capteurs intelligents capables d'atténuer les effets indésirables des
paramètres environnementaux sur les caractéristiques de réponse du capteur. À cette
effet, nous proposons un modèle basé sur le réseau à fonction radiale de base (RBF)
pour fournir des caractéristiques de réponse linéaire avec une lecture précise de la
pression, et pour compenser la dépendance non linéaire de température d'un capteur
de pression fonctionnant dans un environnement difficile avec des variations de
température de 25 °C à 250 °C.

19
Introduction générale

Ce mémoire est organisé comme suit. Chapitre I présente un bref contexte

théorique sur les capteurs, leurs classifications et caractéristiques métrologiques. De
plus, nous avons présenté le capteur de pression à couche mince de Cr-N micro-usiné
exploité dans ce mémoire.

Le deuxième chapitre présente une revue de la littérature sur les méthodes

d'intelligence artificielle. Deux types de Réseaux de Neurones à savoir ; le perceptron
multicouche (Multi Layer Perceptron MLP) et le Réseaux à Fonction Radiale de Base
(Radial Basis Functions RBF) sont arborés dans cette section.

Chapitre III fournit une évaluation des performances et des discussions sur les
résultats obtenus, et enfin, les conclusions de la présente étude sont tirées dans la
dernière section.

20
Chapitre I :
Les capteurs
Chapitre I : Les capteurs

I.1 Introduction

Les paramètres physiques (température, force, position, vitesse, luminosité...) ont

besoin d’être contrôler dans plusieurs domaines (industrie, recherche scientifique, services,
loisirs...). Un capteur est dispositifs essentiel à la détection de ces grandeurs physiques. C’est
un dispositif de collecte d'informations. Il élabore à partir d'une grandeur physique, une autre
grandeur physique de nature différente (souvent sous forme électrique). Cette dernière est
utilisée pour effectuer des mesures ou des commandes.

Dans ce chapitre nous présentons des notions sur les capteurs, leurs classifications et
caractéristiques métrologiques et nous concentrons sur les capteurs de pression.

I.2 Définition d’un capteur

Un capteur est un dispositif capable d’acquérir une grandeur physique à mesurer, et de

la transformer en une grandeur exploitable par une unité de traitement. Le signal de sortie
d’un capteur est très souvent électrique (Courant ou tension) [1].

Figure I.1: Chaine d’information d’un capteur [1]

Le mesurande est terme qui définit la grandeur physique (déplacement, température,

pression, …etc.) objet de la mesure. Il est représentée par m. Le mesurage est l’ensemble des
démarches expérimentales qui contribuent à la connaissance de la valeur numérique du
mesurande. Il est nécessaire de produire à partir du mesurande une grandeur électrique aussi
exacte que possible lorsque le mesurage utilise des systèmes électroniques de traitement du
signal. Cela veut dire que cette grandeur électrique (et ses variations) apporte toute
l’information indispensable à la compréhension du mesurande.

21
Chapitre I : Les capteurs

Le capteur est le dispositif qui soumis à l’action d’un mesurande non électrique
présente une caractéristique de nature électrique (charge, tension, courant ou impédance)
désignée par s et qui est fonction du mesurande m [2].

𝑠 = 𝐹 (𝑚 ) (I.1)

Figure I.2 : Exemple d’évolution d’un mesurande m et de la réponse s correspondante du

capteur [2]

I.3 Classification des capteurs

I.3.1 Classification en fonction du signal délivré

Plusieurs formes de L’information transmise par un capteur existes :(TOR,Numérique,

Analogique)

I.3.1.1 Signal TOR

Un capteur TOR (Tout Ou Rien) est un capteur dont la sortie ne peut prendre que deux
états couramment indiqué par 0 et 1 [1].

Figure I.3 : Représentation d’un signal TOR

22
Chapitre I : Les capteurs

I.3.1.2 Signal NUMERIQUE

C’est un signal constitué de valeurs numériques (nombre fini de points). Les

informations délivrées par le capteur numérique sont sous la forme d’un code binaire (avec un
nombre de bits définis), d’un train d’impulsions (avec un nombre précis d'impulsions ou avec
une fréquence précise [1].

Figure I.4 : Représentation d’un signal numérique

I.3.1.3 Signal ANALOGIQUE

C’est un signal qui évolue dans le temps de façon continue. Un capteur analogique
délivre une information (électrique, visuelle,…) qui évolue de façon continue entre deux
bornes [1].

Figure I.5 : Représentation d’un signal analogique

23
Chapitre I : Les capteurs

I.3.2 Classification des capteurs à partir de l'origine du signal électrique de sortie

I.3.2.1 Capteur actif

Source qui produit un signal électrique traduisant le mesurande aussi fidèlement que
possible (voir tableau I.1). La sortie est une [2] : charge, tension, courant.

Mesurande Effet utilisé Grandeur de sortie

Température Thermoélectricité Tension
Pyroélectricité Charge
Flux de rayonnement Photoémission Courant
Optique Effet photovoltaïque Tension
Effet photoéléctomagnetique Tension
Force
Pression Piézoélectricité Charge
Accélération
Vitesse Induction électromagnétique Tension
Position (aimant) Effet hall Tension

Tableau I.1: Capteurs actifs principes physiques de base [2]

I.3.2.2 Capteur passif

L'impédance de ce type de capteur ses variations est mesurable que par un circuit
adapté (conditionneur) alimenté par une source extérieure (voir tableau I.2). La sortie "s" est
une [2] : résistance, inductance, capacité.

24
Chapitre I : Les capteurs

Caractéristique électrique
Mesurande Types de matériaux utilisés
Sensible
Température Metaux : platine ,nickel,
Résistivité
Très basse cuivre, semi-conducteur,
Constante électrique
Température Verres
Flux de rayonnement
Résistivité Semi-conducteur
Optique
Résistivité Alliage de nickel ,silicium
Déformation dopé
Perméabilité magnétique Alliage ferromagnétique
Matériaux magnétoresistants :
Position (aimant) Résistivité bismuth,
Antimoniure d’indium
Résistivité Chlorure de lithium
Humidité
Constante d’électrique Alumine ; polymères

Niveau Constante d’électrique Liquide isolants

Tableau I.2: Capteurs passifs : principes physiques et matériaux [2]

I.4 Situation des capteurs dans un système

Les capteurs font partie de la chaîne d’information d’un système. Cette dernière est un
groupement structurée d’éléments qui à partir d’une information source permet, de capter
(capteur), de traiter (par programme) et de restituer une information ou une consigne qui peut
être employable instantanément par l’utilisateur ou qui permet d’actionner une chaîne
d’énergie (voir Figure I.6) [1].

Toute chaîne d’information est composée de groupes fonctionnels :

- Acquérir l’information

- Traiter l’information

- Communiquer l’information

25
Chapitre I : Les capteurs

Figure I.6 : Chaine d’information d’un capteur

I.5 Caractéristiques métrologiques d’un capteur

I.5.1 Etendue de mesure

Les lectures du capteur ne doivent pas être affectées d’une erreur supérieure à l’erreur
maximale tolérée. On appelle les valeurs limites du champ, « portée minimale » et « portée
maximale » [3].

I.5.2 Sensibilité

C’est le rapport de la variation du signal de sortie à la variation d’entrée (grandeur à

mesurer). C'est à dire à la pente de la courbe de réponse du capteur pour une valeur donnée
[3] :

S=ds/de (I.2)

ds : variation de sortie

de : variation d’entrée

26
Chapitre I : Les capteurs

Figure I.7 : Sensibilité d’un signal de sortie

I.5.3 Précision

C’est la capacité du capteur à offrir des indications proche de la valeur vraie de la

grandeur mesurée [3].

I. 5.4 Fiabilité et justesse

I. 5.4.1 La justesse

C’est la capacité d’un capteur à fournir des indications précises [3].

I.5.4.2 La fidélité

C’est la capacité d'un capteur à fournir des indications identiques pour une même
valeur de la grandeur à mesurer [3].

Figure I.8 : Justesse et la fidélité d’un capteur

27
Chapitre I : Les capteurs

I.5.5 Rapidité

C’est l’aptitude du capteur à suivre dans le temps les variations de la grandeur à

mesurer. Il nécessaire de prendre en considération le temps de réponse, la bande passante et la
fréquence de coupure du capteur [3].

I.5.6 Stabilité

La stabilité qualifie la capacité d'un capteur à maintenir ses performances pendant une
longue durée (problème de dérive du zéro par exemple) [3].

I. 5.7 Répétabilité et Reproductibilité

I. 5.7.1 La répétabilité

C'est la convergence de concordance entre les résultats de mesures successifs de la

même grandeur effectuées de la même manière, par le même observateur, avec les mêmes
instruments de mesure et dans des délais assez courts [3].

I.5.7.2 La Reproductibilité

C’est l'étroitesse de l'accord entre les résultats de mesures successifs d'une même
grandeur dans le cas où les mesures sont réalisées dans les situations distinctes que pour la
répétabilité [3].

I.5.8 Bruit de fond

C'est une variation parasite (souvent aléatoire) du signal de sortie. Le bruit de fond est
un signal de valeur moyenne est nulle et il s’additionne à la valeur à mesurer [3].

I.5.9 L’erreur de mesure

I.5.9.1 L'erreur de zéro (offset)

C'est une erreur qui ne dépend pas de la valeur de la grandeur mesurée [3].

28
Chapitre I : Les capteurs

Figure I.9 : Erreur de zéro (offset)

I.5.9.2 Erreur d'échelle (gain)

C'est une erreur qui dépend linéairement de la grandeur mesurée [3].

Figure I.10 : Erreur de l’échelle (gain)

I.5.10 Erreur de linéarité

La caractéristique n'est pas une droite [3].

Figure I.11 : Erreur de linéarité

I.5.11 Erreur due au phénomène d'hystérésis

L'hystérésis se produit lorsque le résultat de la mesure est basé sur la mesure

précédente [3].

29
Chapitre I : Les capteurs

Figure I.12 : L'erreur due au phénomène d'hystérésis

I.5.12 Erreur de mobilité

La caractéristique est en escalier, le plus souvent cette erreur est due à une
numérisation du signal [3].

Figure I.13 : Représentation l’erreur de mobilité

I.6 Grandeurs d’influence

En raison des conditions d'utilisation, le capteur peut être soumis non seulement à
l'effet du mesurande, mais encore à d'autres grandeurs physiques qui peuvent créer un
changement de la quantité de sortie électrique qu’il impossible de distinguer de l'effet du
mesurande. Ces grandeurs physiques « parasites » auxquelles la réponse du capteur peut être
affectée représentent les grandeurs d’influence, dont les plus importantes sont [4] :

 La température qui change les propriétés électriques, mécaniques et

dimensionnelles des éléments du capteur.
 La pression, l’accélération et les vibrations qui peuvent créer des déformations
et des contraintes qui changent la réponse du capteur.
 L’humidité qui peut changer plusieurs caractéristiques électriques du capteur
et qui peut dégrader l’isolation électrique entre ses éléments ou entre le capteur
et son environnement.

30
Chapitre I : Les capteurs

 Les champs magnétiques qui peuvent engendrer des f.e.m (force

électromotrice) d’induction qui se superposent au signal utile.
 La tension d’alimentation où le changement de l’amplitude ou de la fréquence
peut troubler la grandeur électrique de sortie du capteur.
 La lumière ambiante qui peut s’ajouter au flux lumineux à mesurer.

I.7 Les capteurs de pression

Un manomètre ou capteur de pression est un dispositif utilisé à mesurer la pression

des fluides (liquide ou gaz). Les mesures de pression sont réalisées par plusieurs
techniques [5] :

 Application d’une masse connue en réaction à l’effet d’une pression sur une section
connue (balance manométriques).
 Changement du niveau d’un liquide sous l’action de la pression (manomètre à liquide).
 Détection de la déformation d’un composant sensible sous l’action de la pression, par
exemples :
- Tube de bourdon
- Capteurs de pression à jauges métalliques
- Capteurs de pression à jauges piézo-résistives
- Capteurs de pression par variation d’inductances
- Capteurs de pression piézo-électriques

I.8 Définition de la pression

La pression est définie comme le rapport force par surface. Ce rapport est indépendant
de l'orientation de la surface. La pression s’exerce perpendiculairement à la surface
considérée [6].

P=F/S (I.3)

P : pression en (1 Pa = 1N\m²).

F : force en Newton.

S : surface en m²

31
Chapitre I : Les capteurs

I.8.1 Les différentes unités de pression

Pascal (pa) Bar (b) Atmosphère

(1 pascal)2 1 10-5 9.869.10-6

(1bar) 3 105 1 0.987167

(1 kgf/cm²)4 98039 0.9803 0.968

(1 atmosphère )5 101325 1.0133 1

Tableau I.3 : Différentes types d’unités de pression [6]

I.9 Les différents types de pressions

I.9.1 La pression absolue

C’est la pression réelle, dont on tient compte dans les calculs sur les gaz (voir Figure
I.14) [12].

I.9.2 La pression atmosphérique ou pression barométrique

Au niveau de la mer, et à 15 ˚C, la pression atmosphérique moyenne est

approximativement 1013 mbar. Elle peut changer, de ± 25 mbar, avec la pluie ou le beau
temps. Elle est fonction de l’altitude (hydrostatique) [12].

I.9.3 La pression relative

C’est la différence de pression par rapport à la pression atmosphérique. C’est le type

de pression le plus utilisée, par ce que la majorité des capteurs, sont soumis à la pression

Atmosphérique. Pour mesurer une pression absolu, il faut créer un vide pousse dans une
chambre dite de référence (voir Figure I.14) [12].

I.9.4 Pression différentielle

C’est une différence entre deux pressions, dont l’une sert de référence. Une pression
différentielle peut être négative (voir FigureI.14) [12].

I.9.5 Le vide

Théoriquement, le vide est une pression absolue nulle. Il ne peut être atteint. Quand on
s’en approche, on parle alors de vide pousse [12].
32
Chapitre I : Les capteurs

I.9.6 Pression de service ou pression dans la conduite

C’est la force par unité de surface exercée sur une surface par un fluide secouant
parallèlement à la paroi d’une conduite [12].

Figure I.14 : Les différents pressions [12]

I.10 Pression pour les fluides (liquide et gaz)

I.10.1 Pression hydrostatique

A l’intérieur d’une colonne de fluide se produit une pression due au poids de la masse
de fluide sur la surface examinée. Pour chacun des quatre récipients représentes sur (la figure
I.15)la pression au fond de ceux-ci est identique est égal à [6].

P=p×g×h (I.4)

p en pascal

g kg/m^3

h en mètre

Figure I.15 : Pression hydrostatique [6]

33
Chapitre I : Les capteurs

I.10.2 Pression due à des forces extérieures

Un fluide se déplaçant à une vitesse V engendre une pression additionnel P [6].

𝑃 = 0.5 × 𝜌 × 𝑉² (I.5)

𝜌: 𝑙𝑎 masse volumique

I.10.3 Pression totale - Charge

C’est la somme des 3 pressions : pression hydrostatique, pression due aux forces
extérieures, et pression hydrodynamique. Dette dernière a la même valeur en tous points pour
un fluide en mouvement horizontal (incompressible de viscosité n´négligeable), c’est le
théorème de Bernoulli [6].

I.11 Mode de détermination la pression

I.11.1 La pression différentielle

Chacune des deux prises de pression est reliée à un coté de l’élément sensible de
l’appareil de mesure [5].

I.11.2 La pression absolue

L’un des côtés de l’appareil de mesure est branché à la prise de pression l’autre est
relié au vide intégral [5].

Il existe des appareils qui mesurent la pression au-dessus et en dessous de la pression

atmosphérique (pression relative), ces appareils sont appelés mano-vacuomètres.

Figure I.16 : Mode de détermination la pression [5]

34
Chapitre I : Les capteurs

I.12 Classification des capteurs (manomètres) [5]

- Balance manométrique

-Capteurs hydrostatiques ou Manomètres à liquide

-Manomètres à un seul liquide (tube en U)

-Variante du manomètre à un seul liquide avec réservoir

-Manomètre à deux liquides

-Manomètre à deux liquides et à deux réservoirs

-Baromètre (mesure de la pression atmosphérique)

I.13 Capteurs à déformation élastique (manomètre métallique)

Basé sur la déformation d’un tube d’une membrane ou d’un soufflet généralement
métallique sous l’influence de la force créée par la pression à mesurer [5].

I.13.1 Les principaux manomètres

I.13.1.1 Le tube Bourdon

Les tubes Bourdon sont des tubes courbes avec une section ovale (figure I.17). Le
liquide, dont on désire mesurer la pression, remplit l’intérieur du tube. La pression vers
l’extérieur exercée par le fluide tend à arrondir la section du tube et à « dérouler » le tube dans
le sens de la flèche comme montrer dans la ( figure I.17) [7].

Figure I.17 : Manomètre à tube bourdon

Les tubes de bourdon sont robustes. Ils sont souvent employés dans des
environnements agressifs et $à haute pression. Ils peuvent également être exploité pour

35
Chapitre I : Les capteurs

mesurer de très basses pressions. Toutefois, les tubes de bourdon réagissent plus lentement
que les soufflets ou les manomètres à membrane [7].

I.13.1.2 Soufflets

Ces capteurs sont composés d’un cylindre, où le fût est constitué d’un matériau
souple, plié comme un accordéon (figure I.18). Une des extrémités du cylindre est fixée à la «
source » de pression et l’autre à un appareil indicateur. Les soufflets permettent une grande
amplitude de mouvement (la course) dans le sens de la flèche une fois en contact avec le
fluide où on veut mesurer la pression [7].

Figure I.18 : Manomètre à soufflet

I.13.1.3 Manomètre à membrane

Ces capteurs comprennent une membrane ronde ondulée dont la circonférence est
fixée à une bride étanche (figureI.19). Le fluide dont on veut mesurer la pression est situé un

côté et de l’autre le fluide indicateur. La pression dans la chambre engendre une distorsion
dans la direction vers laquelle pointe la flèche [7].

36
Chapitre I : Les capteurs

Figure I.19 : Manomètre à membrane

Les membranes livrent une lecture rapide et précise de la pression. Leur amplitude, ou
course, est plus faible que celle des soufflets [7].

I.14 Capteur de pression à base de couches minces

Les capteurs à couche mince sont généralement en acier inoxydable. Ils peuvent être
réalises avec l'épaisseur de matériau requise par l'usinage du diaphragme dans les tours
automatiques de précision et ensuite meulage, polissage, et rodage. Sur le côté de la
membrane non en contact avec le milieu, les couches d'isolation, les jauges de contrainte, les
résistances de compensation et les chemins conducteurs sont appliqué en utilisant une
combinaison de techniques chimiques (CVD chimical vapordeposition) et physiques
(PVDphysical vapor deposition) et sont structuré photolithographiquement par gravure
(Figure I.20). Ces processus sont exploités dans des salle blanche et dans des installations
spéciales, dont certaines pièces sont sous vide ou dans une atmosphère inerte [8].

Figure I.20 : Photomasque afin de produire des structures de résistance sur les membranes des
capteurs

37
Chapitre I : Les capteurs

Les résistances et les chemins conducteurs électriques réaliser sur le capteur sont plus
petits qu'un micromètre et sont appelées résistances à couche mince.

Le capteur à couche mince métallique est très stable en tant que résultat des matériaux
utilisés. De plus, il est résistant aux chocs et aux vibrations ainsi qu’aux éléments de pression
dynamiques. Le capteur peut être soudé au raccord de pression - hermétiquement scellé et
sans autre matériaux d'étanchéité. En raison de la ductilité des matériaux, le capteur a une
relative plage de surpression faible mais très forte rafale pression [8].

I.14.1 Capteur de pression piezoresistif

I.14.1.1 Structure d’un capteur de pression piezoresistif

La majorité des capteurs de pression piezoresistif sont fabriqué par micro usinage du
silicium par un agent chimique anisotropique. Un capteur de pression piezoresistif est un
dispositifqui comporte une membrane micro usinée dans une plaquette de silicium orientée
constituant le corps d’épreuve qui se déforme sous l’action d’une pression appliquée. Des
jauges piézorésistives en polysilicium implantées en surface du corps d’épreuve, connectées
en pont de Wheatstone, forment un conditionneur passif. Ces jauges transforment la
déformation en une variation de résistance (Figure I.21).

Déformation
Variation de
Pression résistance
Corps Conditionneur
d’épreuve piezoresistif passif

Capteur composite

Figure I.21 : Stucture d’un capteur de pression piezoresistif àmembrane

Pour avoir une sensibilité élevée le conditionneur du capteur peut être composé de
deux jauges longitudinales et deux jauges transversales disposées en bordure de membrane et
interconnectées en pont de Wheatstone par des pistes d’aluminium (figure I.22). La tension

38
Chapitre I : Les capteurs

de sortie du pont de Wheatstone alimenté en tension ou en courant constant est

proportionnelle à la pression appliquée, aux facteurs de jauges du polysilicium, et à la tension
ou au courant d’alimentation [9].

Figure I.22 : Schéma de principe d’un capteur de pression piezoresistif

I.14.2 Capteur de pression capacitif

I.14.2.1 Principe des capteurs de pression capacitif

Le principe de base d’un capteur de pression capacitif est basé sur la variation d’une
capacité en fonction de la pression appliquée (figure I.23). Ce type est caractérisé par une
haute sensibilité, une faible consommation électrique, et une grande résolution par rapport au
premier type. Mais, il présente une réponse non linéaire, une dérive en température et une
faible variation par rapport à la capacité d’offset [10].

Pression appliqué
Déformation
Variation d’un
mécanique d’une
capacité
Grandeur membrane
d’influence

Figure I.23: Principe de fonctionement d’un capteur de pression

I.14.2.2 Principe de fonctionement :

Ces capteurs comportent une armature plane fixe et une armature plane déformable.
En l’absence de pression différentielle entre les deux faces de la membrane, les armatures sont
parallèles et il a une capacité C (0) au repos (Figure I.24) [10].

39
Chapitre I : Les capteurs

Figure I.24 : Capteur de pression capasitif en ropos C(0)

Lorsqu’on applique une pression P supérieure à la pression contenue dans la cavité Pc,
l’armature déformable fléchit (Figure I.25). La distance séparant les deux électrodes varie en
tous points et par conséquent la capacité du capteur change.

Figure I.25 : Capteur en fonctionemet

I.14.3 Capteur de pression exploité dans ce mémoire

Le capteur de pression exploité dans ce mémoire consiste en une couche mince de Cr-
N déposée sur des membranes en Si oxydé thermiquement avec une cavité enterrée pour la
tolérance de surpression et des électrodes en Al. Les jauges de déformation (strain gauge) à
couche mince (Cr-N) ont été modelées dans une configuration de pont de Wheatstone [11].

40
Chapitre I : Les capteurs

Figure I.26 : Schéma de principe et photographie du capteur de pression à couche mince Cr-N
micro-usiné : a. diagramme schématique, b. Photographie (figure prise de [11])

Figure I.27 illustre la tension de sortie du capteur de pression. La tension de sortie est
mesurée tout en variant la pression de 0 à 2kg/cm2 pour des températures fixes : 25, 100,150,
200, et 250°C.

Figure I.27 : Résultats de mesure du capteur de pression pour différentes valeurs de

température (Figure prise de [11])

Cette figure montre que la température affecte fortement la sensibilité du capteur de pression.

I.15 Conclusion

Ce chapitre présente une étude bibliographique sur les capteurs, leurs classification et
caractéristiques métrologiques. De plus, nous avons présenté le capteur de pression couche
mince de Cr-N micro-usiné exploité dans ce mémoire. La réponse du capteurs (tension) en
41
Chapitre I : Les capteurs

fonction de pression et de température est illustré dans cette partie. Il est à noter que cette
réponse est fortement affectée par la température. Nous exploitons cette réponse pour réaliser
un capteur de pression intelligent dans le chapitre 3.

42
 Chapitre II :
Réseaux de neurones
artificiels
Chapitre II : Réseaux de neurones artificiels

II.1 Introduction

Les réseaux de neurones artificiels (RNA) constituent l'une des approches

d’intelligence artificielle. Dans ce chapitre nous allons présenter quelque généralité sur les
RNA. Ces derniers sont des systèmes informatiques s’inspirant du fonctionnement du cerveau
humain pour apprendre. Les RNA sont des outils puissants capables d’être utilisée dans
presque tous les domaines technologiques, ils sont considérés comme le cœur de plusieurs
applications réelles.

II.2 Historique

Les recherches sur les méthodes neuronales de traitement de l’information en vue de

modéliser le comportement du cerveau humain ne sont pas récentes. Une loi l’apprentissage
qui est plus tard utilisée dans les réseaux de neurones est proposée par W. James en 1890 [13].

L’idée des réseaux de neurones artificiels fut inventée en 1943 par le neuro-physicien
J. Mc Culloch, et le mathématicien W. Pitt. Ils sont présentée une modélisation du neurone
biologique [14].

En 1957, F. Rosenblatt développe le modèle du Perceptron. Il construit le plus ancien

algorithme d’apprentissage automatique. C’est cet algorithme qui permettra plus tard aux
machines d’apprendre à reconnaître des objets sur des images.

Malheureusement, à l’époque, les réseaux de neurones étaient limités par les

ressources techniques. Par exemple, les ordinateurs n’étaient pas assez puissants pour traiter
les données nécessaires au fonctionnement des réseaux de neurones. C’est la raison pour
laquelle la recherche dans le domaine des Réseau de Neurone est restée en sommeil durant de
longues années.

En 1985, un algorithme d’apprentissage adapté aux réseaux de neurones Perceptrons

multicouches apparaît (algorithme de rétro propagation de gradient). Depuis ce temps, le
domaine des réseaux de neurones fourni constamment de nouvelles théories, de nouvelles
structures et de nouveaux algorithmes [15].

II.3 Le réseau de neurones artificiel et le Neurone artificiel

II.3.1 Définition du le réseau de neurones

Un réseau de neurones (RN) est un système de manipulateurs non linéaires

interconnectés, recevant des signaux de l'extérieur par ses entrées, et délivrant des signaux de
43
Chapitre II : Réseaux de neurones artificiels

sortie. Il comporte plusieurs éléments de traitement appelé neurone. L’ensemble des neurones
est un système parallèle fortement interconnecté dont chaque neurone fonctionne
indépendamment des autres [16].

II.3.2 Définition d’un neurone artificiel

Le neurone artificiel est un processeur élémentaire. Il reçoit un nombre variable

d'entrées en provenance de neurones amont. A chacune de ces entrées est associé un poids w
(weight en anglais), représentatif de la force de la connexion. Chaque processeur élémentaire
est doté d'une sortie unique, qui se ramifie ensuite pour alimenter un nombre variable de
neurones aval. A chaque connexion est associé un poids [16].

La figure II.1 montre un schéma comportant la structure générale d'un neurone

artificiel

Figure II.1: Neurone artificiel

x1, x2, ..., xn ; sont les entrées externes. y est la sortie. w1, w2, ..., wn sont les poids
associés à chaque connexion. X est le vecteur d'entrée, W' est le vecteur poids, θ est appelé le
biais [16].

II.3.3 Fonctions d’activations

Les fonctions d'activation ou fonction de transfert, sont utilisées pour mapper les
nœuds d'entrée vers les nœuds de sortie d'une certaine manière. Elles produisent une non-
linéarité à la sortie d'une couche de réseau. Certaines fonctions couramment utilisées et leurs
courbes sont données ci-dessous [17] :

44
Chapitre II : Réseaux de neurones artificiels

Figure II.2 : Fonctions d’activation et leurs courbes

II.3.4 Propriétés des réseaux de neurones

II.3.4.1 Les réseaux de neurones sont des approximateurs universels

Cette propriété est expliquée comme suit: Un réseau de neurones est capable d'imiter
n'importe quelle fonction, après ajustement de ses paramètres par apprentissage ; la propriété
d'« approximation » est la traduction mathématique de cette capacité d'imitation [18,19].

II.3.4.2 Parcimonie

L'approximation la plus parcimonieuse c’est l'approximation la plus satisfaisante

possible et qui est obtenue avec un nombre minimum de paramètres. Un RN a besoin de
moins de Paramètres ajustables que les méthodes de régression classiques [20, 21].

45
Chapitre II : Réseaux de neurones artificiels

II.3.5 Fonctionnement

Un réseau neuronal contient un grand nombre de processeurs fonctionne en parallèle

et en couches successives. La première couche (entrée) reçoit les données brutes ensuite
chaque couche successive reçoit les données de la couche précédente. La dernière couche
produit la sortie (résultat).

Chaque nœud traite les données avec des règles programmées à l'origine ou définies
par lui-même. Les couches sont interconnectées : chaque nœud d'une couche est connecté à de
nombreux nœuds de la couche précédente (ses entrées) et de la couche suivante. Il peut y
avoir un ou plusieurs nœuds dans la couche de sortie dont dérive la réponse du réseau [22].

Les réseaux neuronaux ont la capacité d'adaptation : ils se modifient eux-mêmes en

fonction de l’apprentissage initial et les exécutions suivantes.

II.3.6 Architectures de réseaux de neurones

L’architecture de réseau de neurones est le nombre de couches et de nœuds, la façon

dont sont interconnectés les différents nœuds (choix des fonctions de transfert) et le
mécanisme d’ajustement des poids. Le choix de cette architecture est un point délicat dans la
construction d’un réseau de neurones

La plus simple architecture est composée de deux couches : une couche d’entrée et
une couche de sortie (voir figure II.3). Les nœuds de sortie ont en entrée tous les nœuds de la
couche d’entrée, avec une fonction de combinaison et une fonction de transfert.

Figure II.3 : Réseau de neurones sans couche cachée

46
Chapitre II : Réseaux de neurones artificiels

On peut améliorer le pouvoir de prédiction en ajoutant une ou plusieurs couches

cachées entre les couches d’entrée et de sortie et en utilisant plusieurs neurones dans la/les
couches cachées mais la topologie du réseau devienne plus complexe (figure II.4).

Figure II.4 : Réseau de neurones avec couche cachée.

La couche de sortie du réseau peut parfois avoir plusieurs nœuds selon le nombre de
classes à prédire.

II.3.7 Apprentissage des réseaux de neurones

L'apprentissage est un processus d’adaptation des paramètres du réseau pour délivrer

une sortie désirée. La phase d'apprentissage est une propriété très importante dans la
construction des réseaux de neurones. Dans cette phase les poids des connexions sont ajustés
jusqu'à l'obtention de la réponse désirée [22].

II.4 Types des réseaux de neurones

II.4.1 Le perceptron monocouche (Perceptron simple)

Il est composé d'une couche d'entrée et d'une couche de sortie (c’est un réseau de
neurones très simple). Le perceptron monocouche peut être utilisé pour la classification
(lorsque les données sont linéairement séparable) et pour résoudre des opérations logiques
simples. L’apprentissage dans ce type est généralement supervisé [23].

47
Chapitre II : Réseaux de neurones artificiels

II.4.2 Le perceptron multicouches (ou réseau Multi Couche PMC)

Le vecteur d'entrée est reçu par les neurones de la première couche. Ces derniers
calculent leurs sorties qui sont transmises aux neurones de la seconde couche qui calculent
eux même leurs sorties et ainsi de suite de couche en couche jusqu'à celle de sortie. Chaque
Neurone dans une couche est connecté à tous les neurones de la couche précédente et de la
couche suivante, mais pas les neurones de la même couche. Ce type est utilisé pour résoudre
des problèmes non linéairement séparables. Il emploi un apprentissage supervisé avec retro
propagation de l'erreur [23].

Avec

Y=g [Z [F (w x+𝑤0 )] +𝑧0 ] (II.1)

Fet g les fonctions de transfert, des couches cachées et de sorties respectivement,

Y : sortie du réseau,

X : vecteur des entrées.

W : matrice des poids de connexions liant la Couche d’entrée à la couche cachée.

W0 : vecteur des biais des cellules de la couche Cachée.

Z : matrice des poids des connexions liant la couche cachée à la couche de sortie.

Z0 : vecteur des biais des cellules de la couche de sortie.

Figure II.5 : Perceptron Multi Couche

48
Chapitre II : Réseaux de neurones artificiels

II.4.3 Réseau de neurones à fonctions de base radiale (RBF)

Les réseaux de type RBF sont des réseaux à trois couches. son principe est
d'approximer un comportement désiré par une collection de fonctions noyau (Fonction de
transfert de base radiale : fonction gaussienne). L'architecture du réseau RBF est présentée
dans la figure II.6. Elle est la même que pour le réseau PMC cependant, les fonctions de base
utilisées ici sont des fonctions Gaussiennes [22].

Un RBF est constitué uniquement de 3 couches [22] :

➢ La couche d’entrée : L'ensemble du vecteur d'entrée (à n dimensions) est présenté

à chacun des neurones d’entrée.
➢ La couche cachée du réseau RBF : Chaque neurone RBF stocke un vecteur de
l'ensemble d'apprentissage (prototype). Chaque neurone dans la couche cachée
mesure la similitude entre le vecteur d'entrée et son prototype et engendre une
valeur entre 0 et 1. Les vecteurs d'entrée qui sont plus similaires au prototype
renvoient un résultat plus proche de 1. Il existe différents choix possibles de
fonctions de similitude, mais le plus populaire est basé sur le gaussien.
➢ La sortie du réseau est une combinaison linéaire des sorties des neurones RBF
multipliés par le poids de leur connexion respective.

Chaque couche est connectée à la suivante.

Figure II.6 : Structure du réseau RBF

49
Chapitre II : Réseaux de neurones artificiels

II.4.3.1 Fonction de transfère

La fonction de base radiale (RBF) est une fonction ∅ symétrique aux centre 𝜇𝑗 :

∅𝑗 (𝑥) = ∅(‖𝑥 − 𝜇𝑗 ‖) (II.2)

Avec ‖. ‖ est une norme

La fonction gaussienne est une RBF avec la norme euclidienne :

2 /2𝜎 2
∅(𝑟) = 𝑒 −𝑟 (II.3)

Un réseau RBF calcule une combinaison linière de la fonction radial :

𝑦(𝑥) = ∑𝑁
𝑗=1 𝑤𝑗 ∅(‖𝑥 − μ𝑗 ‖, 𝜎𝑗 ) (II.4)

Donc on distingue trois paramètres principaux sont

➢ Les centres 𝜇𝑗
➢ La largeur 𝜎𝑗
➢ Les poids 𝜔𝑗

Les combinaisons linéaires de gaussiennes sont utilisées pour construire des

approximations de fonctions.

L’apprentissage de modèle RBF est supervisé donc il faut disposer d’un échantillon de
𝑙 exemple (𝑥𝑖 ,𝑦𝑖 ) [24, 25].

Les RBF sont utilisé pour résoudre des taches de :

- Discrimination avec,𝑦𝑖 𝜖{−1,1}𝑐

- Régression ou prévision de signal (monovarité 𝑦𝑖 𝜖ℝ𝑐 , multivarité ,𝑦𝑖 ∈ ℝ𝑐 )

II.4.3.2 Apprentissage de modèles RBF

L’apprentissage du réseau RBF est divisé en deux parties ; une est non supervisé et
partie l’autre partie est supervisé.

Il consiste à régler quatre paramètres principaux [26, 27] :

• Le nombre de neurones dans l’unique couche cachée (nombre des gaussiennes).

• La position des centres de ces gaussiennes 𝜇.
• La largeur de ces gaussiennes 𝜎 (spread dans notre cas).
50
Chapitre II : Réseaux de neurones artificiels

• Les poids de connexions entre les neurones cachés𝜔.

1. Le nombre de neurones dans la couche caché est déterminé expérimentalement en
utilisant des techniques de validation croisé.
2. Calcule des poids

Les poids 𝜔 optimaux se calculent comme suit [26,27]:

On cherche la solution 𝜔 qui minimise la déférence 𝑒 entre la sortie estimée et la

sortie désirée donc on une équation linéaire :

𝑦 = 𝐻𝜔 + 𝑒 (II.5)

Où

𝐻 : est une matrice de [L, N] donne les réponses des N centre RBF sur le 𝑙 exemple.

𝑦 : est un vecteur regroupe les sortie 𝑦𝑖 sur l’ensemble d’apprentissage et 𝑒 est le

vecteur d’erreur (critère à optimiser)

3. Estimation non supervisée des centres

Dans cette approche les valeurs cibles 𝑦𝑖 ne sont pas utilisées dans l’estimation des
centres 𝜇𝑗 . La position des noyaux gaussiens est choisie en fonction de la distribution de
données dans l’espace. Aux endroits où il y a peu de données nous mettrons peu de noyaux et
inversement, là où il y a beaucoup de points, nous mettrons beaucoup de noyaux (technique
de quantification vectorielle) [28,30].

4. Estimation supervisée des largeurs

La largeur des fonctions gaussiennes est déterminée en utilisant une technique de

validation croisée. La largeur qui donne un modèle avec la plus petite erreur de validation est
sélectionnée [28,30].

II.5 Conclusion

Dans ce chapitre nous sommes concentrés principalement sur les techniques de

l'intelligence artificielle nous avons vu un aperçu générale sur les Réseaux de Neurones. Ce
chapitre est un résumé de l'ensemble de la théorie nécessaire à la réalisation de cette
recherche. Nous avons présenté les types de réseaux de neurone à savoir ; le perceptron
multicouche est le réseau à fonction radiale de base (RBF). Plus de détails sont donnés pour le

51
Chapitre II : Réseaux de neurones artificiels

réseau RBF comme c’est le type de réseaux de neurones que nous allons utiliser dans ce
mémoire.

52
 Chapitre III :
Modélisation d’un
capteur de pression
par Réseaux
neurones
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

III.1 Introduction
Dans ce chapitre, nous nous intéressons à la modélisation du comportement
d'un capteur de pression en utilisant les méthodes de l'intelligence artificielle à savoir;
les réseaux de neurones (Réseaux à Fonction Radiale de Base (Radial Basis Functions
RBF). Plusieurs applications impliquent l’utilisation des capteurs de pression comme
les chaînes de mesure et de contrôle. Cependant, la variation de température peut
fortement affecter la sensibilité du capteur de pression, entraînant une réponse non
linéaire de la pression appliquée. Afin d'éliminer l'effet de température et d'améliorer
la sensibilité du capteur de pression, nous proposons d’exploiter la capacité des
méthodes d'Intelligence Artificielle pour fournir un auto-étalonnage et une
compensation en incorporant un élément de correction. L'objectif est de crée un
capteur de pression intelligent pour estimer avec précision la pression dans une plage
de température de 25 °C à 250 °C.

Ce chapitre est divisé en deux parties :

 Modélisation du comportement du capteur de pression par le réseau RBF

 Modèle de correction
III.2 Modélisation du comportement du capteur de pression par le réseau RBF

Figure III.1: Schéma du modèle RBF proposé

Le schéma général du modèle RBF proposé est montré dans la (figure III.1)
les données d'entrée sont d'abord collectées à l'aide des résultats expérimentaux [12]
(voire figure III.2). L'ensemble de données est arrangé comme (P, T, V), où P est la
pression appliquée au capteur, T est la température de l'environnement et V est la
réponse du capteur (tension). Après cela, nous divisons l'ensemble de données au
hasard en trois sous-ensembles, ensemble d'apprentissage, ensemble de validation et
ensemble de test. L'ensemble de test est utilisé seulement pour l'évaluation du modèle

53
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

choisi par la technique de validation croisée, tandis que l'ensemble de validation est
utilisé pour régler les paramètres du RBF. Par conséquent, l'algorithme a seulement
accès données d'apprentissage et de validation, l'ensemble de test est maintenue
invisible. La précision est obtenu en appliquant le modèle RBF sélectionné sur les
données de test.

III.2.1-Préparation de la base de données

Figure III.2 illustre la tension de sortie du capteur de pression. La tension de

sortie est mesurée tout en variant la pression de 0 à 2kg/cm2 pour des températures
fixes : 25, 100,150, 200, et 250°C.

Figue III.2 : Résultats de mesure du capteur de pression pour différentes valeurs de

température (Figure prise de [12])

Dans ce travail nous avons utilisé le logiciel Graph Data Extractor pour
extraire des données de cette figure.

III.2.1.1 Graph Data Extractor (GDE)

L’extracteur de données graphique (Graph Data Extractor : GDE) est un outil

(open source) d’extraction de données numériques a partir d’une présentation
graphique.

54
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

Figure III.3 : Image graphique du GDE

D’abord il faut obtenir un fichier image contenant les données à extraire, par
exemple : numérisation d’une version imprimée d’un papier, ou a partir d’un fichier
PDF. Une fois que nous avons préparé notre image, on l’ouvre avec le GDE (voire
figure III.3). Maintenant il faut indiquer au GDE le type de l’échelle utilisé (X axis
Mappig et Y axis Mappig). Ensuite le GDE a besoin d’une valeur maximale et
minimale pour chaque axe. Pour extraire les données nous choisissons un point puis
clique droite sur le point et clique sur export point et ainsi de suite pour les autres
points. Une fois terminer, on clique sur Save data pour enregistre la base de données.

55
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

Capteur de Pression
60

25°C
100°C
50
150°C
200°C
Sortie de Voltage

40 250°C
(mV)

30

20

10

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Pression
2
(kgf/cm )

Figure III.4 : Base de données collectée en utilisant le GDE

Figure III.4 illustre la base de données collectée en utilisant le logiciel Graph

Data Extractor. Il est à remarquer que la taille base de données est de 11 points pour
chaque température. Cette base de données est trop petite pour être utilisé comme
entrées pour les réseaux de neurones. En utilisant la commande interp dans Matlab, on
peut augmenter le nombre de points de cette base de données. La commande interp
réalise une interpolation entre les points de la base de données. Dans notre cas nous
avons ajouté 20 points entre chaque deux point successif. La nouvelle taille de notre
base de données est de 1100 points pour chaque température.

III.2.2 Sélection de modèle (Validation croisée)

La validation croisée (cross validation) est une technique de sélection de

modèle dans laquelle plusieurs modèles avec différentes architectures sont construits
sur des sous-ensembles disjoints des données disponibles. La performance de chacun
des modèles est alors estimée sur la partie des données qui n'a pas été utilisée lors de
sa construction. Ces résultats sont ensuite utilisé afin de sélectionner le meilleur

56
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

modèle (paramètres optimaux) qui serrons combinés pour donner une estimation du
pouvoir de généralisation de l'architecture testée (figure III.5).

L'idée est de diviser de manière aléatoire la base de données en trois

ensembles: ensemble d'apprentissage, ensemble de validation et ensemble de test.
L'ensemble de test est utilisé uniquement pour l'évaluation du modèle sélectionné par
la technique de validation croisée, tandis que le l'ensemble de validation est utilisé
pour sélectionné les paramètres du modèle RBF.

Les nœuds d'entrée dans la couche d'entrée sont égaux à la dimension du

vecteur d'entrée. Le nombre optimal de neurones dans la couche cachée ainsi que la
largeur du gaussien RBF (spread) sont déterminés expérimentalement à l'aide d'une
technique de validation croisée. Dans cette technique plusieurs modèles de
classification sont construits en utilisant l’ensemble d’apprentissage. La performance
de chacun des modèles est alors estimée sur la partie des données qui n'a pas été
utilisée lors de sa construction (ensemble de validation). Le modèle qui donne la
meilleure précision (minimum de l’erreur) est sélectionné comme le meilleur modèle.
Une fois les paramètres optimaux fixés, l'ensemble de test est utilisé pour estimer le
modèle sélectionné.

Figure III.5 : Paramètres optimaux utilisant la stratégie de validation croisée

57
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

III.2.3 Erreur quadratique moyenne

Pour mesurer l'écart entre les sorties désirées du capteur et les sorties du
réseau observées, nous avons utilisé la fonction d’erreur quadratique moyenne (Mean
Squart Error) donnée par :
n
1
MSE = ∑|yi − ỹi | (III. 1)
n
i=1

Où

yi : Les sorties désirées

ỹi : Les sorties du réseau observées

n : nombre d’échantillons.
III.3 Résultats

Afin de d’extraire le modèle désiré nous avons procédé comme suit :

 Pour Spread =2i avec i vari de -5 à 9
 Pour nombre de neurone varie de 2 à 25.
Calculer et sauvegarder l’erreur MSE en en utilisant la base
de validation et en fonction de spread et nbr de neurones.
 Fin pour
 Fin pour
Trouver la valeur minimale du vecteur de l’erreur de validation
Trouver la valeur de Spread et nbr de neurones qui correspond au min
du l’erreur de validation.
Spread : largeur de la gaussienne.

La figure suivante représente la courbe de la validation croisée. Pour chaque

valeur de nombre de neurone et de spread on calcul l’erreur MSE en utilisant
l’ensemble de validation. La valeur minimale de l’erreur de validation est trouvée
dans l’itération numéro 262 (correspond au meilleur modèle). Et comme le vecteur de
nombre de neurone et le vecteur de spread sont sauvegardés de la même façon, donc
l’itération 262 dans le vecteur de nombre de neurone et dans le vecteur de spread
correspond au paramètre optimal. Ces paramètres sont utilisés pour calculer l’erreur
de test.

58
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

90

80

70

60
Erreur MSE

50

40

30

20

10 X: 262
Y: 0.002947
0
0 50 100 150 200 250 300 350
Itération

Figure III.6: Erreur de validation

On présente au meilleur modèle obtenu dans la section précédente un

ensemble de test qui est différent de celui d’apprentissage est de validation
(l’ensemble du test ne contribue pas dans la validation croisée).

Le tableau III.1 montre les paramètres optimisés de modèle RBF réseaux de

neurones où MSE-Test est l'erreur quadratique moyenne de l'ensemble de test estimée
selon le modèle RBF sélectionné.

Tableau III.1 : Paramètres optimisés du réseau RBF

Base de l'apprentissage 660

Base de données Base de test 220
Base de validation 220
Couches d'entrée 2
Nombre de neurones Couches caché 19
Couche de sortie 1
Largeur de la gaussienne RBF 2
Entrées P (kgf/cm2) T (°C)

59
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

Min 0 25
Max 2 250
V(mV)
Sorties Min 0
Max 60
L'erreur de validation 0.0029
L'erreur de test 0.0027

La comparaison entre l'ensemble de données expérimentale et celui obtenu

après l'apprentissage indique que notre modèle exprime la tension (sortie du capteur)
avec une erreur quadratique moyenne de 0.0027 (figure III.7).

60
Sortie test Expérimentales (Désirée)
55 Sortie du Modèle RBF (Estimée )

50

45

40
Tension

35
(mV)

30

25

20

15

10

5
0 50 100 150 200
Ensemble de test
Figure III.7 : Données de test expérimentales et celles obtenue en utilisant lu modèle
RBF proposé

La comparaison entre l'ensemble de données expérimentales et celui obtenu

après l'apprentissage indique que notre modèle exprime exactement la variation de la
réponse du capteur de pression. La figure suivante représente la performance du
modèle obtenu à des températures fixes : 25, 100,150, 200, et 250°C.

60
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

Capteur de Pression
60 Expérimental 25°C
Expérimental 100°C
Expérimental 150°C
50 Expérimental 200°C
Expérimental 250°C
Modèle RBF 25°C
Modèle RBF 100°C
Sortie de Voltage 40
Modèle RBF 150°C
Modèle RBF 200°C
Modèle RBF 250°C
(mV)

30

20

10

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Pression
2
(kgf/cm )

Figure III.8 : Modélisation du comportement du capteur de pression par RBF à des

températures fixes: 25, 100,150, 200, et 250°C

La figue III.9 montre la tension (V) délivrée à la sortie du capteur de pression,

ces simulations ont été effectuées pour des pressions fixes à 0,0.6, 1, 1.2, 1.6, ou 2
kgf/cm2 lorsque la température varie dans une plage de 25 à 250 ° C.

Ces simulations montrent que la température affecte fortement la sensibilité

du capteur de pression qui conduit à une réponse non linéaire de la pression appliqué.

61
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

Pression=0 [kgf/cm2] Pression=0.6 [kgf/cm2]

22 30
Sortie capteur
20 28
Sortie capteur (Tension) [mV]

Sortie capteur (Tension) [mV]

18 26

16 24

14 22

12 20

10 18

8 16
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1 [kgf/cm2] Pression=1.2 [kgf/cm2]
36 40

34 38
Sortie capteur (Tension) [mV]

Sortie capteur (Tension) [mV]

32 36

30 34

28 32

26 30

24 28

22 26

20 24
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1.6 [kgf/cm2] Pression=2 [kgf/cm2]
44 50

42 48
Sortie capteur (Tension) [mV]

Sortie capteur (Tension) [mV]

40 46

38 44

36 42

34 40

32 38

30 36

28 34
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Figure III.9 : Effet de la température sur la réponse du capteur pour des pressions
fixes à 0, 0.6, 1, 1.2, 1.6, ou 2 kgf/cm2

62
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

III.4 Modèle de correction

Nous avons proposé un élément de correction pour corriger la réponse non-
linéaire et éliminer l'effet de température. La figure suivante montre le diagramme de
bloc général du capteur de pression intelligent proposé.

Figure III.10 : Schéma bloc du capteur de pression intelligent proposé.

Le modèle de correction peut être utilisé en cascade avec le capteur de

pression pour compenser les effets négatifs sur la sortie du capteur en raison de la
réponse non linéaires et les variations avec la température.

Le correcteur est le même capteur de pression c'est-à-dire c’est le modèle RBF

proposé branché en cascade tel que les entrées du correcteur sont :

1-la tension (la sortie du capteur de pression « dans notre cas c’est la sortie du réseau
RBF »)

2-la température

63
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

Pression=0 [kgf/cm2] Pression=0.6 [kgf/cm2]

25 30
Sortie capteur Sortie capteur
Sortie capteur (Tension) [mV]

Sortie capteur (Tension) [mV]

Sortie correcteur Sortie correcteur
20

25
15

10
20

0 15
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1 [kgf/cm2] Pression=1.2 [kgf/cm2]
36 40
Sortie capteur Sortie capteur
34 38
Sortie capteur (Tension) [mV]

Sortie capteur (Tension) [mV]

Sortie correcteur Sortie correcteur

32 36

30 34

28 32

26 30

24 28

22 26

20 24
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1.6 [kgf/cm2] Pression=2 [kgf/cm2]
44 50
Sortie capteur Sortie capteur
42 48
Sortie capteur (Tension) [mV]

Sortie capteur (Tension) [mV]

Sortie correcteur Sortie correcteur

40 46

38 44

36 42

34 40

32 38

30 36

28 34
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Figure III.11 : Effet du correcteur sur la réponse du capteur pour des pressions fixes à

64
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones

0, 0.6, 1, 1.2, 1.6, et 2 kgf/cm2

Figue III.11 montre la tension délivrée à la sortie du capteur (V) et la tension

délivrée à la sortie de capteur intelligent (sortie correcteur). Les simulations ont été
réalisées pour des pressions fixes à 0,0.6, 1, 1.2, 1.6, ou 2 kgf/cm2 lorsque la
température varie dans une plage de 25 à 250 ° C.

Les résultats montrent que notre capteur intelligent proposée élimine l'effet de
la température par rapport à la réponse du capteur où la température affecte fortement
la sensibilité du capteur de pression qui conduit à une réponse non linéaire de la
pression appliquée. Ceci peut être expliqué par le fait que l'incorporation d'un élément
de correction permet de corriger la réponse non linéaire et d'éliminer l'effet de la
température et de fournir une lecture précise de la pression appliquée.

III.5 Conclusion :
Dans ce chapitre, nous proposons un capteur intelligent qui intègre
l'intelligence artificielle dans le capteur de pression.

A partir de (la figue III.10), il est à noter que la variation de température

affecte la sensibilité du capteur de pression. Afin d'éliminer l'effet de la température,
nous exploitons la capacité des réseaux de neurones (RBF) pour fournir une
compensation et un auto-étalonnage en intégrant un élément de correction.

Les résultats des simulations montrent que le capteur intelligent proposé

fonctionne d'une manière satisfaisante indépendamment de tout changement de
température. Le modèle proposé consiste essentiellement de deux RBFs. Le premier
RBF est utilisé pour fournir les caractéristiques de réponse estimées et sa dépendance
de la température, le deuxième RBF (CORRECTEUR) fournit une lecture précise de
la pression et compense l'effet de la température dans la réponse du capteur. Ainsi, le
modèle proposé peut estimer de manière précise la pression dans une plage de
température de 25 °C à 250 ° C.

65
Conclusion
Générale
Conclusion Générale

Conclusion générale

Dans les systèmes modernes sophistiqués et complexes tels que le contrôle de

processus, la robotique, la biomédecine,..etc, les capteurs de pression ont été très
largement utilisés. Ces capteurs sont utilisées habituellement dans des environnements
difficiles (hautes : température, humidité…etc). Les capteurs fonctionnant dans ces
environnements doivent être capables de fournir une lecture précise et une auto
compensation de l'influence non linéaire des paramètres environnementaux sur leurs
caractéristiques de réponse.

Dans ce mémoire, nous avons proposé une nouvelle technique basée sur les
réseaux de neurones artificiel pour modéliser le comportement d’un capteur de
pression fonctionnant dans un environnement difficile dans lequel la température peut
varier de 25 à 250 ° C.

Notre travail est divisé en trois grandes parties : La première partis est consacrée
à l'extraction des données (extraction de la réponse expérimentale du capteur de
pression) à partir d’une image ou un fichier PDF. L'extraction des données est une
tâche essentielle dans la recherche. Habituellement, les chercheurs fournissent leurs
données dans leurs publications ou dans le supplément correspondant. Cependant,
certains articles présentent simplement les graphiques sans aucune donnée connexe.
Dans ce cas, l'extraction de données à partir de graphiques est un défi majeur.
Certaines personnes utilisent une approche manuelle. Cependant, cette méthode prend
du temps lorsque nous traitons une grande quantité de données. Dans ce travail nous
avons utiliser le logiciel Graph Data Extractor pour extraire des données de
graphiques. Ces données expérimentales sont utilisées par la suite pour la construction
de notre capteur de pression intelligent.

La deuxième partie consiste au développement d’un modèle à base de réseau de

neurones à fonction radiale de base (RBF) pour modéliser le comportement du capteur
de pression. La comparaison entre les données expérimentale et celles obtenues après
l'apprentissage indique que notre modèle exprime le comportement du capteur de
pression avec une grande précision. A partir de ce modèle, on a remarqué que la
variation de température peut fortement affecter la sensibilité du capteur de pression,
entraînant une réponse non linéaire de la pression appliquée.

66
Conclusion Générale

La troisième partie est consacrée au développement d’un autre modèle

(Correcteur) à base des réseaux de neurones RBF. Le but assigné à ce composant est
la correction du signal de sortie du capteur. Le correcteur fournit une lecture précise
de la pression et compense l'effet de la température dans la réponse du capteur. Ainsi,
le modèle proposé peut estimer de manière précise la pression dans une plage de
température de 25 °C à 250 ° C.

Comme perspectives de ce travail, autre méthodes de l’intelligence artificielle

peuvent être envisagées. Les méthodes et les techniques développées au cours de
notre mémoire peuvent être étendues à d’autre type de capteur afin d’améliorer leur
performances et obtenir des réponses précises sur les grandeurs physiques mesurées.

67
 Références
bibliographiques
Références bibliographiques

Références bibliographiques :

[1] HOARAU Philippe. ‘’Capteurs’’ [PDF]. 29/08/2011.

http://sitelyceejdarc.org/autodoc/cours/Ressources/Sciences%20et%20techni
que/060%20Systeme/Capteurs.pdf).

[2] LEVAL, Julien. Etude et développement des capteurs holographiques

numériques pour l'analyse des vibrations. 2006. Thèse de doctorat. Le Mans.

[3] LEFEBVRE, Arnaud, FEUILLEBOIS, C., SIMEU, Emmanuel, et al..

Procédé de détection de défaillance d'un capteur analogique et dispositif de
détection pour mettre en œuvre le dit procédé. France, N° de brevet:
08/03.420. 2008.

[4] ASCH, Georges et POUSSERY, Bernard. Les capteurs en instrumentation

industrielle-8e édition. Technique et ingénierie, Dunod. P.944. 2017.

[5] SAIDI, Mohammed Amir et TALEB BENDIAB, Mohammed El Amine.

Réalisation pratique d’un thermomètre électronique. 2015. Thèse de doctorat.
Université de Tlemcen.

[6] YAMINA, Bennour. Réalisation d'une station de caractérisation de capteurs

de pression. 2016. Thèse de doctorat. Université Mouloud Mammeri.

[7] SAOUCHA, Sami Laid. Cristaux photoniques pour la réalisation de capteur

de basse pression. 2018. Thèse de doctorat. Université Mohamed Boudiaf-
M’sila.

[8] SEYFEDDINE, LAGUEAGUE et ELHADJ TAIEB, OUALI. Détection des

fuites dans les réseaux de distribution d'eau. 2019. Thèse de doctorat.
Université Mohamed Boudiaf-M’sila.

[9] BABACI, SOFIAN et BERROUA BENZINA, MOHAMMED. Etude et

réalisation d’un capteur de pression différentielle a inductance variable.
2012. Thèse de doctorat.

[10] GABMANN, Eugen et GRIES, Anna. Electronic Pressure Measurement.

Verlag Moderne Industrie, P.74. 2010.

68
Références bibliographiques

[11] CHAABI, A., et al. Contribution à l'identification des paramètres de non

idéalité dans des capteurs de pression piézorésistifs au silicium. thèse de
doctorat. Université Mentouri Constantine. 2008.

[12] CHUNG, G. S. Micromachined chromium nitride thin‐film pressure sensor

for high temperature applications. Electronics Letters, 2006, vol. 42, no 13,
p. 754-755.

[13] JAMES, William. Psychology (Briefer Course), Chapter XVI," Association.

New york Holt, 1890, p. 253-279..

[14] MCCULLOCH, Warren S. et PITTS, Walter. A logical calculus of the ideas

immanent in nervous activity. The bulletin of mathematical biophysics, 1943,
vol. 5, no 4, p. 115-133..

[15] MOAYEDI, Hossein, MOSALLANEZHAD, Mansour, RASHID, Ahmad

Safuan A., et al. A systematic review and meta-analysis of artificial neural
network application in geotechnical engineering: theory and applications.
Neural Computing and Applications, 2020, p. 1-24.

[16] LACHHWANI, Kailash. Application of neural network models for

mathematical programming problems: a state of art review. Archives of
ComputationalMethods in Engineering, 2020, vol. 27, no 1, p. 171-182.

[17] ERTUĞRUL, ÖmerFaruk. A novel type of activation function in artificial

neural networks: Trained activation function. Neural Networks, 2018, vol.
99, p. 148-157.

[18] LOTFI, Ehsan et REZAEE, Abbas Ali. A competitive functional link

artificial neural network as a universal approximator. Soft Computing, 2018,
vol. 22, no 14, p. 4613-4625.

[19] BOGOSLOVSKII, Ivan A., ERMOLENKO, Daniil V., STEPANOV,

Andrey B., et al. Implementation of Universal Neural Network Approximator
on a ULP Microcontroller for Wavelet Synthesis in Electroencephalography.
In : 2019 IEEE Conference of Russian Young Researchers in Electrical and
Electronic Engineering (EIConRus). IEEE, 2019. p. 1146-1151.

69
Références bibliographiques

[20] GUÉRILLOT, D. R., BRUYELLE, J., et al. Uncertainty assessment in

production forecast with an optimal artificial neural network. In : SPE
Middle East oil & gas show and conference. Society of Petroleum Engineers,
2017.

[21] GAO, Meng, YIN, Liting, et NING, Jicai. Artificial neural network model
for ozone concentration estimation and Monte Carlo analysis. Atmospheric
Environment, 2018, vol. 184, p. 129-139.

[22] DA SILVA, Ivan Nunes, SPATTI, Danilo Hernane, FLAUZINO, Rogerio

Andrade, et al. Artificial neural network architectures and training processes.
In : Artificial neural networks. Springer, Cham, 2017. p. 21-28.

[23] JOSHI, Ameet V. Perceptron and Neural Networks. In : Machine Learning

and Artificial Intelligence. Springer, Cham, 2020. p. 43-51..

[24] TOUNSI, Farouk. Optimisation d’entrainement des réseaux de neurones

RBF par la métaheuristique ACO. 2017.

[25] BOUZELIFA, Rafik, ROUIMEL, Seyfeddine, et BOUATMANE,

Sabrina Encadreur. Reconnaissance des images avec les réseaux de
neurones artificiels. 2019. Thèse de doctorat. Université de Jijel.

[26] AYALA, Helon Vicente Hultmann, HABINEZA, Didace,

RAKOTONDRABE, Micky, et al. Nonlinear black-box system identification
through coevolutionary algorithms and radial basis function artificial neural
networks. Applied Soft Computing, 2020, vol. 87, p. 105990.

[27] ALJARAH, Ibrahim, FARIS, Hossam, MIRJALILI, Seyedali, et al. Training

radial basis function networks using biogeography-based optimizer. Neural
Computing and Applications, 2018, vol. 29, no 7, p. 529-553.

[28] SCHWENKER, Friedhelm, KESTLER, Hans A., et PALM, Günther.

Unsupervised and supervised learning in radial-basis-function networks. In:
Self-Organizing neural networks. Physica, Heidelberg, 2002. p. 217-243

[29] LIM, EngAik, TAN, Wei Hong, et JUNOH, Ahmad Kadri. An improved
radial basis function networks based on quantum evolutionary algorithm for
training nonlinear datasets. IAES International Journal of Artificial
Intelligence, 2019, vol. 8, no 2, p. 120.

70
Références bibliographiques

[30] CHOUHAN, Siddharth Singh, KAUL, Ajay, SINGH, UdayPratap, et al.

Bacterial foraging optimization based radial basis function neural network
(BRBFNN) for identification and classification of plant leaf diseases: An
automatic approach towards plant pathology. IEEE Access, 2018, vol. 6, p.
8852-8863.

71