Version PDF

UNIVERSITE KASDI MERBAH OUARGLA
Faculté des Sciences Appliquées

Département de Génie Mécanique
Mémoire
MASTER ACADEMIQUE
Domaine : Sciences et Technologie
Filière : Génie Mécanique
Spécialité : Fabrication Mécanique et Productique
Présenté par: TAMA Chahinez
Thème :
Etude de l’Effet des Paramètres d’Elaboration sur les

Propriétés Mécaniques des Composites Renforcés de
Fibres et de Particules
Soutenue publiquement le ../../2023 devant le jury :
KEMERCHOU Imad M.C.B. Université Kasdi Marbah Ouargla Président

BELLOUFI Abderrahim Professeur Université Kasdi Marbah Ouargla Rapporteur
MEBARKI Abdelyamine M.A.A. Université Kasdi Marbah Ouargla Examinateur
Année universitaire : 2022/2023

Dédicaces
À la mémoire de ma sœur bien-aimée IMANE (‫)رﲪﻚ ﷲ‬
À travers ce mémoire de master, je souhaite rendre hommage à une

personne extraordinaire qui a illuminé ma vie de sa présence. Ta mémoire
restera à jamais gravée dans mon cœur et cet accomplissement académique est
dédié en ton honneur.
Tu étais une source d'inspiration et de motivation pour moi, toujours

prête à me soutenir dans mes projets et à croire en mes capacités. Ta force, ta
bienveillance et ta générosité étaient des qualités qui te rendaient unique.
Ma chère sœur. Ta présence me manque énormément, mais je garde en
moi les souvenirs précieux que nous avons partagés. Je continuerai à avancer
avec toi dans mon cœur, sachant que tu es toujours près de moi, me guidant et
me soutenant.
À toi, ma sœur bien-aimée, je dédie ce mémoire de master.
Avec amour et gratitude,
TAMA CHAHINEZ
Remerciements
Je tiens tout d'abord à exprimer ma profonde gratitude envers toutes les personnes
qui m'ont soutenu tout au long de mon parcours de recherche et de rédaction de ce
mémoire de master.
Je tiens à remercier sincèrement mon directeur de mémoire, BELLOUFI
Abderrahim, pour son soutien constant, ses précieux conseils et son expertise qui ont
grandement contribué à la réussite de ce travail. Sa disponibilité et sa bienveillance ont
été d'une grande aide tout au long de ce processus.
Je tiens également à exprimer ma gratitude envers le corps professoral et les membres du
jury d'évaluation qui ont consacré leur temps et leurs compétences à évaluer ce mémoire.
Je n'oublie pas de remercier ma famille pour leur amour, leur soutien indéfectible et leur
compréhension tout au long de mes études.
Enfin, je voudrais adresser mes remerciements les plus sincères à toutes les
personnes qui ont participé à cette recherche en tant que participants ou en fournissant
des ressources et des données. Leur contribution a été essentielle pour la réalisation de ce
travail.
Merci du fond du cœur.
TAMA CHAHINEZ
Table des Matières
Table des Matières

Table des Matière……………………………………………………………………… i
Liste des Figures …………………………………………………………………........ vii
Liste des Tableaux……………………………………………………………………... x
Nomenclature…………………………………………………………………………... xii
Introduction Générale………………………………………………………………….. 1
Chapitre I
Etude Bibliographique
I.1. Introduction………………………………………………...………………........ 4
I.2. Matériaux composites…………………………………………………………... 4
I.3. Constitution d’un matériau composite……………………………………......... 5
I.3.1 Matrice…………………………………………………………………... 5
I.3.2 Renforts…………………………………………………………………. 5
I.3.3 Charges………………………………………………………………….. 7
I.4. Classification des matériaux composites……………………………………….. 12

I.4.1 Classification basé sur la matrice……………………………………….. 13
I.4.2 Classification basé sur la taille de renfort……………………………….. 13
I.5. Fabrication des composites……………………………………………………… 15

I.5.1 Enroulement filamentaire……………………………………………….. 15
I.5.2 Moulage au contact……………………………………………………… 16
I.5.3 Moulage par projection simultanée……………………………………... 17
I.5.4 Moulage sous vide…………………………………………..................... 18
I.5.5 Moulage par injection basse pression des résines-RTM………................ 19
I.5.6 Moulage par presse à froid "voie humide" basse pression…................... 20
I.5.7 L’infusion de résine sous membrane souple……………………………. 21
I.5.8 Moulage par injection de compound-BMC……………………………... 22
I.6. Les paramètres de fabrication des composites………………….......................... 23
i
Table des Matières
I.6.1 Type des fibres…………………………………………………………... 23

I.6.2 Architecture de renforcement…………………………………………… 25
I.6.3 Coefficient d’orientation des fibres…………………………………….. 26
I.6.4 La fraction volumique…………………………………………………... 28
I.6.5 La fraction massique……………………………………………………. 28
I.7. Propriétés mécaniques des matériaux composites……………………………… 29
I.7.1 Contrainte……………………………………………………………….. 29
I.7.2 Déformation……………………………………………………………... 31
I.7.3 Module d’élasticité……………………………………………………… 32
I.7.4 Le coefficient de Poison ………………………………………………... 32
I.8. Revu de littérature ……………………………………..……………………….. 32
I.9 Conclusion………………………………………………………………………. 37
Chapitre II
Méthodes de modélisation
II.1. Introduction……………………………………………………………………... 39
II.2. Régression linéaire……………………………………………………………… 39
II.2.1 Signification des paramètres de la droite de régression ……………….. 39
II.2.2 Mesure de la qualité d’ajustement d’une régression linéaire ………….. 41
II.2.3 Analyse des résidus d’une régression linéaire …………………………. 42
II.2.4 Régression linéaire polynomiale multiple RLM……………………….. 42
II.3. Régression non linéaire…………………………………………………………. 44
II.3.1 Démarche générale……………………………………………………… 44
II.3.2 Modèles de régression non linéaire ……………………………………. 45
II.3.3 Exemple de régression non linéaire…………………………………….. 47
II.4 Analyse de la variance ANOVA………………………………………………... 48
II.4.1 Type d’analyses statiques ANOVA…………………………………….. 49
II.4.2 Exemple d’ANOVA…………………………………………………….. 49
II.5. Optimisation multi objectif……………………………………………………… 55
ii
Table des Matières
II.5.1 Classification des problèmes d’optimisation …………………………… 55

II.5.2 Optimisation multi objectif……………………………………………… 57
II.5.3 Dominance………………………………………………………………. 57
II.5.4 Intérêt de l’optimisation multi objectif………………………………….. 57
II.5.5 Courbe de Pareto………………………………………………………… 58
II.6. Conclusion………………………………………………………………………. 59
Chapitre III
Résultats et Discussions
III.1. Introduction……………………………………………………………………... 61
III.2. Procédure expérimentale et matériel utilisé ……………………………………. 61
III.2.1 Procédure expérimentales…………………………………………… 61
III.2.2 Matériel utilisé……………………………………………………….. 62
III.3. Données expérimentales………………………………………………………… 62
III.4. Présentation du système de prédiction …………………………………………. 63
III.5. Modélisation par la méthode de la régression linéaire multiple………………... 64
III.6. Analyse de la variance ANOVA………………………………………………... 65
III.7. Présentation des modèles……………………………………………………….. 66
III.8. Analyse des résultats……………………………………………………………. 67
III.9. Validation des modèles…………………………………………………………. 73
III.10. Modélisation non linéaire……………………………………………………….. 74
III.10.1 Modélisation de la contrainte de la résistance à la traction………….. 74
III.10.2 Présentation du modèle de Pukanszky………………………………. 75
III.10.3 Processus d’ajustement de la contrainte de la résistance à la
traction …………………………………………………..………….. 76
III.10.4 Evaluation de l’erreur de précision des modèles calculés…………… 78
III.11. Etude de l’influence des paramètres de fabrication sur les propriétés
mécaniques des composites …………………………………………………….. 81
III.11.1 Effet des paramètres sur la contrainte de la résistance à
iii
Table des Matières
la traction  t ……………………………………………………… 81
III.11.2 Effet des paramètres sur la contrainte de la résistance à la
flexion  f …………………………………………………………. 83
III.11.3 Effet des paramètres sur la résistance aux chocs Rc ………………... 84
III.12. Optimisation des paramètres d’élaboration du composite……………………… 85

III.12.1 Résultats ……………………………………………………………... 87
III.13. Conclusion ……………………………………………………………………… 89
Conclusion générale…………………………………………………………………….. 91
Références Bibliographiques……………………………………………………………. 94
iv
Liste des Figures
Liste des Figures

Chapitre I
Figure I.1 Matériau composite………………………………………………… 5
Figure I.2 Composite à renforts de particules………………………………….. 13
Figure I.3 Composite à renforts de paillètes…………………………………… 14
Figure I.4 Composite à renforts de fibres……………………………………… 14
Figure I.5 Composite stratifié…………………………………………………. 15
Figure I.6 Procédé d’enroulement filamentaire………………………………... 15
Figure I.7 Principe du procédé moulage au contact …………………………... 16
Figure I.8 Principe du procédé moulage par projection simultanée…………… 17
Figure I.9 Principe de procédé moulage par injection basse pression de
résine………………………………………………………………… 19
Figure I.10 Principe du procédé moulage à presse à froid……………………….. 21
Figure I.11 Principe du procédé d’infusion de résine sous membrane
souple………………………………………………………………… 22
Figure I.12 Armure taffetas……………………………………………………… 24
Figure I.13 Armure serge de forme 2/2…………………………………………. 24
Figure I.14 Armure satin………………………………………………………... 25
Figure I.15 Orientation des fibres unidirectionnelle……………………………... 26
Figure I.16 Orientation multidirectionnelle aléatoire……………………………. 26
Figure I.17 Orientation des fibres bidirectionnelles……………………………… 27
Figure I.18 Courbe contrainte-déformation……………………………………… 30
Figure I.19 Principe de cisaillement…………………………………………….... 30
Figure I.20 Principe de torsion…………………………………………………… 31
Chapitre II
vii
Liste des Figures
Figure II.1 Exemple régression linéaire simple………………………………….. 39
Figure II.2 Résidus d’une régression linéaire……………………………………. 42
Figure II.3 Parcelles de réponse exponentielle et logistique les fonctions ……… 46
Figure II.4 Relation entre les frais de conseil et les actifs du fonds……………… 48
Figure II.5 L’approche processus et l’analyse statistique………………………... 49
Figure II.6 Régression linéaire simple pour l’y-réponse en fonction de groupe … 50
Figure II.7 Régression linéaire simple pour l’y-réponse en fonction de

groupe………………………………………………………………… 52
6Figure II.8 Graphique de visualisation et l’interaction entre les 2
facteurs………………………………………………………………. 54
Figure II.9 Régression linéaire simple pour l’y-réponse en fonction de groupe
et sexe……………………………………………………….. 54
Figure II.10 Classifications des approches de résolution multi-objectif…………... 56
Figure II.11 Exemple de Front de Pareto dans un espace à deux

critères……………………………………………………………….. 58
Chapitre III
Figure III.1 Système de prédiction………………………………………………... 64
Figure III.2 Organigramme représentant l’algorithme de la régression linéaire

multiple………………………………………………………………. 64
Figure III.3 Graphique d’influence de levé des donnés et du modèle……………. 67
Figure III.4 Points avec une grande distance de Cook……………………………. 68
Figure III.5 Graphe de probabilité des résidus……………………………………. 68
Figure III.6 Graphique d'influence de levé des données et du modèle…………… 69
Figure III.9 Graphique d’influence de levé des données et du modèle…………… 71
viii
Liste des Figures
Figure III.12 Validation : (a) Résistance à la traction expérimentale et prédite, (b)

Résistance a flexion expérimentale et prédite, (c) Résistance aux
chocs expérimentale et prédite………………………………………. 73
Figure III.13 Ajustement de la résistance à la traction du composite par le modèle

de Pukanszky pour un diamètre de fibre de 0,24 mm……………….. 77
de Pukanszky pour un diamètre de fibre de 0,82 mm………………... 77
de Pukanszky pour un diamètre de fibre de 1,45 mm………………... 78
Figure III.16 Impact des paramètres d'élaboration sur la contrainte de la résistance
à la traction (a) D = 0.24 mm, (b) 𝜑 = 18.88 %, (c) L = 3 mm……. 82

à la flexion (a) D = 0.24 mm, (b) 𝜑 = 18.88 %, (c) L = 3 mm…….. 83
à la flexion (a) D = 0.24 mm, (b) 𝜑 = 18.88 %, (c) L = 3 mm……... 84
Figure III.19 Analyse du front de Pareto pour le premier modèle
d'optimisation………………………………………………………… 87
Figure III.20 Analyse du front de Pareto pour le deuxième modèle
d'optimisation………………………………………………………… 88
Figure III.21 Analyse du front de Pareto pour le troisième modèle

d'optimisation………………………………………………………… 88
ix
Liste des Tableaux
Liste des Tableaux

Chapitre I
Tableau I.1 Avantages et inconvénients …………………………………………... 16
Tableau I.2 Avantages et inconvénients…………………………………………… 17
Chapitre II
Tableau II.1 Frais de conseil facturés et taille des actifs……………………………. 47

Tableau II.2 Cas de 2 groupes avec un seul facteur…………………………………. 49
Tableau II.3 La moyenne des données et la somme carrés………………………….. 49
Tableau II.4 L’aboutissement d’une analyse de la variance (ANOVA)……………. 50
Tableau II.5 Cas de 2 groupes et 2 facteurs…………………………………………. 51
Tableau II.6 La moyenne des données………………………………………………. 51
Tableau II.7 L’aboutissement d’une analyse de la variance (ANOVA)…………….. 52
Tableau II.8 L’aboutissement d’une analyse de la variance (ANOVA)…………….. 53
Tableau II.9 L’aboutissement d’une analyse de la variance (ANOVA)……………. 54
Chapitre III
Tableau III.1 Les valeurs moyennes de résistance à la traction, à la flexion et aux
chocs du composite RFRVE………………………………………... 62
x
Liste des Tableaux
Tableau III.2 Analyse de variance du ANOVA…………………………………... 65

Tableau III.3 Analyse de variance du ANOVA…………………………………... 65
Tableau III.4 Analyse de variance du ANOVA………………………………….. 66
Tableau III.5 Contrainte de la résistance à la traction……………………………. 74
Tableau III.6 Erreurs et précision du modèle de la régression non linéaire pour la
contrainte de la résistance à la traction (  t ) avec D=0.24………… 79
contrainte de la résistance à la traction (  t ) avec D=0.82…………. 79
contrainte de la résistance à la traction (  t ) avec D=1,45…………. 80
xi
Nomenclature
Nomenclature
Symbole Unité Désignation
A Paramètre qui dépend de la forme de la charge.
A0 mm 2 Air de la section transversal.
ANOVA Analyse de la variance.
B Paramètre d'interaction lié à la macroscopie

Caractéristique de l'interface fibre-matrice.
D mm Le diamètre de fibre.
Et MPa Le module d'élasticité en traction.
F N La force.
I0 mm 4 Moment quadratique polaire de la section droite.
k Facteur de concentration de contraintes.
L mm La longueur de fibre.
l0 mm La longueur de référence de l'éprouvette.
Mm % La fraction massique de matrice.
Mt N.mm Moment de torsion.
M f m % La fraction massique de fibre.
mc g La masse de composite.
mf g La masse de fibre.
mm g La masse de matrice.
R2 Le coefficient de détermination statistique.
Rc KJ Contrainte de la résistance au choc.

m2
RLM Régression linéaire polynomiale multiple.

S mm 2 Air de la section droite.
SEP Erreur quadratique de prédiction.
xii
Nomenclature
Symbole Unité Désignation
T N Effort normale.
U f Vf % Fraction volumique de fibre.
vc m3 Volume de matériau composite.
vf m3 Volume de fibre.
vm m3 Volume de matrice
Vm % Fraction volumique de matrice.
Xi Variable aléatoire observée appelée régresseur.
Yi Variable aléatoire observée appelée variable à

expliquer.
 MPa Contrainte de cisaillement.
M MPa Contrainte tangentielle due à la torsion.
 mm Distance du point M à la fibre neutre.

 Déformation.
l mm L'incrément de longueur de l'éprouvette.
 MPa La différence de contrainte.
 La différence de la valeur de déformation pour un

point nominal.
 Le coefficient de Poisson.
n La déformation transversale.
l La déformation longitudinale.
i variables aléatoires indépendantes appelée erreurs.
f MPa Contrainte de la Résistance à la flexion.
 t ,u MPa Contrainte à la traction.
c MPa Contrainte de rupture de composite.
m MPa Contrainte de rupture de matrice.
xiii
Nomenclature
0 et 1 Paramètres de régression.
xiv
1. Introduction Générale
2. Chapitre I : Etude Bibliographique
3. Chapitre II : Méthodes de Modélisation
4. Chapitre III : Résultats et Discussions
5. Conclusion Générale
6. Références Bibliographiques
Introduction Générale
Les matériaux composites sont des matériaux formés par la combinaison de deux ou
plusieurs composants différents, appelés la matrice et le renfort, afin de créer un matériau
avec des propriétés améliorées. L'étude des matériaux composites est un domaine en
constante évolution qui vise à améliorer les performances mécaniques des matériaux renforcés
en fibres et en particules. Les propriétés mécaniques de ces matériaux dépendent fortement
des paramètres d'élaboration tels que la méthode de fabrication, la composition, la taille et la
forme des renforts… etc.
L'objectif de cette étude est de comprendre comment ces paramètres influencent les
propriétés mécaniques des composites renforcés en fibres et en particules. Nous nous
concentrerons sur l'étude de l'effet des paramètres d'élaboration sur la contrainte de résistance
à la traction, la résistance à la flexion, et la résistance au choc.
Nous examinerons également la modélisation linéaire et non linéaire des composites renforcés
en fibres et en particules.
Cette étude permettra de mieux comprendre les mécanismes de renforcement dans les
composites, ainsi que d'optimiser les paramètres d'élaboration pour améliorer les
performances mécaniques de ces matériaux dans diverses applications industrielles.
Ce mémoire porte sur l'optimisation de la fabrication et des propriétés mécaniques des
composites renforcés par des fibres et des particules, basée sur des données issus des tests
expérimentaux. Le mémoire est structuré en trois chapitres, qui abordent les aspects suivants :
Le premier chapitre de ce mémoire offre une synthèse bibliographique des
connaissances existantes dans le domaine des matériaux composites, en mettant
particulièrement l'accent sur leur fabrication. Il présente une revue bibliographique complète
qui explore les différentes classes de composites, les types de renforts (fibres et particules)
couramment utilisés, ainsi que les procédés de fabrication associés.
Le deuxième chapitre de ce mémoire expose différentes approches de modélisation,
notamment la régression linéaire et non linéaire, ainsi que l'optimisation multi-objectif, dans
le but de modéliser les trois contraintes spécifiques. Ce chapitre explore en détail les principes
fondamentaux de ces méthodes de modélisation et examine leur applicabilité dans le contexte
1
des contraintes étudiées. En fournissant un aperçu complet des méthodes de modélisation

disponibles, ce chapitre offre une base solide pour la mise en œuvre des modèles de
contraintes étudiées.
Le troisième chapitre se focalise sur la présentation et la discussion des résultats
obtenus à partir de la modélisation linéaire et non linéaire des trois contraintes, en mettant
particulièrement l'accent sur la contrainte de résistance à la traction. Nous exposons les
résultats de l'optimisation des modèles que nous avons développés et analysons en détail les
conclusions qui en découlent. Ce chapitre offre une vue d'ensemble des résultats obtenus à
partir des différentes approches de modélisation, et permet de comprendre l'efficacité et les
performances des modèles développés. Les résultats présentés et discutés dans ce chapitre
sont essentiels pour évaluer l'adéquation des modèles de contraintes par rapport aux objectifs
de l'optimisation, et constituent une base solide pour les conclusions et les recommandations
formulées dans la conclusion générale de ce mémoire.
2
Chapitre I : Etude
Bibliographique
Chapitre I Étude Bibliographique
I.1. Introduction
Le mot composite, dans le terme matériau composite, signifie que deux matériaux ou
plus sont combinés à une échelle macroscopique nettement inférieur à celle de la pièce pour
former un troisième matériau [1].
Ce chapitre commence par présenter les composants des matériaux composites et leurs
classifications, offrant ainsi une compréhension approfondie de leur nature et de leurs
caractéristiques. La deuxième partie du chapitre examine ensuite les différentes méthodes de
fabrication des composites, mettant en évidence les procédés clés utilisés dans leur
production. Enfin, une attention particulière est accordée aux paramètres qui influencent la
fabrication des composites et qui ont un impact sur leurs propriétés.
I.2. Matériaux composites

Un matériau composite peut être défini d'une manière générale comme l'assemblage de
deux ou plusieurs matériaux, l'assemblage final ayant des propriétés supérieures aux
propriétés de chacun des matériaux constitutifs [2].
Le matériau composite est constitué d’un renfort, qui contribue aux propriétés
mécaniques de la pièce, et d’un liant, appelé matrice. Le rôle de la matrice est d’assurer la
cohésion entre les éléments du renfort, mais aussi de transférer les flux d’efforts entre les plis,
de garantir la tenue à l’environnement (corrosion, vieillissement humide) et la tenue en
température. Il existe aujourd’hui un grand nombre de matériaux composites qui peuvent être
classés suivant différents critères. La nature de la matrice est un de ces critères qui permet de
répartir les composites en trois grandes familles :
 les Composites à Matrices Organiques (CMO), telles que les polymères organiques
(résine thermodurcissable ou thermoplastique) ;
 les Composites à Matrices Céramiques (CMC) réservés aux applications à haute
température ;
 les Composites à Matrice Métallique (CMM).
Ces matériaux peuvent aussi être classés selon la nature du renfort, détaillée ci-après ou
selon l’objectif recherché via leurs utilisations. Si l’optimisation des coûts est le principal
objectif, on parlera de composites ‘grande diffusion’. En revanche, pour une utilisation dans
le but d’optimiser les performances mécaniques ou thermiques, liées à une réduction de poids,
on parlera de composite ‘hautes performances’ [3].
4
Figure I. 1 Matériau composite [4].
I.3. Constitution d’un matériau composite

Un matériau composite est constitué de l’assemblage de plusieurs matériaux de nature
différente. Les qualités respectives des constituants associés se complètent pour former un
matériau aux performances mécaniques, thermiques, électriques et/ou physico-chimiques
améliorées. Dans le sens le plus général, un matériau composite est formé d’une ou plusieurs
phases discontinues appelées renforts et d’une phase continue appelée matrice.
La matrice maintient les renforts et assure les transferts de charges, tandis que les
renforts contribuent à la résistance mécanique de la structure principalement par leurs
caractéristiques mécaniques élevées (module et limite d’élasticité, résistance mécanique) [5].
I.3.1. Matrice
La matrice au sens le plus large a essentiellement pour rôle de transférer les contraintes
apportées sur le composite aux renforts, de protéger l’ensemble et de conserver la forme du
matériau. Elle doit être déformable et présenter une compatibilité avec les renforts. En outre,
pour des besoins de gain en masse elle doit posséder une masse volumique relativement
faible. La matrice est souvent de nature organique (le plus souvent des résines). On distingue
deux grandes familles de résines : les résines thermodurcissables et les résines
thermoplastiques [5].
a) Les résines thermoplastiques : sont des polymères à chaînes linéaires ou ramifiées, c’est
à dire monodirectionnelles ou bidirectionnelles. Elles sont en général fusibles et solubles.
Les résines thermoplastiques présentent le gros avantage de pouvoir être alternativement
ramollies par chauffage et durcies par refroidissement ce qui permet de faciliter leur
moulage par viscoplasticité. Cette transformation est par ailleurs réversible, ce qui permet
de recycler ce matériau. Les thermoplastiques sont mis en œuvre lorsque la température
5
est voisine de leur température de transition vitreuse pour les thermoplastiques amorphes,
et jusqu’à la température de fusion pour les thermoplastiques semi-cristallins. les résines
thermoplastiques peuvent renforcées avec des fibres courtes ou avec des fibres longues,
l’utilisation de ces résines se développe fortement notamment comme matrice des
composites "structuraux"[3].
Parmi les résines thermoplastiques utilisées dans les composites aéronautiques on peut
citer [5] :
Polyesters insaturés : sont les résines les plus utilisées dans l'application composite de grande
distribution. Une résine de polyester insaturé contenant un monomère (généralement le
styrène) est réticulée à température ambiante par addition d’un catalyseur de type peroxyde
organique et d’un accélérateur. Elle passe successivement de l’état liquide visqueux initial à
l’état de gel, puis à l’état de solide infusible.
La réaction est exothermique et la température de la résine augmente progressivement
depuis le gel jusqu’à un maximum pour redescendre ensuite lentement à la température
ambiante. Le durcissement sera d’autant plus rapide ou, si l’on préfère, le temps nécessaire
dans le moule sera d’autant plus court que la courbe de température en fonction du temps se
rapprochera davantage de la verticale [2].
Il existe différents types de résines :
 Orthophtalique : la plus courante ;

 Isophtalique : qui donne une meilleure tenue à l'humidité ;
 Chlorée : apportant une auto extinguibilité ;
 Bisphénol : possédant de bonnes caractéristiques chimiques et thermiques.
Vinylesters : On peut les considérer comme des variantes des polyesters produite à partir
d'acides acryliques. Elles possèdent une bonne résistance à la fatigue et un excellent
comportement à la corrosion, mais demeure combustible [2].
Phénoliques : Elles sont issues de la polycondensation du phénol et du formol et se
caractérisent par une bonne tenue au feu, sans fumée. Elles restent fragiles, sensibles à
l'humidité, difficiles à colorer et à mettre en œuvre [2].
Epoxydes : Elles résultent de la polyaddition de l'épichlorhydrine sur un polyalcool et
constitue la résine type des composites hautes performances HP. On distingue deux classes de
résines en fonction [2] :
 du durcissement à chaud ou à froid ;
6
 de la tenue en température (120-130 °C, ou 180-200 °C).

Polyuréthannes et polyurées : Dans la fabrication de pièces composites, on utilise surtout des
formules élastomériques dont la faible viscosité permet un bon remplissage du moule. Les
constituants sont livrés à l'état de prépolymères liquides [2]:
 Polyols + polyisocyanates = polyuréthannes ;

 Polyéthers + polyamines = polyurées.
b) Les résines thermodurcissables : sont les produits les plus employés comme matrice de
matériaux composites "structuraux". Généralement associées avec des fibres longues, elles
sont liquides ou liquides visqueuses et réticulent sous l’action thermiquement activée d’un
catalyseur et d’un durcisseur. La transformation est irréversible et forme un produit
infusible et insoluble [3]. Actuellement, les résines thermodurcissables principalement
utilisées sont les suivantes :
Les résines époxydes : sont des résines de classe 180°C, réticulant à 180°C, sont souvent
utilisées avec un renfort en fibres de carbone pour la réalisation de pièces structurales
aéronautiques [3].
Les résines phénoliques : utilisées dans les applications nécessitant des propriétés de tenue au
feu imposées par les normes dans les transports civils. Ces polymères auto extinguibles
présentent le désavantage d’être peu résistant aux sollicitations mécaniques [3].
Les résines polyimides : sont elles aussi très onéreuses, mais présentent d’excellentes
propriétés mécaniques notamment à haute température. En dépit de leurs bonnes tenues
mécaniques, ces résines sont très sensibles aux chocs. Afin de pallier cet inconvénient, il est
possible d’améliorer leur ténacité en les mélangeant avant polymérisation à des résines
thermoplastiques [3].
I.3.2. Renforts
Sont la phase discontinue du composite. Avec de très hautes caractéristiques
mécaniques, le renfort est généralement composé de matériau avec des propriétés mécaniques
plus élevées que la résine. Les renforts confèrent aux composites leurs caractéristiques
mécaniques élevées : rigidité, résistance à la rupture, dureté, etc... Ces renforts permettent
également une amélioration des propriétés physiques du produit final : comportement
thermique, tenue en température, tenue au feu, résistance à l’abrasion, propriétés électriques,
etc.... Les caractéristiques recherchées pour les renforts sont : des caractéristiques mécaniques
7
élevées, une masse volumique faible, une bonne compatibilité avec les résines, une bonne
facilitée de mise en œuvre, etc.... En fonction des utilisations [5].
a) Fibre de verre : Elles constituent le renfort essentiel des composites de grande diffusion.
Elle est obtenue à partir de sable (silice) et d'additifs (alumine, carbonate de chaux,
magnésie, oxyde de bore). On distingue trois types de fibres [2]:
 E : pour les composites de grande diffusion et les applications courantes ;
 R : pour les composites hautes performances ;
 D : pour la fabrication de circuits imprimés (propriétés diélectriques).
a) Fibre de carbone : C'est la fibre la plus utilisées dans les applications hautes
performances. Elle est obtenue par carbonisation de la fibre de PAN (Polyactylonitrile).
Selon la température de combustion, on distingue deux types de fibres [2]:
 fibres haute résistance (HR) : pour une combustion de 1000 à 1500 °C ;
 fibres haut module (HM) : pour une température de combustion de 1800 à 2000 °C.
b) Fibre d'aramide : Souvent appelée KEVLAR®, la fibre d'aramide est issue de la
chimie des polyamides aromatiques. Il est possible de trouver deux types de fibres
d'aramide de rigidités différentes [2]:
 les fibres bas module : utilisées pour les câbles et les gilets pare-balles ;
 la fibre haute module : employées dans le renforcement pour les composites hautes
performances.
c) Fibre de bore : Fibres de haut module et insensibles à l'oxydation à hautes températures,
elles sont obtenues par dépôt en phase gazeuse sur un substrat en tungstène [2].
d) Fibre de silice (ou de quartz) : Elles sont produites comme le verre, par fusion, et sont
essentiellement utilisées pour leur haute tenue chimique et thermique dans les tuyères
pour moteur de fusée [2].
e) Fibres de polyéthylène de haut module : Elles présentent une très bonne résistance à la
traction mais une mauvaise mouillabilité. Pour des structures peu sollicités, on peut
encore utiliser des fibres synthétiques courantes de polyamide ou polyester [2].
I.3.3. Charges
On désigne sous le nom général de charge toute substance inerte, minérale ou végétale
qui, ajoutée à un polymère de base, permet de modifier de manière sensible les propriétés
mécaniques, électriques ou thermiques, d’améliorer l’aspect de surface ou bien, simplement,
de réduire le prix de revient du matériau transformé.
8
A l'inverse des matières thermoplastiques, les matières thermodurcissables ont toujours

contenu des charges de nature et de forme variée, à des taux souvent élevés pouvant atteindre
60 % en masse. Pour un polymère donné, le choix d’une charge est déterminé en fonction des
modifications recherchées pour l’objet fini. Mais, d’une manière générale, les substances
utilisables comme charges des matières plastiques devront d’abord satisfaire à un certain
nombre d’exigences [2] :
 Compatibilité avec la résine de base ;

 Mouillabilité ;
 Uniformité de qualité et de granulométrie ;
 Faible action abrasive ;
 Bas prix de revient.
a) Charges organiques : Charges cellulosiques, utilisées en tant que charges des résines
thermodurcissables (phénoplastes et aminoplastes). Les avantages de ces matières
cellulosiques sont leur coût peu élevé et leur faible densité [2].
 Farines de bois ;
 Farines d'écorces de fruit et de noyaux ;
 Fibres végétales ;
 Pâtes de cellulose ;
 Amidons.
b) Charges minérales : Il existe de nombreux types de minéraux qui peuvent être utilisés
comme charges minérales parmi eux :
Craies et carbonates : La craie ou blanc de Champagne peut contenir jusqu’à 99 % de
calcite, de la silice et d’autres corps minéraux. La taille moyenne de ses particules varie de
1 à 3 µm [2].
 Le calcaire et le marbre contiennent 80 à 90 % de calcite et des quantités variables
d’oxyde de magnésium et de silice. La taille des particules est comprise entre 0,5 et 30
µm.
 Le carbonate de calcium-magnésium (MgCO .CaCO ) est préparé à partir des minerais
de dolomite. On l’utilise comme charge et aussi comme retardateur de flamme, ajouté à
du rioxyde d’antimoine.
 Le carbonate de calcium précipité est un mélange pratiquement pur à 99,00 % de calcite
et d’aragonite, obtenu sous forme de particules très fines (0,05 à 16 µm).
9
 Il est surtout utilisé avec le PVC et dans les matières thermodurcissables (SMC, BMC)
ainsi que les polyuréthannes (RIM) en raison de son caractère hydrophobe .
Les silices : La silice (SiO ), à l’état pur ou combinée avec des oxydes métalliques, est
utilisée comme sous différentes formes, suivant son origine, sa cristallinité, sa dureté et
la taille des particules. Son incorporation dans la résine améliore les propriétés
diélectriques, la résistance à la chaleur et à l’humidité des objets moulés, par exemple
ceux en poly (méthacrylate de méthyle).
On constate également l’augmentation de la température de transition vitreuse, du
module d’Young et de la résistance en compression, ainsi que la réduction du
gonflement dans les solvants [2].
Les talcs : Les talcs sont utilisés pour améliorer l’isolation thermique et la résistance à
l’eau, et faciliter l’opération de moulage.
Le talc est la charge la plus utilisée dans les thermoplastiques. Il leur confère une
meilleure résistance au fluage ainsi qu’une plus grande rigidité. Notons également que
l’introduction de talc facilite l’usinage des produits finis [2].
La wollastonite : Cette charge se présente sous différentes formes : aiguilles, granulés,
fibres. Elle est surtout utilisée dans les polyamides, les ABS et les polysulfones,
également en remplacement des fibres de verre dans les SMC et les BMC. Elle améliore
en particulier la résistance au rayonnement ultraviolet et à l’hydrolyse. Elle est aussi
employée dans les résines époxydes pour assurer une bonne stabilité dimensionnelle
ainsi que l’isolation thermique et électrique, et permet un contrôle du retrait au moulage
[2].
Les argiles et alumino-silicates : Ces substances minérales sont en grande partie
constituées par de la silice (42 à 70 %) et de l’alumine (14 à 45 %).
 Le kaolin contribue à une meilleure résistance chimique et électrique, et diminue
l’absorption d’eau. On peut l’ajouter à des taux atteignant 60 % dans les compositions à
base d’esters polyvinyliques, mais habituellement les poudres à mouler en contiennent de
20 à 45 %.
 Le kaolin calciné est utilisé dans les mélanges pour l’isolation de câbles et dans les
isolants.
 Mélangé à de l’alumine et de la silice, le kaolin calciné est utilisé pour assurer la
résistance aux acides.
 La vermiculite est utilisée comme charge de faible densité (2,4) dans les plastiques
renforcés de fibres de verre.
10
 Le mica augmente la stabilité dimensionnelle des pièces moulées ; il améliore les

propriétés électriques et thermiques, la résistance aux acides et aux bases, et diminue la
reprise d’eau.
Comparé aux fibres de verre, il confère une moins bonne résistance aux chocs ; mélangé
avec celles-ci, il permet une réduction des coûts [2].
c) Oxydes et hydrates métalliques : peuvent être classés en différents types, notamment :
Poudres et microsphères : L’alumine, les oxydes de zinc, de magnésium, de titane et
d’antimoine sont utilisés sous forme de poudres fines comme charges du polypropylène, des
compositions polyvinyliques, des résines époxydes, des polyesters insaturés. Tous permettent
de diminuer le prix de revient et d’augmenter la densité de la matière élastique. L’oxyde de
béryllium est utilisé sous forme de microsphères, qui sont des microsphères de densité voisine
de 0,003 et d’un diamètre de l’ordre de 40 µm [2].
Alumine et trihydrate d'aluminium : On obtient l’alumine (𝐴𝑙 𝑂 ), anhydre ou hydratée, à
partir de la bauxite. Cette charge apporte aux résines une meilleure résistivité électrique ainsi
qu’une bonne conductivité thermique ; elle diminue le coefficient de dilatation thermique
linéique, augmente la rigidité ainsi que la résistance à l’abrasion et au feu.
L’hydrate d’aluminium (𝐴𝑙𝑂𝐻 ) est une charge ignifugeante qui, du point de vue du
prix, est concurrentielle ; elle réduit l’inflammabilité ainsi que l’émission des fumées de
combustion car elle se décompose de façon endothermique (effet de refroidissement) en
alumine et en eau, aux températures supérieures à 220 °C [2].
Trioxyde d'antimoine : On chauffe de l’antimoine dans l’air pour obtenir Sb2O4 qui donne
(𝑆𝑏𝑂 ) par fusion et décomposition. Sa densité est de 4,2 et sa dureté Mohs comprise entre 6
et 7. Il apporte aux résines ignifugation et coloration blanche et on l’utilise en particulier dans
les PVC plastifiés [2].
Oxyde de beryllium : Utilisé sous forme de microsphères dans les résines époxydes, il
augmente les conductivités électrique et thermique. Ces carbosphères sont aussi utilisées dans
les mousses structurelles (PUR) à densité contrôlée, ainsi que pour la fabrication de pièces
polyesters ultralégères [2].
Les céramiques : Il existe des microsphères en céramique dont la densité varie entre 0,4 et 2,4
et les dimensions de 1 à 3 000 µm. Une microsphère de 70 µm comportant un revêtement
permettant une meilleure dispersion a été mise au point. Conseillée dans les résines polyesters
en combinaison avec CaCO3, elle apporte une réduction de masse de 15 à 25 % avec une
amélioration des résistances à la compression et au choc [2].
11
d) Le verre : il existe plusieurs types de verre, chacun ayant ses propres caractéristiques et
utilisations, notamment :
Poudres de verre : Une nouvelle variété de poudre de verre de granulométrie 13 µm est
apparue sur le marché et son incorporation confère aux thermodurcissables de meilleures
résistances à l’abrasion et à la compression ; elle permet par ailleurs d’obtenir un retrait plus
faible et plus homogène des pièces moulées [2].
Billes de verres creuses : Les billes de verre creuses, de densité comprise entre 0,1 et 0,5, sont
obtenues par chauffage de billes de verre contenant un agent gonflant. Elles améliorent les
résistances à l’eau et au vieillissement du PMMA, et diminuent la friabilité des pièces
phénoliques. Les densités de ces microsphères creuses du type borosilicate de sodium et de
calciumsont comprises entre 0,38 et 0,45 ; parallèlement, leur résistance à la compression
varie de 1,7 à 31 MPa. Les applications sont nombreuses (bâtiment, automobile et
aéronautique) [2].
Microsphères de verre : L’utilisation de microsphères de verre permet de réduire de 25 à 35
% la masse des pièces obtenues soit à partir de BMC ou de SMC destinées en particulier à
l’industrie automobile, soit également à partir de résines phénoliques pour l’industrie
aéronautique. On utilise par ailleurs ce type de charge, dans le cas du PPO modifié, pour la
réalisation des capotages de machines de bureau. Elle permet la réduction du temps de cycle
de moulage de 20 à 30 %. Il en est de même dans le cas du moulage des mousses structurelles
en polyuréthannes [2].
e) Le carbone : Parmi les types qui peuvent être utilisés comme charges :
Le noir de carbone : Le noir de carbone est utilisé depuis très longtemps dans l’industrie des
plastiques, à la fois comme colorant, pigment, barrière anti-UV, antioxydant. Le noir de
carbone améliore la résistance à la chaleur du polyéthylène réticulé par irradiation et celle du
PVC. La conductivité thermique augmente avec le taux de charges, indépendamment de la
taille des particules. Par contre, la conductivité électrique des matériaux chargés augmente
avec le taux de carbone et avec la finesse des particules [2].
I.4. Classification des matériaux composites

La classification des composites peut être effectuée selon la matrice ou bien la taille de
renfort.
12
I.4.1. Classification basé sur la matrice

Les matériaux composites peuvent être classés en fonction de la nature de leur matrice,
Voici quelques classifications courantes des matériaux composites basées sur la matrice :
a) Composites à matrice organique : De résine et charges avec [6] :
 Fibres minérales : verre, carbone, etc. ;
 Fibres organiques : Kevlar, polyamides, etc. ;
 Fibres métalliques : bore, aluminium, etc.
b) Composites à matrice métallique : des alliages légers et ultra-légers d’aluminium,
magnésium, titane avec [6]:
 Des fibres minérales : carbone, carbure de silicium (SiC) ;
 Des fibres métalliques : bore ;
 Des fibres métallo-minérales : fibres de bore revêtues de carbure de silicium (BSiC).
c) Composites à matrice minérale : De céramique, avec [6]:
 Des fibres métalliques : bore ;
 Des particules métalliques : cermets ;
 Des particules minérales : carbures, nitrures, oxydes réfractaires.
I.4.2. Classification basé sur la taille de renfort

Une manière simple consiste à les classer par les formes des renforts (selon leurs
morphologies). Les composites sont donc divisés en quatre catégories suivantes :
a) Composites à renforts de particules : Le renfort est considéré comme une particule si
toutes ses dimensions sont approximativement égales et petites devant les autres
dimensions du matériau, Les particules dures sont dispersées aléatoirement dans la
matrice moins rigide [7].
Figure I. 2 Composite à renforts de particules [7].
13
b) Composites à renforts de paillettes : Les paillettes ont une dimension très faible par
rapport aux autres dimensions. La dispersion de ces « particules minces » est
généralement aléatoire. Cependant, les paillettes peuvent être rangées parallèlement l’un à
l’autre afin d’avoir des propriétés plus uniformes dans le plan [7].
Figure I. 3 Composite à renforts de paillètes [7].
c) Composites à renforts de fibres : Une fibre a une longueur bien supérieure aux
dimensions de la section transversale. Ce type de composites peut être divisé selon les
renforts : en fibres discontinues (courtes) ou en fibres continues (longues) [7].
Figure I. 4 Composite à renforts de fibres [7].
d) Composites stratifiés : Un stratifié se compose d’au moins deux couches minces de

matériau. Les couches peuvent être constituées de différents matériaux monolithiques
comme dans les métaux plaqués ou de même matériau composite empilé selon différentes
orientations comme pour des stratifiés composites à renforts de fibres longues. Ce dernier
devient une classe hybride du composite comportant à la fois le composite à renfort de
fibres et la technique de stratification [7].
14
Figure I. 5 Composite stratifié [7].
I .5. Fabrication des composites

Il existe plusieurs techniques de fabrication des matériaux composites. La plupart des
méthodes de mise en œuvre consistent à élaborer les pièces en matériaux composites par
couches successives comportant matrice et renfort [5].
I.5.1. Enroulement filamentaire

L’enroulement filamentaire est l’un des plus anciens procédés d’élaboration de
structures composites. . C’est un Procédé de moulage destiné à la production des corps de
révolution nécessitant de hautes performances mécaniques, (tubes et canalisation, réservoirs,
organes de fusées et de missiles, etc.), ou des pièces spéciale (coudes, manchons, réduction,
tés, adaptateurs) [7].
Cette technique est basée sur le principe de l’enroulement du filament continu de
renfort (généralement verre ou carbone) sur un mandrin en rotation. Les fibres sont pré
imprégnées de résine ou imprégnées en ligne, L’angle de bobinage et le placement des fils
sont assurés par le mouvement de guide fil et par une tension constante. La combinaison du
mouvement de rotation du mandrin sur lequel s’enroule le filament et des déplacements du
support fournissant le filament crée un tissage particulier, fonction des rapports relatifs de ces
vitesses [7].
Figure I. 6 Procédé d’enroulement filamentaire.

15
a) Avantages et inconvénients de ce procédé

Les avantages de ce procédé sont répertoriés dans le tableau ci-dessous
Tableau I. 1 Avantages et inconvénients [7].

Avantages Inconvénients
 Mandrins qui peuvent atteindre 10  Contrôle délicat du dé bullage et
mètre de long essorage de la résine par la
 Régularité de bobinage tension des fils lors de
 Intégration d’un liner dès la l’enroulement.
fabrication.  Mandrins onéreux pour les formes
 Utilisation de renforts économiques complexes (mandrins extractibles).
(rovings).
 Taux élevé de renforts.
 Maitrise de l’orientation des fibres.
 Possibilité de production en continu
 Equitension des fils lors de la
dépose.
I.5.2. Moulage au contact

Procédé manuel pour la réalisation de pièces à partir de résines thermodurcissables, à
température ambiante et sans pression. Les renforts sont déposés sur le moule et imprégnés de
résine liquide, accélérée et catalysée. Après durcissement de la résine, la pièce est démoulée et
détourée [2].
Figure I. 7 Principe du procédé moulage au contact [2].
a) Cas d'utilisation
 Procédé pour petites séries : de 1 à 1000 pièces / an ;
 Pièces de grandes à très grandes dimensions ;
 Revêtement sur supports divers et in situ.
a) Matériel
 Moule : simple coque généralement en composite, éventuellement en
plusieurs éléments assemblés ;
16
 Outillages à mains : ciseaux, pinceaux, ébulleurs, pistolet à peinture ou gel-

coateuse.
b) Avantages et inconvénients de ce procédé

 Très larges possibilités de forme  Une seule face lisse.
 Pas de limite dimensionnelle.  Nécessité de finition (détourage,
 Une surface lisse gelcoatée (aspect, perçage, etc.).
tenue à la corrosion).  Qualité tributaire de la main d’œuvre.
 Propriétés mécaniques moyennes à  Faible cadence de production par
bonnes Investissements spécifiques très moule.
faibles.  Espace de travail important.
 Moules simples, peu onéreux, rapides à  Conditions de travail médiocres.
réaliser en interne.
I.5.3. Moulage par projection simultanée

Procédé manuel ou robotisé permettant la réalisation de pièces à partir de résines
thermodurcissables à température ambiante et sans pression. Les matières premières sont
mises en œuvre à l'aide d'une machine dite "de projection" comprenant :
 un dispositif de coupe - projection du renfort (roving)

 un ou deux pistolets projetant simultanément la résine
Les fils coupés et la résine sont projetés sur la surface du moule puis compactés et ébullés à
l'aide de rouleaux et d'ébulleurs. La résine pré accélérée est catalysée en continu lors de sa
projection [2].
Figure I. 8 Principe du procédé moulage par projection simultanée [2].
17
 Production de pièces de moyennes à grandes dimensions ;
 Recherche de réduction des coûts par rapport au contact ;
 Petite et moyenne série [2].
b) Matériel
 Moules en composites (simple coque) ;
 Machine de projection (mélange interne ou externe) ;
 Dispositif de ventilation, extraction des vapeurs de styrène ;
 Petit outillage de stratification à la main [2].
c) Les avantages et inconvénients de ce procédé

 Très larges possibilités de forme et  Une seule face lisse.
dimensions.  Propriétés mécaniques moyenne.
 Travail simplifié, suppression de la  Qualité tributaire de la main d'œuvre.
mise en forme obtenue directement par  Conditions de travail très médiocres si
la projection. absence d'agencements nécessaires.
 Productivité plus élevée qu'au contact.
 Investissements très modérés.
 Moules simples, peu onéreux, rapides à
réaliser en interne.
I.5.4. Moulage sous vide

Le moulage sous vide s'effectue entre moule et contre-moule rigide, semi-rigide ou
souple suivant la technologie de mis en oeuvre. Le renfort (mat, tissu, préforme) est placé à
l'intérieur du moule ; la résine catalysée est versée sur le renfort. On utilise la pression qui
s'exerce sur le moule lors de la mise sous vide pour répartir la résine et imprégner le renfort.
La résine peut également être injectée par l'aspiration consécutive au vide [2].
 Production en petites séries de pièces nécessitant deux faces lisses
 Amélioration des conditions de travail et d'hygiène (réduction des émanations de
styrène).
b) Matériel
 Moules et contre-moules en composites ou pellicules souples.
 Pompes à vide avec réservoir tampon.
18


 Deux faces lisses, éventuellement  Possibilités de formes plus réduites
gelcoatées. qu'au contact.
 Qualité non tributaire de la main  Mise au point parfois difficile.
d'œuvre.
 Qualité constante.
 Bonne cadence de production.
 Nécessite peu de surface.
 Investissements très modérés
I.5.5. Moulage par injection basse pression de résine – RTM

Le moulage par injection de résine liquide RTM (Résine Transfert Molding) s'effectue
entre moule et contre-moule rigides. Le renfort (mats, préforme, éventuellement tissus) est
disposé dans l'entrefer du moule. Une fois celui-ci solidement fermé, la résine, accélérée et
catalysée, est injectée sous faible pression (1.5 à 4 bars) à travers le renfort jusqu'au
remplissage complet de l'empreinte. Après durcissement de la résine, le moule est ouvert et la
pièce démoulée [2].
Figure I. 9 Principe de procédé moulage par injection basse pression de résine [2].
 Procédé pour moyennes séries : 1000 - 10000 pièces/an ;
 Pièces demandant une reproductibilité d'épaisseur [2].
b) Matériel
 Moule et contre-moule en composite rigides et résistants avec système de fermeture
rapide ;
19
 Variantes métallo-composites et métalliques ;

 Appareillage d'injection de résine : pot sous pression ou système à pompes
doseuses ;
 Appareillage de manutention des moules (ouverture/fermeture) [2].

 Deux faces lisses, éventuellement  Limité aux formes peu ou
gelcoatées. moyennement Complexes.
 Dimensions jusqu'à 7 m².  Taux de renforcement et
 Qualité non tributaire de la main caractéristiques mécaniques moyennes à
d'œuvre. élevées.
 Qualité constante.  Nécessité d'effectuer des finitions post
moulage.
 Cadence de production élevée.
 Bonnes conditions de travail et
d'hygiène.
I.5.6. Moulage à la presse à froid "voie humide" basse pression

Moulage à l'aide d'une presse à compression entre moule et contre-moule rigides en
composite, initialement sans apport thermique extérieur.
Moule ouvert, le renfort (mat) est posé sur la partie inférieure du moule et la résine,
dotée d'un système catalytique très réactif, est versé en vrac sur le renfort. La fermeture du
moule sous pression (2 à 4 bars) entraîne la répartition de la résine dans l'empreinte et
l'imprégnation du renfort. Le durcissement de la résine est accéléré progressivement par
l'élévation de température du moule due à l'exothermie de la réaction, ce qui permet un
démoulage rapide. Les performances du procédé peuvent être considérablement améliorées
par l'usage de moules métalloplastiques, voire métalliques, et d'un système de régulation
thermique basse température [2].
20
Figure I. 10 Principe du procédé moulage à presse à froid [2].
 Production en moyenne séries (500 à 5000 unités).
b) Matériel
 Presse compression basse pression (30 t/m² utiles) à vitesse de fermeture réglable ;
 Moule et contre-moule : caissons en composites et béton de résine.

 Deux faces lisses.  Limité aux formes peu complexes.
 Dimensions jusqu'à 7 m².  Limité aux dimensions moyennes (2m²)
 Qualité non tributaire de la main  Durée de vie des moules courtes (1500
d’œuvre. à 4000 pièces).
 Qualité constante.  Nécessité d'effectuer des finitions post
 Cadence de production élevée. moulage.
 Conditions de travail et d'hygiène
normales.
I.5.7. L’infusion de résine sous membrane souple

Le principe repose sur le dépôt, dans un moule femelle, des renforts secs (tissus, âmes,
etc.) qui vont concevoir la pièce composite, et de créer un système étanche à l’air à l’aide
d'une bâche à vide. L’infusion consiste ensuite à injecter de la résine, par dépression réalisée
sur la pièce, sur les tissus déposés à sec [2].
21
Figure I. 11 Principe du procédé d’infusion de résine sous membrane souple.

 Production : petite séries (facilement adaptable, permet la réalisation de grande
surface) ;
 Pièces à très bonne résistance mécanique.
b) Matériel
 Pompe à vide ;
 Fût de résine ;
 Moule femelle gel-coaté , tissus de drainage et une bâche souple.

 Excellente reproductibilité et  Difficulté de mise en œuvre et de la
homogénéité des caractéristiques. gestion des paramètres.
 Taux de renfort pouvant atteindre 65 %.  Matériel non réutilisable.
 Bon compactage des tissus.
 Bonne imprégnation.
I.5.8. Moulage par injection de compound – BMC

Le compound B.M.C (Bulk Molding Compound) préparé dans un malaxeur est une
masse à mouler constituée de résine, de charges et d'adjuvants divers, renforcée par des fils de
verre coupés.
Le compound est moulé à chaud (130 - 150 °C) par injection (principalement) entre
moule et contre-moule en acier usiné. La pression (50 à 100 bars) de fermeture du moule
22
entraîne le fluage de la matière préalablement dosée et le remplissage de l'empreinte. Le

temps de durcissement très court permet un démoulage rapide [2].
 Production en grandes séries ;
 Pièces de taille petite et moyenne, plus ou moins épaisses.
b) Matériel
 Préparation : moyens de pesée, malaxeur pour la préparation du compound.
 Moulage : moule en acier usiné chromé thermo régulé, presse d'injection ou de
compression à vitesse de fermeture réglable.

 Possibilité de formes très complexes,  Investissements assez élevés.
finitions intégrés.  Propriétés mécaniques modestes.
 Grande précision de moulage.  Nécessité de doser la matière.
 Bon état de surface.  Limites dimensionnelles.
 Cadences de moulage élevées en
fonction de l'épaisseur.
 Coût de matière réduit.
 Non tributaire de la main d'œuvre.
 Bonnes conditions de travail et
d'hygiène.
I.6. Les paramètres de fabrication des composites
I.6.1. Type des fibres

a) Fibres discontinues : Des fibres courtes ou particules (charges sous forme de microbilles,
de fibres broyées, d’écailles ou de poudres), améliorent le comportement mécanique du
matériau composé de la matrice seule, mais celle-ci reste l’élément de base et on obtient
un polymère renforcé [6].
b) Fibres continues : Celles-ci jouent un rôle principal dans le comportement mécanique du
composite, la fonction de la matrice étant, en particulier, d’empêcher les déplacements
relatifs des fibres continues. C’est ce type de composites qui est utilisé dans les
applications structurelles fortement sollicitées [6].
Les renforts continus se trouvent sous plusieurs formes commerciales :
23
 Nappes unidirectionnelles : Elles sont constituées de fibres parallèles entre elles

orientées dans une seule direction. La cohésion transversale est assurée [6]:
 Pour les pré imprégnés, par la résine.
Pour les nappes sèches :
 Soit par un ruban adhésif déposé suivant un pas déterminé
 Soit par un léger tissage, on obtient un tissu unidirectionnel dans lequel
La masse de fibres dans le sens chaîne présente plus de 70% de la masse totale.
 Tissus : Les fibres (monofilaments) sont en général rassemblées en mèche (ou fil),
éventuellement réunies par torsion. Le renfort tissé est constitué par l’entrecroisement de
fils de chaîne (suivant la direction d’enroulement sur son support) et des fils de trame
(déposés perpendiculairement). Un tissu est équilibré si le poids de chaîne est égal au
poids de trame [6].
Les armures les plus courantes utilisées sont les suivantes :
Taffetas : dans lequel les fibres de chaîne et trame s’entrecroisent alternativement, en obtient
un tissu peut déformable ayant une planéité excellente [6].
Figure I. 12 Armure taffetas [5].
Le sergé : est intermédiaire de taffetas et de satin. Un fil de chaîne passe sous plusieurs fils de
trame successif puis en dessus d’un fil de trame, en suivant un schéma régulier. Ce type
d’armure produit un motif diagonal, ces tissus sont à la fois denses et souples [6].
24
Figure I.13 Armure serge de forme 2/2.
Le satin : le fil de chaîne flotte au-dessus de plusieurs fils de trame, cette forme est la plus
déformable : elle est utilisée pour réaliser des forme complexe. Les satins utilisés pour les
composites sont les satins de 5 et 8 [6].
Figure I.14 Armure satin [5].
c) Feutres ou mats : Nous appelons feutre ou mat un tapis de fibres, coupées ou non,
aléatoirement orientées dans un plan. Les produits tels quels ou sous forme pré imprégnés.
Dans le cas de produits tel quel ; les fibres doivent être liées entre elles : soit
chimiquement par le dépôt à faible taux de colles, soit mécaniquement par aiguilletage pour
conserver leur comportement en feuilles lors de leur mise en œuvre [6].
I.6.2. Architecture de renforcement

Afin d’améliorer les caractéristiques mécaniques des structures en composites, il est
nécessaire de jouer sur la texture des renforts (leur architecture) pour créer une charpente
résistante adaptée aux contraintes mécaniques. En fonction des propriétés recherchées, on
rencontre plusieurs architectures de renforcements [6].
a) Unidirectionnelle : Les fibres sont orientées dans une même direction ; elles sont
parallèles et peuvent se présenter sous deux formes [6] :
 Sans liaison particulière (roving) ;
 Reliées par un fil (nappes).
25
Figure I. 15 Orientation des fibres unidirectionnelle [6].
b) Multidirectionnelle aléatoire : Il est possible de fabriquer des composites avec des fibres
disposées dans trois directions. Par construction tous les composites sont fortement
anisotropes, puisque la rigidité et la résistance des fibres sont de l’ordre de 50 à 100 fois
supérieures à celles des résines.
Elles peuvent se présenter sous les formes :
 Fibres coupées et broyées, sans arrangement particulier.

 Feutre de fibres agglomérées par un liant : le mat peut être à fibres courtes.
 Longueur inférieure à 50 mm), sans orientation particulière ou à fibres
continues [6].
Figure I. 16 Orientation multidirectionnelle aléatoire [6].
c) Orientée : Le tissu comporte des fils de chaîne ou de trame (fibres bidirectionnelles) ;

suivant le mode de croisement de la trame et de la chaîne, le tissu sera une toile, un sergé
ou un satin. On réalise également, pour des applications particulières (aérospatiale,
défense), des armatures de renforcements bi-ou tridimensionnelles. On réalise aussi des
plaques ou coques dont la raideur et la résistance varient avec la direction de la
sollicitation [6].
26
Figure I. 17 Orientation des fibres bidirectionnelles [6].
I.6.3. Coefficient d’orientation des fibres

L’orientation moyenne des fibres joue un rôle important sur la résistance à
l’arrachement des fibres ainsi que sur la quantité de fibres traversant un plan de
rupture [8].
a) Quelques paramètres influençant l’orientation des fibres
 Influence du seuil : La présence des seuils, entraine lorsqu’ils sont le siège
d’élongation, la formation d’un cœur avec une orientation transverse à la direction
d’écoulement. Les géométries de seuil qui ne créent pas un tel flux (cas de seuil en
film ou les carottes d’injections) facilitent, pour leur part, la formation d’un cœur dans
lequel les fibres sont orientées dans la direction d’´écoulement [9].
 Influence de la vitesse d’injection : Plus la vitesse d’injection est élevée, plus la
taille du cœur (ou les fibres sont orientées transversalement à la direction
d’écoulement) grandit. Inversement, réduire la vitesse d’injection a pour conséquence
de diminuer la taille du cœur ou d’en changer l’orientation (les fibres du cœur sont
mieux alignées avec la direction d’écoulement). Ils expliquent qu’à faible vitesse, la
zone de peau affectée par l’effet fontaine est plus large. La région ou le
cisaillement est fort est donc d´écalée vers le centre [9].
 Influence de l’épaisseur de la pièce : Pour des débits d’injection comparables, une
cavité fine est associée à une zone de cœur plus petite. En effet, une épaisseur plus
fine crée des taux de cisaillement plus importants et donc (pour une vitesse de
refroidissement égale) un profil de vitesse plus plat. Cela aide le transport de
l’orientation transverse dans le cœur à rester inchangé tout au long de l’écoulement
dans la cavité. Certains auteurs montrent, pour leur part que l’orientation des fibres
dans le cœur peut aussi être affectée par la réduction d’´épaisseur de la cavité. Leurs
27
observations microscopiques (pas de quantification) montrent qu’en divisant

l’´épaisseur de la cavité par deux (pour une résine thermodurcissable chargée à 33%
en poids en fibres courtes), les fibres du cœur s’orientent l´légèrement dans le sens de
l’écoulement [9].
 Influence de la température du moule : Son effet peut être comparable à celui de la
vitesse d’injection : pour une température de moule basse, la zone solidifiée est plus
importante, d´écalant les maxima de cisaillement vers le centre la pièce. De plus, en
entrée de cavité, le taux d’´élongation est réduit ce qui entraine une orientation
transverse des fibres moins importante [9].
 Influence de la concentration de fibres : Une étude extensive réalisée sur un
polypropylène renforcé fibre de verre (courtes et longues) avec plusieurs taux de
renfort (en poids) de 10, 20, 30 et 40% montre que la largeur du cœur augmente avec
la concentration en fibres. II ressort aussi que le phénomène est plus important dans le
cas des fibres longues [9].
I.6.4. La fraction volumique
Considérons un volume vc de matériau composite, composé d'un volume v f de fibres
et d'un volume 𝑣 de matrice. Par la suite, les indices c, f et m seront systématiquement

utilisés comme indices respectifs des caractéristiques du matériau composite, des fibres et de
la matrice [10].
vc  vm  v f (I. 1)
La fraction volumique de la matrice est donnée par l’équation (I.2)

vm
Vm  %   (I. 2)
vc
La fraction volumique de fibre est donnée par l’équation (I.3)
vf
Vm  %   (I. 3)
vc
I.6.5. La fraction massique

Les fractions massiques sont définies de la même manière à partir des masses 𝑚 ,𝑚 ,
𝑚 respectives de matériau composite, de fibres, de matrice. Les fractions massiques ou
fractions en masse de fibres et de matrice s'écrivent respectivement [11].
28
mc  mm  m f (I. 4)
La fraction massique de la matrice est donnée par l’équation (I.5)
mm
M m  %  (I. 5)
mc
La fraction massique de fibre est donnée par l’équation (I.6)
mf
M f %  (I. 6)
mc
On note que : Vm  V f  1
I.7. Propriétés mécaniques des matériaux composites

Les résultats d'une précédente étude visant à déterminer les propriétés mécaniques de
matériaux composites imprimés par fabrication additive, renforcés de fibres continues montre
que [11]:
I.7.1. Contrainte
La contrainte est une mesure de la force par unité de surface appliquée à un matériau.
Elle est définie comme la force exercée sur une surface divisée par la surface sur laquelle elle
agit.
F
 (I. 7)
A
Où  est la valeur de la contrainte (MPa), F est la force mesurée (N) et A0 est l'aire de
la section transversale de la pièce d'essai ( mm 2 ) [11].
a) Contrainte de traction / compression

Ou la résistance ultime à la traction est la charge maximale divisée par l'aire de la
section transversale d'origine de l'éprouvette
pmax
u  (I. 7)
A0
Avec :
 u : Contrainte de traction en MPa.
Pmax : Force maximale appliqué en N.
A0 : L’aire de la section transversale initiale en mm².

29
La résistance à la traction est la valeur la plus fréquemment citée à partir des résultats
d'un essai de traction. En fait, cependant, il s'agit d'une valeur de peu d'importance
fondamentale en ce qui concerne la résistance d'un métal. Pour les métaux ductiles, la
résistance à la traction doit être considérée comme une mesure de la charge maximale qu'un
métal peut supporter dans les conditions très restrictives de chargement uniaxial [11].
Figure I. 18 Courbe contrainte-déformation [11].
La résistance à la compression prend le même principe que la résistance à la traction

définie par la même expression.
b) Contrainte de cisaillement
Un solide soumis au cisaillement, peut être modélisé de la façon suivante :
Figure I. 19 Principe de cisaillement.
L’expression de cisaillement :
T
 (I. 9)
S
Avec :
30
 : Contrainte de cisaillement en MPa

T : effort normale en N
S : air de la section droite en mm²
c) Contrainte de torsion
Un solide soumis au cisaillement, peut être modélisé de la façon suivante :
Figure I. 20 Principe de torsion.
L’expression de torsion :
Mt
M   (I. 10)
I0
Avec :
 M : Contrainte tangentielle due à la torsion en MPa.
M t : Moment de torsion (N.mm).
I 0 : Moment quadratique polaire de la section droite considérée (𝑚𝑚 ).
 : Distance du point M à la fibre neutre (mm).
I.7.2. Déformation
l
 (I. 11)
l0
Où  est la valeur de la déformation uniaxiale exprimée sous la forme d'une relation

sans dimension, l0 est la longueur de référence de l'éprouvette (mm), l est l'incrément de
longueur de l'éprouvette mesuré dans les repères (mm) [11].
31
I.7.3. Module d'élasticité

Et  (I. 12)

Où Et est le module d'élasticité en traction (MPa),  est la différence de contrainte
dans (MPa),  est la différence de la valeur de déformation pour un point nominal sans
dimension [12].
I.7.4. Le coefficient de poisson

 n
 (I. 13)
l
Où  est le coefficient de Poisson sans dimension,  n désigne la déformation dans la
direction de la section transversale,  l est la déformation dans la direction
longitudinale [11].
I.8. Revue de littérature

Toutes ces études antérieures visent à travaux sur l’optimisation des paramètres de
fabrication des matériaux composites.
 En May 2000, Patricia Krawczak et al [13], ont présenté les premiers résultats d'un
projet axé sur l'optimisation conjointe du matériau, du procédé et du produit, appliquée
aux composites moulés par injection de résine sur renforts textiles (RTM). L'approche
consiste à rendre les composites à base de fibres de verre et de matrice organique
fonctionnels en intégrant des capteurs résistifs en fibre de carbone dans les renforts
positionnés dans le moule. L'évolution de la résistance électrique de ces capteurs est
suivie à deux étapes clés : d'abord pendant le processus de fabrication de la pièce, ce
qui permet de surveiller le remplissage du moule et de comprendre les détails du
procédé de fabrication. Les premiers résultats expérimentaux ont confirmé la faisabilité
de cette méthode. Ensuite, après la polymérisation de la résine, la résistance électrique
est surveillée pendant l'utilisation de la pièce, ce qui permet de détecter les dommages
causés par des sollicitations mécaniques et d'évaluer l'intégrité structurelle. Une étude
de base a été réalisée pour valider cette approche sur une "structure intelligente"
industrielle, présentant une géométrie de révolution soumise à des sollicitations
complexes. La modélisation de la réponse du capteur offre des perspectives
intéressantes en termes de maintenance préventive.
32
 En 2005, Chung-Hae Park et al [14], ont présenté une méthodologie d'optimisation

visant à minimiser la masse d'une structure composite tout en prenant en compte ses
performances mécaniques. Cette approche nécessite une optimisation simultanée de la
conception structurale et du procédé de fabrication, en l'occurrence le procédé RTM
étudié ici. Les interactions entre les paramètres sont identifiées, et une nouvelle méthode
d'optimisation est proposée pour déterminer l'ordre d'empilement, le nombre de plis, la
localisation des points d'injection et l'épaisseur de la structure. Une approche novatrice
est proposée pour intégrer les critères de conception sans utiliser de paramètres de
pénalité, souvent utilisés dans les problèmes d'optimisation multicritère. Afin de
surmonter les difficultés liées à la variation du nombre de plis, certains opérateurs
génétiques tels que le croisement et la mutation sont adaptés.
 En 2008, Rafik Younes et al [15], ont développé une méthode d'optimisation du tissage
de composites orthogonaux 3D dans le but d'améliorer leurs propriétés mécaniques. Ils
ont tout d'abord exposé les avantages de l'utilisation de ces composites dans l'industrie
aéronautique et spatiale, ainsi que les défis liés à leur conception. Ensuite, ils ont
proposé une méthode d'optimisation basée sur l'algorithme génétique pour déterminer les
paramètres de tissage permettant d'obtenir les meilleures propriétés mécaniques du
matériau. Cette méthode a été validée à travers une étude de cas portant sur un
composite à base de fibres de carbone. Les résultats ont clairement démontré que la
méthode d'optimisation proposée permet d'améliorer de manière significative les
propriétés mécaniques des composites orthogonaux 3D, en particulier la résistance en
cisaillement et la résistance en traction. Les auteurs ont conclu que cette méthode
pourrait être utilisée pour optimiser le tissage des composites orthogonaux 3D dans
diverses autres applications industrielles.
 En 2009, Alvine Njionhou Kepnang et al [16], ont se sont penchés sur l'optimisation de
la résistance au cisaillement interlaminaire (RCIL) des matériaux composites fabriqués
par la méthode de l'infusion de résine liquide (LRI), en fonction des paramètres de
fabrication. Les paramètres étudiés comprenaient le temps de gel de la résine, la
température du four et la pression d'infusion. L'étude a été réalisée sur des échantillons
composites en fibre de verre/époxy. Les résultats ont révélé que la RCIL était influencée
par ces paramètres de fabrication. Plus précisément, la pression d'infusion avait l'effet le
plus marqué sur la RCIL, suivie de la température du four et du temps de gel de la
résine. L'optimisation de ces paramètres a conduit à une amélioration significative de la
RCIL des échantillons composites, avec une augmentation de plus de 40% par rapport
33
aux échantillons non optimisés. En conclusion, l'optimisation des paramètres de

fabrication est une étape cruciale pour améliorer les propriétés mécaniques des
composites fabriqués par la méthode LRI. La RCIL peut être considérablement
améliorée en optimisant les paramètres de pression d'infusion, de température du four et
de temps de gel de la résine.
 En 2013, François-Xavier Irisarri et al [17], ont développé le concept de "table de
drapage" pour la conception optimale de structures composites stratifiées comportant des
arrêts de plis. La table de drapage décrit une série d'arrêts de plis qui assurent une
transition entre un empilement principal plus épais et un empilement plus fin. Une
structure stratifiée avec une épaisseur variable est représentée par une table de drapage
combinée à une distribution d'épaisseur dans différentes régions de la structure. Un
algorithme évolutionnaire spécialisé a été utilisé pour l'optimisation des tables de
drapage. L'utilisation de cet algorithme permet de satisfaire des règles de conception qui
n'avaient pas encore été introduites dans les études publiées jusqu'à présent. Un large
ensemble de règles de conception, représentatif des exigences industrielles actuelles, a
été pris en compte. La méthode a été appliquée à un cas d'étude tiré de la littérature, qui
comprenait 18 panneaux, et des résultats convaincants ont été obtenus. En particulier,
ces résultats ont démontré que les règles de conception peuvent être appliquées sans
compromettre de manière significative le comportement en termes de rigidité et la masse
de la structure.
 En 2014, Rajkumar Govindaraju et al [18], ont réalisé une étude visait à optimiser les
paramètres du processus de moulage par compression afin d'améliorer les propriétés
mécaniques des composites en polypropylène renforcés de fibres de laine. Une
expérience a été conçue en utilisant la méthode de Box-Behnken avec trois variables
indépendantes - la température, le temps et la pression - chacune ayant trois niveaux. Les
résistances à la traction, à la flexion et aux chocs ont été mesurées en tant que variables
dépendantes. Les conditions du processus ont été optimisées en utilisant la méthodologie
de surface de réponse avec la conception expérimentale de Box-Behnken. Des équations
de régression ont été obtenues pour analyser les résistances à la traction, à la flexion et
aux chocs, et les paramètres de processus optimaux ont été identifiés. Les résultats
indiquent que les conditions optimales pour le moulage par compression sont une
température de 176°C, un temps de 7 minutes et une pression de 35 bars.
 En 2015, Jean Luc Toupe [19], Cette thèse se concentre sur l'optimisation des propriétés
mécaniques des composites à base de fibres naturelles, plus précisément les composites
34
de fibre de lin avec un mélange de polyéthylène et de polypropylène provenant de

sources post-consommation. L'objectif de cette recherche est d'améliorer les propriétés
mécaniques des composites, telles que la résistance à la traction, la résistance à la
flexion et la ténacité, en optimisant les paramètres de fabrication et les proportions de
mélange des matériaux composites. Pour atteindre cet objectif, des techniques d'analyse
statistique et d'optimisation sont utilisées pour étudier les relations entre les paramètres
de fabrication et les propriétés mécaniques des composites. Des tests mécaniques et des
analyses morphologiques sont également réalisés pour évaluer les performances des
matériaux composites. Les résultats de cette recherche démontrent que l'optimisation
des paramètres de fabrication et des proportions de mélange peut considérablement
améliorer les propriétés mécaniques des composites à base de fibres naturelles, ouvrant
ainsi de nouvelles perspectives pour leur utilisation dans diverses applications
industrielles.
 En 2017 Lauric Gaffiot [20], ont mené des travaux de recherche, dans le but de
développer un matériau composite structural unidirectionnel à base de fibres de lin. Les
développements réalisés à la fois sur les traitements et la structure des composites ont
permis de doubler les propriétés mécaniques des systèmes initiaux, atteignant ainsi un
module de rigidité de 30 GPa et une contrainte ultime d'environ 370 MPa en traction. De
plus, ces développements ont considérablement réduit la perte de résistance après
vieillissement dans l'eau et ont assuré une déformation en flexion conforme aux
spécifications requises. Bien que ces évolutions ne permettent pas encore une
industrialisation du matériau, elles ouvrent la voie à la réalisation de prototypes de
produits finis.
 En 2020, Safa Essid [21], se focalisé sur la fabrication et l'optimisation de structures
sandwiches utilisant des peaux renforcées de fibres de lin, en se fixant des objectifs à la
fois mécaniques, économiques et environnementaux. Ils ont valorisé les anas de lin, un
sous-produit de la plante de lin, en développant des panneaux agglomérés à base de ces
particules, qui ont été utilisés comme âme des structures sandwiches. Pour parvenir à
l'étape d'optimisation, des caractérisations expérimentales des matériaux de matrice et de
l'âme ont été réalisées. Ensuite, un travail sur le couplage entre les procédés de
fabrication et les propriétés recherchées des structures sandwiches a été effectué. Toutes
les caractéristiques déterminées ont été comparées à celles d'un matériau de référence
non biosourcé. Enfin, pour résoudre la problématique de l'optimisation de la conception
des structures sandwiches en lin, en respectant les exigences de rigidité et de résistance à
35
la rupture, trois approches analytiques, graphiques et numériques ont été développées.

Cette procédure d'optimisation permet de contrôler de manière systématique les
caractéristiques recherchées des structures sandwiches en lin.
 En 2021, vahid sadeghi [22], se focalise sur la production et la caractérisation de
composites utilisant un polymère thermoplastique (polyéthylène haute densité) et des
particules naturelles (coquilles de sarrasin) pour valoriser ces dernières. Trois types
d'échantillons ont été préparés. La première partie concerne l'utilisation directe des
coquilles non traitées dans la matrice polymère. La deuxième partie concerne les
coquilles traitées préalablement (par mercerisation) avant leur incorporation dans la
matrice polymère. Enfin, la dernière partie traite des coquilles traitées en ajoutant un
agent de couplage (polyéthylène greffé d'anhydride maléique). Tous les échantillons ont
été préparés avec des concentrations de 10, 20, 30 et 40% en poids de coquilles de
sarrasin, afin de les comparer avec la matrice pure (0%). Des plaques ont ensuite été
fabriquées par moulage en compression pour produire les éprouvettes d'essai. Les
caractéristiques morphologiques (microscopie électronique à balayage), physiques
(densité et dureté) et mécaniques (résistance à la tension et résistance aux chocs) ont été
mesurées sur les échantillons fabriqués. Les résultats obtenus indiquent que certaines
propriétés mécaniques et physiques sont améliorées, mais uniquement lorsque le
traitement alcalin est combiné avec l'agent de couplage. En général, les meilleurs
résultats sont obtenus avec une concentration de 30% en poids.
 En mars 2022, Oussama ben naser [23], a développé et utilisé l'impression 3D pour
fabriquer des bio-composites à base de RIF-polymère. Les résultats de l'étude mettent en
évidence l'impact significatif des paramètres d'impression tels que la température, la
vitesse d'extrusion et la hauteur de couche sur les propriétés mécaniques et la porosité
des bio-composites imprimés en 3D. En utilisant des méthodes d'optimisation telles que
la méthode des surfaces de réponse et l'algorithme génétique, les meilleurs paramètres
ont été identifiés pour obtenir des bio-composites de haute qualité. Cette recherche
démontre que l'impression 3D par extrusion de matière de bio-composites à base de
résidus industriels forestiers est une technologie prometteuse pour la production de
pièces présentant des propriétés mécaniques améliorées et une faible porosité.
L'optimisation des paramètres d'impression joue un rôle essentiel dans l'obtention de
produits finis de haute qualité, et l'utilisation de méthodes d'optimisation peut aider à
déterminer les meilleurs paramètres pour atteindre cet objectif.
36
I.9. Conclusion
Dans ce chapitre, nous avons abordé les matériaux composites sous différents angles,
en examinant leur classification, leurs propriétés et les facteurs susceptibles de les influencer.
De plus, nous avons examiné certaines études antérieures qui ont tenté d'optimiser les
paramètres de fabrication des composites. Cette analyse nous permet de mieux comprendre
les facteurs cruciaux impliqués dans le processus de fabrication et d'établir des liens entre ces
paramètres et les caractéristiques finales des composites. L'ensemble de ces informations
constitue une base solide pour le développement ultérieur de ce chapitre et de mémoire dans
son ensemble.
37
Chapitre II : Méthodes de
modélisation
Chapitre II Méthodes de modélisation
II.1 Introduction
L'analyse de régression est une méthode statistique utilisée pour étudier les relations
entre les variables. Son objectif principal est de décrire et prédire les relations entre plusieurs
variables. Dans ce chapitre, nous explorerons les différentes méthodes de régression et
aborderons également l'analyse de la variance. Notre but est de mieux comprendre ces
techniques et d'appréhender leur application dans la modélisation des relations entre les
variables.
II.2 Régression linéaire

La régression linéaire se classe parmi les méthodes d’analyses multi variées qui traitent
des données quantitatives. C’est une méthode d’investigation sur données d’observations, ou
d’expérimentations, où l’objectif principal est de rechercher une liaison linéaire entre une
variable Y quantitative et une ou plusieurs variables X également quantitatives.
La régression linéaire simple (RLS) où une variable Y est expliquée, modélisée par une
fonction affine d’une autre variable X. Après avoir explicité les hypothèses nécessaires et les
termes du modèle, les notions d’estimation des paramètres du modèle par la méthode de
moindres carrés ordinaire, l’estimation par intervalle de confiance, on passe ‡ tester la
signification des paramètres et la signification globale du modèle. Enfin une attention
particulière est faite à la prévision [24].
Figure II. 1 Exemple régression linéaire simple [25].
II.2.1 Signification des paramètres de la droite de régression
Les Yi et les X i n’étant pas, dans l’immense majorité des cas, exactement liées de façon
affine, on suppose qu’elles le sont "en moyenne" c’est à dire que E Yi    0  1 E  X i  pour
tous i = 1 . . . n [26].
39
On introduit alors le modèle statistique suivant :
Yi  0  1 X i   i (II. 1)
Pour i = 1 . . . n ,
Où
 X i est une variable aléatoire observée appelée régresseur ou variable explicative,
 Yi est une variable aléatoire observée, appelée variable à expliquer,
 0 et 1 sont des paramètres réels inconnus appelés paramètres de régression ou

cœfficients de régression,
 les  i sont des variables aléatoires indépendantes des X i , non observées, appelées
erreurs ou bruits, auxquelles on impose certaines conditions complémentaires.
Les conditions standards imposées aux  i sont les suivantes :
 (C1) : E [  i ] = 0 pour tout i = 1 . . . n (centrage),
 (C2) : cov (  i ,  j )= 0 pour tout i ≠ j (non corrélation),
 (C3) : var (  i ) = σ (inconnue) pour tout 𝑖 = 1 . . . n (homoscédasticité).
Ce modèle est appelé modèle de régression linéaire simple.
Conditionnement sachant X i = xi ⇒ on considère dans toute la suite du chapitre le

modèle [26] :
Yi  0  1 xi   i (II. 2)
Pour i = 1 . . . n ,
Où
 xi est déterministe, et il existe au moins un couple (i, j) tel que 𝑥 ≠𝑥 ,
 Yi est une variable aléatoire observée,
 0 et 1 sont des paramètres réels inconnus,

 les  i sont des variables aléatoires non observées vérifiant les conditions (C1) à
(C3),
On a ainsi :
 E Yi    0  1 xi pour tout i = 1 . . . n ,
40
 Cov ( Yi , Yj ) = 0 pour tout i  j et var ( Y ) =  2 pour tout i = 1 . . . n .
II.2.2 Mesure de la qualité d'ajustement d'une régression linéaire
a) Coefficient de détermination R 2
Le coefficient de détermination R 2 est définit par [24] :

2 2
SCE  i 1  yî  y   i1î
n n
SCR
R2   2
 1  1 2 (II. 3)
SCT y  y  SCT
  y  y
n n
i 1 i i 1 i
En effet, d’après l’équation d’ANOVA (II. 4), on a :

n 2 n 2 n 2
  y  y     yˆ  y     y  yˆ 
i 1
i
i 1
i
i 1
i i (II. 4)
  
SCT SCE SCR
SCT SCE SCR

  (II. 5)
SCT SCT SCT
n n n
  yi  y    yî  y    y  yˆ 
2 2 2
i i
i 1
n
 i 1
n
 i 1
n (II. 6)
 y  y   y  y   y  y 
2 2 2
i i i
i 1 i 1 i 1
Avec :
 SCT : est la somme des carrés totaux où elle indique la variabilité totale de Y c.à.d.
L’information disponible dans les données.
 SCE : est la somme des carrés expliquées, cette quantité est la variabilité expliquée par
le modèle c.à.d. la variation de Y expliquée par X.
 SCR : est la somme des carrés résiduels. Elle Ecrite la variabilité non-expliquée
(résiduelle) par le modèle (l’écart entre y et yb ).
n
  yˆ  y 
2
i
La quantité i 1
n
 R 2 est appelée le coefficient de détermination, alors [24]:
 y  y 
2
i
i 1
  y  yˆ 
2
i i
1  R2  i 1
n (II. 7)
 y  y 
2
i
i 1
41
n n
  yi  yî   ˆ
2 2
i
R2  1  i 1
n
 1 n
i 1
(II. 8)
 y  y   y  y 
2 2
i i
i 1 i 1
 Ce coefficient R 2 qui varie entre 0 et 1, mesure la proportion de variation totale de Y

autour de la moyenne expliquée par la régression, c.à.d. prise en compte par le modèle.
 Plus R 2 se rapproche de la valeur 1, meilleure est l’adéquation du modèle aux données
et un R 2 faible (proche de 0) signifie que le modèle a un faible pouvoir explicatif.
II.2.3 Analyse des résidus d'une régression linéaire
La distance 𝑦− y, pour chaque point (;), est appelée erreur ou résidu. C’est la différence entre
la vraie valeur de 𝑦 pour un point de données et la valeur prédite y, sur la droite, pour une
même valeur 𝑥 [25].
Figure II. 2 Résidus d’une régression linéaire [25].
La droite de régression des moindres carrés, y  a  bx minimise la somme des carrés des
différences des points par rapport à la droite, d’où l’expression « moindres carrés ». Nous
n’étudierons pas la manière d’obtenir les formules relatives à la droite qui s’ajuste le mieux
ici. Cependant, nous montrerons comment utiliser ces formules pour trouver les
coefficients 𝑎 et 𝑏 de la droite [25].
II.2.4 Régression linéaire polynomiale multiple RLM

La régression linéaire est une des méthodes statistiques les plus utilisées dans de
nombreux domaines pour l’étude de données multidimensionnelles, il constitue la
généralisation naturelle de la régression simple, on cherche à expliquer les valeurs prises par
42
la variable endogène Y à l’aide de p variables exogènes𝑋 , … , 𝑋 . La déférence essentielle

réside dans le formalisme qui passe par des Ecritures matricielles des estimateurs et de leurs
variances [24].
Sur le plan pratique, la mise en œuvre des méthodes statistiques obtenues nécessite
donc, sauf dans des situations particulières, de recourir à des moyens informatiques (logiciels)
pour l’inversion de matrices [24].
a) Modèle de la RLM
On cherche à décrire la relation existant entre une variable quantitative Y appelée
variable à expliquer (ou encore, réponse, exogène, dépendante) et plusieurs variables
quantitatives X 1 ,..., X p dites variables explicatives (ou encore de contrôle, endogènes,
indépendantes, redresseurs) [24].

Le modèle de régression linéaire multiple, noté par RLM, ou modèle linéaire multiple
est défini par :
i  1,..., n
yi  0  1 xi1   2 xi 2  ...   p xip   i (II. 9)
Où 0 , 1 ,  2 ,...,  p sont appelés les paramètres ou les coefficients inconnus du modèle que
l’on veut estimer à partir des donnés [24].

On remarque dans ce modèle de RLM (équation II. 9)
 i  1, , n correspond au numéro des observations ;
 yi est la i-éme observation de la variable ;
 xij est la i-éme observation de la j-éme observation variable ;
  i est l’erreur du modèle (bruit), il représente la déviation entre ce que le modèle prédit et
la réalité.
b) Notation matricielle
Ce modèle s’écrit sous la forme des équations comme suit [24] :
 y1   0  1 x11   2 x12   p x1 p  ...   1


 y2   0  1 x21   2 x22   p x2 p  ...   2


 y     x   x   x  ...  
 n 0 1 n1 2 n2 p np n
Ou sous forme matricielle :

43
 y1   1 x11 . . . x1 p   1   1 
       
y
 
2 1 x 21 . . . x2 p   2    2 
 
          
       
 
 yn   1 xn1 . . . xnp    p    n 
De façon équivalant, on écrit :

Y   X  (II. 10)
Où
 Y : est le vecteur à expliquer de taille n×1 ;

 X : est la matrice, de taille n × (p+1), qui contient l’ensemble des observations sur les
exogène, avec une première colonne formée par la valeur 1 indiquant l’on intègre 0
dans l’équation où p étant le nombre des variables explicatives réelles.
  i : est le vecteur des erreurs de taille n×1.
II.3 Régression non linéaire
II.3.1 Démarche générale

En régression non linéaire, nous utilisons des fonctions h qui ne sont pas linéaires dans
les paramètres. Souvent, une telle fonction est dérivée de la théorie. Dans principe, il existe
des possibilités illimitées pour décrire la partie déterministe de la maquette. Comme nous le
verrons, cette flexibilité signifie souvent un plus grand effort pour faire des statistiques
déclarations [25].
Les modèles de régression non linéaire ont la même forme de base que celle de la
régression linéaire des modèles :
Yi  y0 f ( X i , y)   i (II. 11)
Où :
 X i1   y0 
   
 X i2   y1 
X i  .  , y  . 
   
.  . 
X  y 
 iq   p 1 
Une observation Yi est la somme d'une réponse moyenne f ( X i , γ) donnée par la

fonction de réponse f ( X , y) et le terme d'erreur εi. Les termes d'erreur sont généralement
44
supposés avoir une espérance nulle, une variance constante et être non corrélé, tout comme
pour la régression linéaire des modèles. Souvent, un modèle d'erreur normale est utilisé qui
suppose que les termes d'erreur sont variables aléatoires normales indépendantes à variance
constante [25].
Le vecteur de paramètre dans la fonction de réponse f ( X , y) est maintenant noté γ plutôt que
β pour rappeler que la fonction de réponse est ici non linéaire dans les
paramètres [25].
II.3.2 Modèles de régression non linéaire

a) Modèles de régression exponentielle
Un modèle de régression non linéaire largement utilisé est le modèle de régression
exponentielle. Lorsqu'il n'y a qu'une seule variable prédictive, une forme de ce modèle de
régression avec des termes d'erreur normaux est [27] :
Yi  y0 exp( yi , X i )   i (II. 12)
Où
 y0 et y1 sont deux paramètres ;
 X i sont des constantes connues ;
  i sont indépendants N (0,  2 ) .
La fonction de réponse pour ce modèle est :
f  X , y   y0 exp( y1 X ) (II. 13)
Noter que ce modèle n'est pas linéaire dans les paramètres y0 et y1 .
Un modèle de régression exponentielle non linéaire plus général dans une variable prédictive
avec des termes d'erreur normaux est [27]:
Yi  y0  y1 exp( y2 X i )   i (II. 14)
Où les termes d'erreur sont normaux indépendants avec une variance constante 𝜎 . La
fonction de réponse pour ce modèle de régression est [27]:
f  X , y   y0  y1 exp( y2 X ) (II. 15)
Le modèle de régression exponentielle (II. 14) est couramment utilisé dans les études de
croissance où le taux de croissance à un temps donné X est proportionnel à la quantité de
croissance restante à mesure que le temps augmente, y0 représentant la valeur de croissance
45
maximale. Une autre utilisation de ce modèle de régression consiste à relier la concentration

d'une substance (Y) au temps écoulé (X).
La figure (II.4) a montré la fonction de réponse (II. 15) pour les valeurs de paramètre γ0 =
100, γ1 = −50 et γ2 = −2 [27].
b) Modèles de régression logistique
Un autre modèle de régression non linéaire important est le modèle de régression
logistique. Ce modèle avec une variable prédictive et des termes d'erreur normaux
est [27] :
y0
Yi   i (II. 16)
1  y1 exp  y2 X i 
Où les termes d'erreur 𝜀 sont normaux indépendants avec une variance constante  2 .
Figure II. 3 Parcelles de réponse exponentielle et logistique les fonctions [27].
Et la fonction est :
y0
f ( X , y)  (II. 17)
1  y1 exp  y2 X 
Notez à nouveau que cette fonction de réponse n'est pas linéaire dans les paramètres y0 ,
y1 et y2 .
c) Modèle de régression carrée

n 2
Q   Yi    0  1 X i   (II. 18)

i 1
Les valeurs de 0 et 1 qui minimisent Q pour les observations d'échantillon données ( X i ,
Yi ) sont les estimations des moindres carrés et sont notées b0 et b1 [27].
46
II.3.3 Exemple de régression non linéaire

Pour planter le décor, prenons un exemple concret. Les données du tableau II.1
concernent les frais de gestion qu'un fonds commun de placement de premier plan aux États-
Unis verse à ses conseillers en placement pour gérer ses actifs. Les frais payés dépendent de la
valeur liquidative du fonds. Comme vous pouvez le voir, plus la valeur nette d'inventaire du
fonds est élevée, plus les frais de conseil sont faibles, ce qui ressort clairement de la figure
II.4 [28]. Pour voir comment le modèle de régression exponentielle de (II.19) correspond aux
données dans le tableau II.1, nous pouvons procéder par essais et erreurs. Supposons que nous
supposons que :
Yi  1e2 Xi  ui (II.19)
Tableau II. 1 Frais de conseil facturés et taille des actifs [28].

Free % Asset*
1 0.520 0.5
2 0.508 5.0
3 0.484 10
4 0.46 15
5 0.4398 20
6 0.4238 25
7 0.4115 30
8 0.402 35
9 0.3944 40
10 0.388 45
11 0.3825 55
12 0.3738 60
Asset* représente la valeur nette d'inventaire, des milliards de dollars.
47
Figure II.4 Relation entre les frais de conseil et les actifs du fonds [28].
Initialement  1 =0,45 et 2 = 0,01. Ce sont de pures suppositions, parfois basées sur une
expérience antérieure ou un travail empirique antérieur ou obtenues en ajustant simplement un
modèle de régression linéaire même si cela peut ne pas être approprié. À ce stade, ne vous
inquiétez pas de la façon dont ces valeurs sont obtenues [28].
Connaissant les valeurs de 1 et 2 , on peut écrire (II.19) sous la forme :
ui  Yi  1e 2 X i  Yi  0.45e0.01 X i (II.20)
II.4 Analyse de la variance ANOVA

Le but de l’analyse de la variance est de tester la présence de différences significatives
ou non entre des moyennes. Le cas classique le plus simple est celui de la comparaison de
deux moyennes provenant d’échantillons indépendants. Le test t de Student est la procédure
statistique appropriée pour traiter de ce cas. Si on a plus de deux échantillons indépendants, il
faut une autre méthode pour tester simultanément l’égalité ou non de toutes les moyennes.
L’analyse de la variance est la méthode employée pour tester plusieurs moyennes. Au cœur de
cette méthode est la décomposition de la variabilité totale selon les différentes sources
présentes dans les données. La variabilité totale est partionnée (décomposée) en deux
sources : la variabilité intra dû à l’erreur expérimentale et la variabilité inter dû aux écarts de
moyennes entre les différentes modalités d’un facteur. Cette idée se généralise à des études
statistiques avec plusieurs facteurs intervenant dans des designs (plans) expérimentaux
complexes [29].
48
Figure II.5 L’approche processus et l’analyse statistique [25].
II.4.1 Types des d’analyse statistique ANOVA

On peut généralement distinguer deux types d’analyses statistiques : les analyses uni-
variables (souvent nommées analyses uni-variées) et les analyses multi-variables (à tort
parfois nommées analyses multi-variées).
Les analyses uni-variables et multi-variables permettent des comparaisons statistiques
(obtention d’une p-value), et seules les analyses multi-variables permettent de prendre en
compte les facteurs de confusion [25].
II.4.2 Exemples d’ANOVA

a) Exemple 1 : Nous allons étudier un exemple simple basé sur les données du tableau ci-
dessous pour un cas de 2 groupes avec un seul facteur.
Tableau II. 2 Cas de 2 groupes avec un seul facteur [29].

Id Groupe y-réponse
1 a 1
2 a 2
3 a 4
4 b 5
5 b 6
6 b 7
Après calcul la moyenne des données et la somme carrés, nous organisons les données dans le
tableau ci-dessous
Tableau II. 3 La moyenne des données et la somme carrés [29].
Groupe a Groupe b
Moyenne 2 6
somme de carrés (ss) 2 2
49
Moyenne globale 4
Somme totale de carré 28
L’aboutissement d’une analyse de la variance (ANOVA) prend toujours la forme d’un

tableau dont les éléments sont :
 l’identification des sources de variabilité ;

 le calcul des sommes de carrés (SS) ;
 le caclul des degrés de liberté (df) ;
 le calcul des carrés moyens (MS) ;
 le caclul des ratios F = MS (effet)/ MS (erreur) ;
 l’évaluation de la probabilité p du dépassement du ratio F.
Tableau II. 4 L’aboutissement d’une analyse de la variance (ANOVA) [29].

ANOVA
SS df MS F p
Intercept 96 1 96 96 0.0006
groupe 24 1 24 24 0.0080
erreur 4 4 1
Cet exemple nous a permis d'obtenir le graphique suivant :
Figure II. 6 Régression linéaire simple pour l’y-réponse en fonction de groupe [29].
Note : Les groupes sont différents car p est « petit »

 Test de signification : Sous l’hypothèse nulle (pas de différence entre les deux
populations), la variance estimée avec la variabilité à l’intérieur de chaque groupe (intra)
devrait être à peu près la même que la variance entre les groupes (inter). On peut comparer
ces variances à l’aide d’un test F (distribution de Fisher) basé sur le ratio des deux
50
variances moyennes (MS). Lorsque le ratio est assez grand, on conclut que les moyennes
des populations sont significativement différentes l’une de l’autre [29].
 Variables dépendantes (réponses) et facteurs (variables indépendantes) : Les
variables mesurées sont appelées les variables dépendantes (réponses, variable d’intérêt).
Les variables qui sont manipulées ou contrôlées (fixées ou mesurées) sont appelées les
variables indépendantes (ou facteurs) [29].
 Plusieurs facteurs : En général, les expériences ont typiquement plusieurs facteurs. La
méthode d’analyse ANOVA est capable de tenir en compte plusieurs facteurs ainsi que
des structures complexes qui peuvent être présentes dans les données [29].
b) Exemple 2: Supposons que l’on tient en compte un deuxième facteur, sexe de l’individu.
Tableau II. 5 Cas de 2 groupes et 2 facteurs [29].

id groupe sexe y-réponse
1 a Hom 1
2 a Hom 2
3 a Hom 3
4 b Hom 5
5 b Hom 6
6 b Hom 7
7 a Fem 3
8 a Fem 4
9 a Fem 5
10 b Fem 7
11 b Fem 8
12 b Fem 9
Après calcul la moyenne des données, nous organisons les données dans le tableau ci-dessous
Tableau II. 6 La moyenne des données [29].
moyenne Groupe a Groupe b
Hommes 2 6
Femmes 4 8
Tous 3 7
On peut partitionner la variabilité selon 3 sources :

51
 variabilité due au facteur groupe expérimental ;

 variabilité due au facteur sexe ;
 erreur inexpliquée (intra variabilité).
Note : il y a une source additionnelle - interaction – qui sera présentée après. Si on n’inclut
pas le facteur sexe dans l’analyse, on obtient le tableau d’analyse de la variance suivant.

ANOVA
SS df MS F p
Intercept 300 1 300 150 0.0000
Groupe 48 1 48 24 0.0006
erreur 20 10 2
Figure II.7 Régression linéaire simple pour l’y-réponse en fonction de groupe [29].
Les groupes sont différents mais une partie de cette différence est due au facteur sexe.
L’analyse ANOVA est une méthode puissante car elle permet de :
 Tester chaque facteur en contrôlant tous les autres ;

 Tester des hypothèses complexes faisant intervenir les effets d’interaction entre les
facteurs ;
 Augmenter la sensitivité (puissance) des tests de signification.
Les variables qui ne sont pas tenus en compte, augmente la somme de carrés SS de
l’erreur résiduelle (expérimentale) et les degrés de liberté (df) associés. Ainsi, le carré moyen
de l’erreur (résiduelle) MS peut augmenter et, avoir comme conséquence, de masquer l’effet
des autres facteurs [29].
52
c) Effets principaux et effets d’interaction : Une analyse correcte pour comparer les 2
groupes devra tenir en compte l’influence du facteur sexe. Il y deux modèles que l’on peut
proposer. Un premier modèle général (complet) qui incorpore des effets principaux des
facteurs et en plus un effet d’interaction entre les eux facteurs. Un deuxième modèle
simple incorpore des effets principaux seulement. On recommande de considérer un
modèle général complet avec des effets d’interaction comme la première modélisation
pour interpréter des données. À la suite de cette première analyse on peut enlever des
effets principaux et des effets d’interaction qui ne sont pas significatifs en vue d’avoir un
modèle parcimonieux. On recommande de conserver dans le modèle final des effets
principaux non significatifs si des effets d’interaction significatifs impliquent ces facteurs.
C’est le principe de hiérarchie [29].
Analyse 1 : modèle complet y = général + groupe + sexe + groupe*sexe

ANOVA
df SS MS F p
intercept 1 300 300 300 0.0000
groupe 1 48 48 48 0.0001
sexe 1 12 12 12 0.0085
Groupe*sexe 1 0 0 0 1.0000
erreur 8 8 1
total 11 68
53
Figure II. 8 Graphique de visualisation et l’interaction entre les 2 facteurs [29].
Analyse 2 : modèle simplifié y = général + groupe + sexe.

ANOVA
df SS MS F p
intercept 300 1 300 337.5 0.000000
groupe 48 1 48 54.0 0.000043
sexe 48 1 48 54.0 0.0085
erreur 8 9 0.89
Cet exemple nous a permis d'obtenir les graphiques suivant :
Figure II.9 Régression linéaire simple pour l’y-réponse en fonction de groupe et sexe [29].
54
II.5 Optimisation multiobjectif

Un problème multiobjectif est défini par la recherche d’un compromis entre plusieurs
fonctions objectives contradictoires, en considérant tous les objectifs comme importants. Les
problèmes multiobjectifs ont la particularité d'être beaucoup plus difficiles à traiter par rapport
à leur équivalent mono-objectif. La difficulté réside dans l'absence d'une relation d'ordre total
entre les solutions. Une solution peut être meilleure qu'une autre sur certains objectifs et
moins bonne sur les autres. Donc il n’existe généralement pas une solution unique qui procure
simultanément la solution optimale pour l’ensemble des objectifs. Dans ce cas la solution
optimale ou de bonne qualité est un ensemble de solutions compromis entre les différents
objectifs à optimiser. Il est vital pour identifier ces meilleurs compromis de définir une
relation pour comparer les solutions entre eux. La plus utilisée est la relation de dominance au
sens Pareto [30].
II.5.1 Classification des problèmes d’optimisation

Nous rencontrons deux classifications différentes des approches de résolution de
problèmes multiobjectifs. Le premier classement adopte un point de vue décideur, Le
deuxième classement adopte un point de vue concepteur [30].
a) Classification point de vue décideur
Ce classement divise les approches de résolution multi-objectif en trois schémas
possibles selon l’ordre d’intervention du décideur et la méthode d'optimisation :
 Les approches a priori : Combinent de manière cyclique les processus de décision et
d’optimisation. Le décideur intervient de manière à modifier certaines variables ou
contraintes afin de diriger le processus d’optimisation. Le décideur modifie ainsi
interactivement le compromis entre ses préférences et les résultats. Cette approche permet
donc de bien prendre en compte les préférences du décideur, mais nécessite sa présence
tout au long du processus de recherche [30].
 Les approches interactives : Combinent de manière cyclique les processus de décision et
d’optimisation. Le décideur intervient de manière à modifier certaines variables ou
contraintes afin de diriger le processus d’optimisation. Le décideur modifie ainsi
interactivement le compromis entre ses préférences et les résultats. Cette approche permet
donc de bien prendre en compte les préférences du décideur, mais nécessite sa présence
tout au long du processus de recherche [30].
55
 Les approches a posteriori : Le décideur intervient en aval de la méthode d'optimisation,

en lui fournissant un ensemble de bonnes solutions bien réparties. Il peut ensuite
sélectionner celle qui lui semble la plus intéressante [30].
b) Classification point de vue concepteur
Ce classement adopte un point de vue plus théorique articulé autour des notions
d’agrégation et d’optimum Pareto. On distingue à cet égard les approches non Pareto et les
approches Pareto.
 Les approches non Pareto : Les approches non Pareto cherchent à ramener le problème
initial à un ou plusieurs problèmes mono-objectif. Elles sont classées en deux catégories :
les approches scalaires, qui transforment le problème multiobjectif en problème mono-
objectif et les approches non scalaires, qui gardent l’approche multiobjectif, mais en
traitant séparément chacun des objectifs [30].
 Les approches scalaires : Les approches scalaires ne traitent pas le problème comme un
véritable problème multiobjectif (elles le transforment en un problème mono-objectif).
Les approches les plus répandues de cette classe sont : les approches agrégées,
programmation par but, et les approches 𝜀-contraintes [30].
 Les approches non scalaires non Pareto : Ces approches ne transforment pas le problème
multiobjectif en un problème mono-objectif, mais utilisent un processus de recherche qui
traite séparément les différents objectifs (elles n’utilisent pas non plus la notion de
dominance Pareto). On distingue deux approches : sélection parallèle, sélection
lexicographique [30].
Figure II.10 Classifications des approches de résolution multi-objectif [30].
56
II.5.2 Optimisation multiobjectif

Un problème d’optimisation multiobjectifs consiste à rechercher les meilleures
solutions qui minimisent un nombre M de fonctions, appelées fonctions coût
f m  X  , m  1...M par rapport à un vecteur X, qui est le vecteur des n variables de contrôle
(ou paramètres) [31] :
X   x1, x 2.., xn  En satisfaisant un certain nombre de contraintes, explicites comme les
contraintes de borne  xil  xi  xis , i  1,.., n  ou implicites, d’égalité  hk  x   0, k  1,..., K  ou
d’inégalité  g j  x   0, j  1,..., J  . On se limite aux problèmes de minimisation, puisque la
maximisation d’une fonction 𝑓(𝑥) peut facilement être transformée en un problème de

minimisation [31] :
max  f  x     min   f  x   (II. 21)
Un problème d’optimisation peut s’écrire sous la forme générale suivante :

optf m  x  , m  1

sc
 PM   (II. 22)
 g j  x   0, j  1,..., J
x  0
 i
II.5.3 Dominance
Lorsque nous avons résolu notre problème d’optimisation multi-objectif, nous avons
obtenu une multitude de solutions. Seul un nombre restreint de ces solutions va nous
intéresser. Pour qu’une solution soit intéressante, il faut qu’il existe une relation de
dominance entre la solution considérée et les autres solutions, dans le sens suivant [31] :
 Une solution y  ( y1 ,..., ym )T domine faiblement une solution z  ( z1 ,..., zm ) si
i 1...mfi ( y )  fi ( z) si la solution y domine faiblement la solution z nous allons noter

y  z.
 Une solution y  ( y1 ,..., ym ) domine une solution z  ( z1 ,..., zm ) si
i  (1,..., m) fi ( y )  f j ( z ) , et  j  1,..., m telq f j ( y )  f j ( z ) si la solution y domine
la solution z nous notons alors y  z .
Notons que pour toute paire de solution y et z un et un seul des cas suivants peut se
présenter:
57
 y domine
 y est dominé par z
 y et z sont équivalents au sens de la dominance.
Les solutions équivalentes au sens de la dominance sont appelées dans ce qui suit, solutions
équivalentes au sens de Pareto ou solutions Pareto équivalentes ou encore, solutions non-
dominées [31].
II.5.4 Intérêt de l’optimisation multiobjectif

D’une manière générale, la résolution d’un Problème d’optimisation multiobjectifs
(POMO) consiste à atteindre deux objectifs : 1) trouver un ensemble de solutions qui
converge vers le front optimal de Pareto en utilisant le critère de dominance, et 2) que cet
ensemble de points soit suffisamment riche ou bien distribué, en se basant sur le critère de
distance d’encombrement, pour représenter au mieux ce front optimal de Pareto [32].
II.5.5 Courbe de Pareto

Le Front de Pareto est défini comme la frontière entre l’espace des solutions
compromis réalisables et irréalisables et correspond à l’ensemble des solutions non dominées,
dîtes Pareto-optimales, caractérisées par le principe suivant : il est impossible de trouver une
solution meilleure sur un critère sans qu’elle soit plus mauvaise sur au moins un autre critère.
La Figure II.11 présente un exemple de problème de minimisation de deux critères f1 et f2.
Sur la Figure II.11, les points A et B sur le Front de Pareto sont des exemples de solutions
non-dominées [33].
Figure II. 11 Exemple de Front de Pareto dans un espace à deux critères [33].
58
II.6 Conclusion
Dans ce chapitre, nous avons examiné deux systèmes de modélisation distincts, à savoir
la régression linéaire multiple, la régression non linéaire, en plus d'aborder brièvement le
concept d'optimisation multi-objectif. Chacun de ces systèmes offre des approches différentes
pour représenter et analyser les relations entre les variables. La régression linéaire multiple
nous permet de modéliser les relations linéaires entre une variable dépendante et plusieurs
variables indépendantes, ce qui est utile lorsque les relations sont relativement simples et
directes. En revanche, la régression non linéaire nous offre la possibilité d'explorer des
relations plus complexes et courbes entre les variables, permettant ainsi de capturer des
modèles plus sophistiqués présents dans les données. De plus, l'optimisation multi-objectif
nous permet de trouver des solutions qui optimisent simultanément plusieurs objectifs, ce qui
est particulièrement utile lorsque nous devons prendre en compte plusieurs critères dans notre
analyse. Cette variété de systèmes de modélisation nous donne des outils flexibles pour
analyser et interpréter les données, en fonction de la nature des relations que nous souhaitons
étudier et des objectifs que nous cherchons à atteindre.
59
Chapitre III : Résultats et

Discussions
Chapitre III Résultats et Discussions
III.1 Introduction
Dans ce chapitre, nous avons entrepris une mise en œuvre concrète des deux méthodes
abordées dans le chapitre précédent, à savoir la régression linéaire multiple et la régression
non linéaire. Notre objectif principal était de modéliser les trois contraintes essentielles, à
savoir la résistance traction, la résistance à la flexion et la résistance aux chocs. En utilisant
ces techniques, nous avons cherché à obtenir des modèles précis qui permettent de prédire les
performances des matériaux composites dans différentes situations. Ensuite, nous nous
sommes concentrés sur l'étape cruciale consistant à identifier les valeurs optimales des
paramètres de fabrication afin d'obtenir des résultats optimaux pour chaque contrainte.
III.2 Procédure expérimentale et matériel utilisé
III.2.1 Procédure expérimentale

Les spécimens composites ont été fabriqués par une simple méthode de stratification à
la main développée dans notre laboratoire à température ambiante. Avant le traitement, pour
assurer le retrait facile de la plaque composite durcie de la boîte de moule, un agent de
démoulage (stéarate de zinc) et un composé de séparation (acétate de polyvinyle) ont été
appliqués sur les surfaces de la boîte de moule. Avant l'imprégnation des fibres de roselle
dans la matrice de résine, la résine d'ester vinylique, l'accélérateur, le catalyseur et le
promoteur ont été soigneusement mélangés à l'aide d'un agitateur mécanique, puis les fibres
de roselle ont été pré-imprégnées de résine matrice. Les fibres de roselle imprégnées et les
matériaux de résine ont été coulés dans la boîte de moule de taille 150 × 150 × 3 mm. Après
le coulage, la boîte du moule est fermée et laissée durcir à la température du laboratoire
pendant 24 h. Vingt-sept plaques composites avec différentes combinaisons de longueur de
fibre (L), de teneur en fibre (  m ) et de diamètre de fibre (D) ont été préparées sur la base de
la conception expérimentale du réseau orthogonal L27 de Taguchi. Les composites ont été
caractérisés par leur résistance à la traction, à la flexion et aux chocs selon les normes ASTM.
L'essai de traction a été effectué sur la taille de l'éprouvette de 150 mm x 20 mm x 3 mm, Les
composites ont été caractérisés par leur résistance à la traction, à la flexion et aux chocs selon
les normes ASTM. L'essai de traction a été effectué sur la taille de l'éprouvette de 150 mm x
20 mm x 3 mm, Tous les essais ont été effectués à une température de 27 °C et à une humidité
relative de 50 % [34].
61
III.2.2 Matériel utilisé

La fibre de Roselle (Hibiscus sabdariffa L.) a été utilisée comme charge de
renforcement et a été achetée dans un village voisin (Mills Krishnapuram, Rajapalayam,
Tamilnadu, Inde). Une résine d'ester vinylique a été utilisée comme matrice et a été achetée
auprès de GVR Chemicals, nom commercial - Satyen Polymer (Satyen Polymers Pvt. Ltd.,
Bangalore), Madurai, Tamil Nadu, Inde. Le peroxyde de méthyléthylcétone (MEKP) et le
naphténate de cobalt (CoNap), la N et la N-diméthylaniline ont été utilisés respectivement
comme accélérateur, catalyseur et ont été achetés auprès de GVR Chemicals [34].
III.3 Données expérimentales

Le tableau III.1 représente les résultats de l'expérience précédente et à chaque fois
qu'une ou plusieurs variables de procédé ont été modifiées comme la longueur de fibre
L  , la teneur de fibre ( m ) et le diamètre de fibre ( D ) afin d'observer l'effet des
changements sur un ou plusieurs des variables de réponse telles que la résistance à la traction
(  t ) à la flexion (  f ), et la résistance au choc ( Rc ).
Tableau III. 1 Les valeurs moyennes de résistance à la traction, à la flexion et aux chocs du
composite RFRVE [34].
Résistance
Longueur Teneur en Diamètre de Résistance à Résistance à
aux chocs
N° de fibre fibres la fibre la traction la flexion
(mm) (wt%) (mm) (MPa) (MPa) KJ
m2
1 3 18.88 0.24 28.5 35.9 0.97
2 3 18.88 0.82 30.7 34.7 1.11
3 3 18.88 1.45 28.3 32.3 0.89
4 3 36.01 0.24 35.8 40.8 1.82
5 3 36.01 0.82 39.5 37.1 1.8
6 3 36.01 1.45 33.9 36.2 1.91
7 3 51.79 0.24 31.9 35.3 1.96
8 3 51.79 0.82 33.5 34.2 1.85
9 3 51.79 1.45 32.7 33.7 1.83
10 8 18.88 0.24 34.2 40.5 1.23
11 8 18.88 0.82 33.4 40.4 1.28
62
12 8 18.88 1.45 31.1 39.6 1.21

Résistance
Longueur Teneur en Diamètre de Résistance à Résistance à
aux chocs
N° de fibre fibres la fibre la traction la flexion
(mm) (wt%) (mm) (MPa) (MPa) KJ
m2
13 8 36.01 0.24 38.7 46.1 2.32
14 8 36.01 0.82 37.8 46.9 2.22
15 8 36.01 1.45 35.5 45.8 2.31
16 8 51.79 0.24 36.9 39.3 2.11
17 8 51.79 0.82 35.9 39.4 1.99
18 8 51.79 1.45 33.1 38.1 1.98
19 13 18.88 0.24 37.7 48.4 1.27
20 13 18.88 0.82 36.6 48.7 1.25
21 13 18.88 1.45 36.2 47.6 1.27
22 13 36.01 0.24 41.3 52.3 2.36
23 13 36.01 0.82 40.5 52.1 2.39
24 13 36.01 1.45 38.8 51.3 2.33
25 13 51.79 0.24 37.8 43.1 2.24
26 13 51.79 0.82 36.3 43.7 2.19
27 13 51.79 1.45 35.9 42.3 2.25
III.4 Présentation du système de prédiction

La méthode a été utilisée pour prédire les valeurs moyennes des résistances en
fonction des trois paramètres entrées (Figure III. 1). Dans le système modélisée la longueur de
fibre ( L ), la teneur de fibre ( m ), et le diamètre de fibre ( D ) sont considérés comme entrés et
la résistance à la traction (  t ), à la flexion (  f ), et au choc ( Rc ), considérés comme sorties.
63
Figure III. 1 Système de prédiction.
III.5 Modélisation par la méthode de la régression linéaire multiple

La régression linéaire est une méthode qui permettre de réaliser des prédictions ou des
estimations sur la base de valeurs existantes. À partir d'un algorithme d'apprentissage
supervisé, une relation linéaire est établie entre les entrées, qui sont la longueur de
fibre ( L ), la teneur de fibre ( m ), et le diamètre de fibre ( D ) et les trois sorties sont la Rés à
la traction  t et flexion  f et la Rés au choc Rc .
L’algorithme de modélisation par régression linéaire multiple est implanté sous

« MATLAB ».
Figure III.2 Organigramme représentant l’algorithme de la régression linéaire multiple.
64
L'équation empirique utilisée pour modéliser les trois sorties (  t et  f et Rc ) a une
forme générale quadratique. Elle peut être exprimée de la manière suivante :
Y  A0  A1X 1  A2 X 2  A3X 3  A4 (X 1X 2 )  A5 (X 1X 3 )  A6 (X 2 X 3 )  A7 (X 12 )
(III. 1)
 A 8 ( X 2 2 )  A9 ( X 3 2 )
L'objectif de la régression linéaire dans ce contexte est d'obtenir les valeurs des coefficients
(A0, A1,..., A9). La modélisation est effectuée à l'aide du logiciel MATLAB en utilisant des
fonctions de régression linéaire qui permettent de trouver ces valeurs de coefficients.
III.6 Analyse de variance ANOVA
L’analyse de variance ANOVA pour les trois sorties (  t et  f et Rc ) est donnée dans
les tableaux III.2 et III.3.
a) Analyse de variance ANOVA de la résistance à la traction  t
Tableau III. 2 Analyse de variance ANOVA.

SumSq DF MeanSq F pValue
Total 297.03 26 11.424
Model 270.54 9 30.06 19.291 3.0846e-07
Residual 26.489 17 1.5582
Number of observations: 27, Error degrees of freedom: 17
Root Mean Squared Error: 1.25
R-squared: 0.911, Adjusted R-Squared 0.864
F-statistic vs. constant model: 19.3, p-value = 3.08e-07

Le pValue du modèle linéaire est égale à 3.0846e-07. C’est-à-dire il est inférieur à 0.05 (5%),
donc le modèle est significatif.
b) Analyse de variance ANOVA de la résistance à la flexion  f

Total 926.89 26 35.65
Model 906.79 9 100.75 85.207 2.3231e-12
65
Residual 20.102 17 1.1825

c) Analyse de variance ANOVA de la résistance au choc Rc

Total 6.2021 26 0.23854
Model 6.0577 9 0.67308 79.257 4.2177e-12
Residual 0.14437 17 0.0084924

III.7 Présentation des modèles

L’exécution de notre algorithme nous conduit de trouves les équations empiriques
(III. 2) et (III. 3) et (III. 4) ci-dessous :
 t  9.3848+4.3969D  1.1992 m  0.0012232m D  0.92448L  0.12013LD

(III. 2)
 0.011404Lm  0.006L2  0.014837m 2  2.9473D 2
 f  9.8547  2.089D  1.515m  0.013951 m D  1.7042L  0.19588LD

(III. 3)
 0.015881L  m  0.0055556L 2  0.020713 m 2  0.78885D 2
R c  1.6801  0.039396D  0.0011154 m D  0.084237L  0.0028291LD

(III. 4)
 0.16686 m  0.00023987 L  m  0.0035778L 2  0.0019967 m 2  0.017089D 2
66
III.8 Analyse des résultats

Les graphiques des figures de III.3 à III. 11 présentés ci-dessous illustrent l'analyse des
résultats de la régression linéaire multiple réalisée lors de la modélisation.
a) Analyse des résultats de la résistance à la traction  t
L'analyse des résultats de la modélisation de la résistance à la traction  t par la

méthode de la régression linéaire multiple est donnée par les figures III.3, III. 4 et III.5.
0.8
0.7
Levier
0.6
0.5
0.4
0.3
0 5 10 15 20 25 30
Numéro de ligne
Figure III. 3 Graphique d’influence de levé des donnés et du modèle.
En analysant attentivement la figure III.3, il est clair qu'il n'y a pas de points de levier
particulièrement élevés, ce qui suggère une absence de valeurs aberrantes influentes.
Toutefois, il convient de souligner que ce graphique ne fournit qu'une indication limitée en
cas de présence de valeurs extrêmes. Par conséquent, afin de détecter toute observation
potentiellement influente, il est essentiel de se pencher sur la distance de Cook, qui mesure
l'influence globale d'un point de données sur les coefficients de régression. Cette analyse
supplémentaire permettra d'identifier les points ayant une forte influence sur le modèle et de
prendre les mesures appropriées pour garantir la fiabilité des résultats.
67
1.8
1.6
1.4
Distance de cook
1.2
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30
numéro de ligne
Figure III. 4 Points avec une grande distance de Cook.
En examinant attentivement la figure III.4, qui représente la distance de Cook, nous

pouvons constater qu'il n'y a qu'un seul point qui se démarque nettement des autres.
Cependant, il est important de noter que ce point éloigné est peu susceptible d'avoir une
influence significative sur notre modèle. Par conséquent, il est peu probable qu'il
compromette la validité et la fiabilité de nos résultats.
0.99
0.95
0.9
0.75
Probabilité
0.5
0.25
0.1
0.05
0.01
-2 -1 0 1 2 3 4
Résidus
Figure III.5 Graphe de probabilité des résidus.
En analysant attentivement le graphique de probabilité normale présenté dans la Figure

III.5, nous pouvons conclure que dans l'ensemble, il présente une bonne adéquation avec une
distribution normale. La majorité des points s'alignent assez bien avec la ligne droite de
référence, indiquant ainsi une conformité aux attentes d'une distribution normale. Toutefois, il
est à noter qu'il y a un seul point qui se démarque nettement de la ligne droite. Néanmoins, ce
68
point atypique semble peu susceptible d'affecter le modèle de manière significative, et donc il
n'est pas susceptible de compromettre la validité des résultats obtenus.
b) Analyse des résultats de la résistance à la flexion  f
Les figures III.3, III.4 et III.6 fournissent une analyse détaillée des résultats obtenus
lors de la modélisation de la résistance à la flexion à l'aide de la méthode de régression
linéaire multiple. Ces graphiques permettent d'explorer différents aspects de la modélisation,
tels que l'ajustement des données, l'identification de points atypiques, l'évaluation de
l'adéquation de la distribution des résidus et l'appréciation de l'influence des observations sur
le modèle. Grâce à cette analyse approfondie, il est possible d'évaluer la qualité du modèle de
régression et de déterminer si les résultats obtenus sont fiables et cohérents avec les données
observées.
0.8
0.7
0.6
Levier
0.5
0.4
0.3
0 5 10 15 20 25 30
numéro de ligne
Figure III.6 Graphique d'influence de levé des données et du modèle.
L'analyse de la figure III.6 met en évidence l'absence de points de levier élevés, ce qui
suggère une stabilité dans le modèle de régression. Cependant, il est important de noter que ce
graphique ne permet pas de détecter efficacement les points atypiques qui pourraient avoir
une influence significative sur les résultats. Par conséquent, il est recommandé de procéder à
une évaluation supplémentaire en examinant la distance de Cook, qui mesure l'influence
globale de chaque observation sur le modèle. En identifiant les points ayant une grande
distance de Cook, nous serons en mesure de déterminer s'ils ont un impact majeur sur la
précision du modèle et de prendre les mesures nécessaires pour garantir la validité des
résultats.
69
0.7
0.6
0.5
distance de Cook
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
numéro de ligne
En analysant la figure III.7, nous pouvons constater qu'un seul point se démarque
considérablement des autres. Toutefois, il est essentiel de souligner que ce point exceptionnel
est peu susceptible d'exercer une influence significative sur notre modèle. Il est probable que
cet écart soit dû à des variations aléatoires ou à des facteurs externes qui ne représentent pas
fidèlement la tendance générale des données. Par conséquent, il est peu probable que ce point
atypique compromette la validité de notre modèle ou la fiabilité de nos résultats.
0.99
0.95
0.9
0.75
Probabilité
0.5
0.25
0.1
0.05
0.01
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5
Résidus
Figure III. 8 Graphe de probabilité des résidus.

En analysant attentivement le graphique de probabilité normale présenté dans la Figure
III.8, nous pouvons conclure que dans l'ensemble, il présente une bonne adéquation avec une
distribution normale. La grande majorité des points s'alignent bien avec la ligne droite de
référence, ce qui indique une concordance avec les attentes d'une distribution normale.
70
Cependant, il convient de noter qu'il y a quelques points qui s'écartent de manière

significative de la ligne droite. Néanmoins, ces points atypiques semblent avoir une influence
négligeable sur le modèle et sont donc peu susceptibles de compromettre la validité et la
fiabilité des résultats obtenus.
c) Analyse des résultats de la résistance au choc Rc
Les figures III.9, III.10 et III.11 fournissent une analyse des résultats obtenus lors de la
modélisation de la résistance au choc à l'aide de la méthode de régression linéaire multiple.
Ces graphiques permettent d'explorer différents aspects de la modélisation, tels que
l'adéquation des données, l'identification des valeurs atypiques, l'évaluation de l'ajustement
des résidus et l'examen de l'influence des observations sur le modèle.
0.8
0.7
0.6
Levier
0.5
0.4
0.3
0 5 10 15 20 25 30
numéro de ligne
Figure III. 9 Graphique d’influence de levé des données et du model.
Après une analyse de la figure III.9, il est clair que les points de levier ne sont pas
significativement élevés, indiquant ainsi la stabilité du modèle de régression. Toutefois, il
convient de noter que ce graphique ne fournit qu'une perspective limitée en présence de
valeurs aberrantes importantes. Par conséquent, il est essentiel de poursuivre l'analyse en
identifiant les points ayant une grande distance de Cook. La distance de Cook est un outil
précieux qui permet d'évaluer l'influence globale de chaque observation sur le modèle de
régression, en identifiant ainsi les points pouvant avoir un impact significatif sur les résultats.
Cette étape supplémentaire est cruciale pour garantir la fiabilité et la validité des conclusions
tirées à partir du modèle de régression multiple.
71
En étudiant attentivement la figure III.10, nous pouvons observer la présence de deux

points présentant une grande distance de Cook. Il convient toutefois de souligner que ces deux
points se distinguent considérablement des autres observations, ce qui suggère qu'ils
pourraient être des valeurs atypiques peu représentatives de la tendance générale des données.
Par conséquent, il est peu probable que ces deux points exercent une influence significative
sur notre modèle de régression. En conséquence, nous pouvons raisonnablement conclure que
ces observations aberrantes n'affectent probablement pas la validité ni la fiabilité de notre
modèle, et qu'il est donc acceptable de les négliger lors de notre analyse.
0.99
0.95
0.9
0.75
Probabilité
0.5
0.25
0.1
0.05
0.01
-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15
Residus
Figure III.11 Graphe de probabilité des résidus.
72
Le graphique de probabilité normale présenté dans la Figure III.11 semble indiquer une
bonne adéquation : la majorité des points s'alignent étroitement le long de la ligne droite, et il
n'y a aucune observation qui s'écarte considérablement de cette tendance.
III.9 Validation des modèles

Afin de valider les résultats antérieurs, nous avons considéré neuf nouveaux tests qui
n'ont pas été inclus dans le processus de création du modèle mathématique pour les
contraintes de résistance. Toutefois, ces mêmes tests ont été utilisés pour confirmer la validité
des modèles de régression linéaire multiple. Ces tests supplémentaires ont été employés
spécifiquement dans le but de confirmer les modèles établis.
41
(MPa) Expérimentale
f
40 (MPa) Prédite
f
39
38
37
36
35
34
33
32
31
1 2 3 4 5 6 7 8 9
Essais
(a) (b)
(c)
Figure III.12 Validation : (a) Résistance a la traction expérimentale et prédite, (b) Résistance
a flexion expérimentale et prédite, (c) Résistance aux chocs expérimentale et prédite.
73
Les résultats des tests confirmatoires indiquent que le modèle développé fournit des
valeurs qui sont raisonnablement similaires aux valeurs réelles. La différence moyenne entre
les valeurs prédites de résistance à la traction et les valeurs expérimentales de résistance à la
traction est d'environ 2,74%, avec une exactitude de prédiction du modèle de 97,26%.
De même, l'erreur moyenne entre les valeurs prédites de résistance à la flexion et les
valeurs réelles de résistance à la flexion est d'environ 2.67%, avec une exactitude de
prédiction du modèle de 97,37%.
En ce qui concerne la résistance aux chocs, l'erreur moyenne entre les valeurs prédites
et les valeurs réelles est également d'environ 5.60%, avec une exactitude de prédiction du
modèle de 94,4%.
Ces résultats confirment que le modèle construit est capable de fournir des prédictions
précises et fiables pour les différentes propriétés mécaniques évaluées.
III. 10 Modélisation non linéaire
III.10.1 Modélisation de la contrainte de résistance à la traction

L'effet de la fraction volumique des fibres sur la résistance à la traction d'un matériau
composite dépend du type de matériau ainsi que des propriétés des fibres. Pour étudier et
prédire cet effet, plusieurs modèles ont été développés et validés dans la littérature
scientifique. Ces modèles prennent en compte les propriétés des fibres ainsi que les
interactions entre les fibres et la matrice composite. Ils fournissent une approche théorique
pour calculer la contrainte de résistance à la traction en tenant compte de différents
paramètres d'élaboration.
Parmi les modèles homologués les plus couramment utilisés pour le calcul de la
contrainte de résistance à la traction en fonction de la fraction volumique des fibres, on
retrouve les modèles répertoriés dans le tableau ci-dessous :
Tableau III. 5 Contrainte de la résistance à la traction [35].

Modèles Description
Ce modèle considère la distribution spatiale des fibres

Modèle de Nicolais dans la matrice, les caractéristiques géométriques des
 c   m (1  1.21U 2/3
f ) fibres et leur orientation pour prédire la résistance à la
traction.
Modèle de Nielsen Ce modèle se concentre sur la contribution des fibres
74
 c   m (1  U 2/3
f )k
individuelles à la résistance à la traction en fonction de la
fraction volumique des fibres.
Ce modèle prend en compte la compatibilité entre les

Modèle de schrager
fibres et la matrice, ainsi que la fraction volumique des
 c   m exp(rU f )
fibres, pour prédire la résistance à la traction.
Modèle de Pukanszki Ce modèle intègre les propriétés des fibres et les

c 1U f interactions fibre-matrice pour prédire la contrainte à
 e( BU f )
 m 1  AU f traction.
Où :
 c : Contrainte de rupture de composite MPa.
 m : Contrainte de rupture de matrice MPa.
U f : Fraction volumique de fibre.
k : Un facteur de concentration de contraintes.

r : Un facteur déterminé expérimentalement.
L'un des avantages du modèle de Pukanszki par rapport aux autres modèles est sa prise
en compte des interactions entre les fibres et la matrice, en plus des propriétés individuelles
des fibres. Cette approche permet d'obtenir des prédictions plus précises de la résistance à la
traction d'un matériau composite. En intégrant les interactions fibre-matrice dans le modèle, le
modèle de Pukanszki tient compte de l'effet de renforcement des fibres sur la matrice, ce qui
est essentiel pour évaluer avec précision la résistance à la traction. Les interactions entre les
fibres et la matrice peuvent améliorer les propriétés mécaniques du matériau composite, en
augmentant la résistance et la rigidité. De plus, le modèle de Pukanszki prend en compte la
fraction volumique des fibres, ce qui lui permet de quantifier l'effet de la concentration de
fibres sur la résistance à la traction. Cela permet de prédire comment des variations dans la
fraction volumique des fibres peuvent influencer la résistance à la traction du matériau
composite.
III.10.2 Présentation du modèle de Pukanszki

Le modèle de Pukanszki est un modèle couramment utilisé pour prédire la résistance à
la traction des matériaux composites. Il est basé sur une approche mécanique qui prend en
compte les interactions entre les fibres et la matrice, ainsi que les propriétés individuelles des
fibres. Le modèle de Pukanszki considère que la résistance à la traction d'un matériau
75
composite dépend de deux contributions principales : la résistance des fibres individuelles et

l'interaction entre les fibres et la matrice.
La résistance des fibres individuelles est déterminée par leurs propriétés intrinsèques,
telles que le module d'élasticité et la résistance à la traction. Ces propriétés sont généralement
mesurées expérimentalement ou estimées à partir de données fournies par le fabricant des
fibres. Ce modèle est donné par l'équation (III. 8) :
c 1U f
 e( BU f ) (III. 8)
 m 1  AU f
Où  c et  m sont la résistance à la traction des composites et de la matrice et U f es la
fraction volumique de fibre et B représente un paramètre d'interaction lié à la macroscopique

caractéristiques de l'interface fibre-matrice, tandis que A est un paramètre qui dépend de la
forme de la charge [36].
III.10.3 Processus d'ajustement de la contrainte à la résistance à la traction

Afin de valider le modèle de Pukanszki, nous avons effectué un ajustement entre la
contrainte de résistance à la traction prédite par le modèle et les valeurs expérimentales de
résistance à la traction du matériau. Pour ce faire, nous avons utilisé le modèle dans
différentes conditions, en variant le diamètre des fibres à 0,24 mm, 0,82 mm et 1,45 mm.
Nous avons ensuite comparé les résultats du modèle avec les données expérimentales
disponibles dans le tableau III.1.
En utilisant une approche de régression non linéaire, nous avons pu obtenir les
courbes : III.13, III.14 et III.15 représentant la relation entre la contrainte de résistance à la
traction prédite par le modèle de Pukanszki et les différentes valeurs expérimentales. Ces
courbes ont été ajustées de manière à minimiser l'écart entre les prédictions du modèle et les
données expérimentales, permettant ainsi de vérifier l'adéquation du modèle.
Cette procédure d'ajustement et de comparaison avec les données expérimentales nous
a permis de confirmer la validité du modèle de Pukanszki et de démontrer sa capacité à
prédire avec précision la résistance à la traction d'un matériau composite en fonction du
diamètre des fibres.
76
Figure III.13 Ajustement de la résistance à la traction du composite par le modèle de

Pukanszky pour un diamètre de fibre de 0,24 mm.

77

Les figures ci-dessus illustrent en détail le processus d'ajustement des données

expérimentales de résistance à la traction des composites en utilisant l'équation de Pukanszky.
Dans ce contexte, il est observé que le modèle de Pukanszky présente une divergence par
rapport aux résultats expérimentaux pour le composite étudié. Cependant, il est intéressant de
noter que le modèle montre une bonne concordance avec les données expérimentales de
résistance à la traction pour ce même composite. Cette observation suggère que le modèle de
Pukanszky peut être approprié pour prédire la résistance à la traction de ce type de composite
dans ces conditions spécifiques.
III.10.4 Évaluation de l'erreur de précision des modèles calculés

Les résultats de l'analyse de l'erreur (SEP %) et de la précision (%) des modèles de
prédiction de la contrainte de résistance à la traction, basés sur le modèle de Pukanszky avec
un diamètre de fibre de 0,24 mm, sont répertoriés dans le Tableau III.6. Ce tableau fournit une
synthèse des mesures d'erreur, exprimées en pourcentage de l'écart standard de prédiction
(SEP %), qui permettent d'évaluer l'écart entre les valeurs prédites et les valeurs
expérimentales. De plus, les mesures de précision, exprimées en pourcentage de précision
(%), sont également incluses pour évaluer la capacité du modèle à fournir des prédictions
précises.
78
Tableau III. 6 Analyse des erreurs et de la précision du modèle de régression non linéaire
pour la contrainte de résistance à la traction (  t ) pour D=0.24 mm.
Paramètre d’élaboration Contrainte de Résistance à la traction

t t Erreur Précision
Essais v
Expérimentale Prédite SEP(%) (%)
1 0,4455 28,5 28,50104 0,003639924 99,99636008
2 0,759 35,8 35,78598 0,039149845 99,96085015
3 0,993 31,9 31,89138 0,027021374 99,97297863
4 0,4455 30,7 28,50104 7,162744696 92,8372553
5 0,759 39,5 35,78598 9,402571252 90,59742875
6 0,993 33,5 31,89138 4,801850204 95,1981498
7 0,4455 28,3 28,50104 0,710379429 99,28962057
8 0,759 33,9 35,78598 5,56337568 94,43662432
9 0,993 32,7 31,89138 2,472843481 97,52715652
Erreur et précision de modèle 3,353730654 96,64547418
Les résultats permettent une comparaison et une évaluation de la performance des

différents modèles de prédiction basés sur le modèle de Pukanszky pour un diamètre de fibre
spécifique.
Les résultats indiquent que le modèle présente une précision très élevée de 96,64%
lorsqu'il prédit la contrainte de résistance à la traction pour un diamètre de fibre de 0,24 mm.
Le Tableau III.7 présente les résultats de l'analyse de l'erreur (SEP %) et de la
précision (%) des modèles de prédiction de la contrainte de résistance à la traction basés sur le
modèle de Pukanszky, en considérant un diamètre de fibre de 0,82 mm. Ces mesures d'erreur,
exprimées en pourcentage de l'écart standard de prédiction (SEP %), permettent d'évaluer la
distance entre les valeurs prédites et les valeurs expérimentales. Les mesures de précision,
exprimées en pourcentage de précision (%), sont également incluses pour évaluer la capacité
du modèle à fournir des prédictions précises.
Essais v t t Erreur Précision

79

1 0,4455 34,2 34,20471694 0,013792214 99,9862078
2 0,759 38,7 38,71914556 0,049471732 99,9505283
3 0,993 36,9 36,91619771 0,043896246 99,9561038
4 0,4455 33,4 34,20471694 2,409332147 97,5906679
5 0,759 37,8 38,71914556 2,431602012 97,568398
6 0,993 35,9 36,91619771 2,830634303 97,1693657
7 0,4455 31,1 34,20471694 9,98301266 90,0169873
8 0,759 35,5 38,71914556 9,068015663 90,9319843
9 0,993 33,1 36,91619771 11,52929823 88,4707019
Les résultats ci-dessus facilitent la comparaison et l'évaluation des performances des

différents modèles de prédiction basés sur le modèle de Pukanszky pour un diamètre de fibre
spécifique.
Les résultats démontrent une excellente précision du modèle de prédiction, atteignant
95,73%, lorsqu'il est utilisé pour estimer la contrainte de résistance à la traction dans le cas
d'un diamètre de fibre de 0,82 mm.
Le Tableau III.8 présente les résultats de l'analyse de l'erreur (SEP %) et de la
précision (%) des modèles de prédiction de la contrainte de résistance à la traction, utilisant le
modèle de Pukanszky avec un diamètre de fibre de 1.45 mm. Ces mesures d'erreur, exprimées
en pourcentage de l'écart standard de prédiction (SEP %), permettent de quantifier la
différence entre les valeurs prédites et les valeurs expérimentales. Les mesures de précision,
exprimées en pourcentage de précision (%), sont également incluses pour évaluer la capacité
du modèle à fournir des prédictions précises.

t t Erreur Précision
Essais v
1 0,4455 37,7 37,70261282 0,006930565 99,9930694
80
2 0,759 41,3 41,30264344 0,006400576 99,9935994
3 0,993 37,8 37,80238749 0,006316118 99,9936839
4 0,4455 36,6 37,70261282 3,012603342 96,9873967
5 0,759 40,5 41,30264344 1,981835649 98,0181643
6 0,993 36,3 37,80238749 4,138808519 95,8611915
7 0,4455 36,2 37,70261282 4,150864152 95,8491358
8 0,759 38,8 41,30264344 6,450111953 93,549888
9 0,993 35,9 37,80238749 5,299129506 94,7008705
Le tableau III.6 permet de comparer et d'évaluer les performances des différents

modèles de prédiction basés sur le modèle de Pukanszky pour un diamètre de fibre spécifique.
Le modèle présente une précision exceptionnelle de 97,21% lorsqu'il est utilisé pour prédire la
contrainte de résistance à la traction dans un diamètre de fibre de 1.45 mm, selon les résultats
obtenus.
III.11 Etude de l’influence des paramètres de fabrication sur les propriétés mécaniques
du composite
III.11.1 Effets des paramètres sur la contrainte de la résistance à la traction  t
Lors de l’élaboration du matériau composite, il a été possible d'étudier l'effet des

paramètres d’élaboration sur la résistance à la traction en utilisant des graphiques en 3D de
surface. Sur ces figures, deux paramètres ont été modifiés tandis que le troisième est resté
fixe.
(a) (b)
81
(c)
Figure III. 16 Impact des paramètres d'élaboration sur la contrainte de la résistance à la
traction (a) D = 0.24 mm, (b) 𝜑 = 18.88 %, (c) L = 3 mm.
La relation entre la longueur de fibre, la fraction massique de la fibre et la contrainte

de la résistance à la traction est présentée dans la Figure III.16 (a). La variation de la longueur
de fibre et de la teneur en fibre a une influence complexe sur la contrainte de la résistance à la
traction. Une résistance à la traction maximale peut être obtenue avec une longueur de fibre
maximale (plus de 12 mm) et une fraction massique de fibre de 40 %. L'interaction entre la la
longueur de la fibre et son diamètre est présentée dans la Figure III.16 (b) en tant que
contributeur à résistance à la traction. Il est noté que l'augmentation de la longueur du fibre
entraîne une augmentation significative de la résistance à la traction. Cette figure montre
également que la plus grande augmentation de la résistance à la traction produite dans la
région des faibles diamètres de fibres. De plus, il est constaté que la diamètre de fibre à moins
d'effet sur la résistance à la traction que la longueur de la fibre. Le graphique en surface de la
résistance à la traction en fonction du diamètre de la fibre et de la teneur en fibre peut être
observé dans la Figure III.15 (c). La Figure III.16 (c) montre que le changement de la
résistance à la traction est le plus affecté par la teneur en fibres plutôt que le diamètre de fibre.
82
III.11.2 Effets des paramètres sur la contrainte de la résistance à la flexion  f
(a) (b)
(c)
Figure III. 17 Impact des paramètres d'élaboration sur la contrainte de la résistance à la
flexion (a) D = 0.24 mm, (b) 𝜑 = 18.88 %, (c) L = 3 mm.
L’influence de la longueur de fibre et de la fraction massique sur la contrainte de

résistance à la flexion est représentée sur la figure III.17 (a). L'analyse de la figure révèle que
la variation de la longueur de fibre et de la teneur en fibre exerce une influence complexe sur
la contrainte de résistance à la flexion. Pour obtenir une résistance à la flexion maximale, il
est nécessaire d'utiliser une longueur de fibre maximale (supérieure à 12 mm) et une fraction
massique de fibre de 35 %. Cette combinaison permet d'améliorer considérablement la
résistance à la flexion du matériau composite.
La Figure III.17 (b) illustre l'interaction entre la longueur et le diamètre de la fibre en ce
qui concerne leur contribution à la résistance à la flexion. Une augmentation de la longueur de
la fibre entraîne une hausse significative de la résistance à la flexion, comme le met en
évidence la figure. De plus, cette dernière montre que la plus grande augmentation de
résistance à la flexion se produit dans la région des faibles diamètres de fibres. Par ailleurs, il
83
est intéressant de noter que le diamètre de la fibre a un impact moins important sur la
résistance à la flexion par rapport à la longueur de la fibre.
La Figure III.17 (c) représente la relation entre la résistance à la flexion, le diamètre de
la fibre et la teneur en fibre dans un graphique en surface. Cette représentation visuelle met en
évidence que le paramètre qui a le plus grand impact sur le changement de résistance à la
flexion est la teneur en fibres, plutôt que le diamètre de la fibre. En d'autres termes, une
variation de la teneur en fibres a un effet plus significatif sur la résistance à la traction que le
diamètre de la fibre. Les valeurs maximales de la résistance a la flexion sont obtenus avec des
valeurs moyennes de la tenure en fibres.
III.11.3 Effets des paramètres sur la résistance aux chocs R c
(a) (b)
(c)
Figure III. 18 Impact des paramètres d'élaboration sur la contrainte de la résistance au choc
(a) D = 0.24 mm, (b) 𝜑 = 18.88 %, (c) L = 3 mm.
L’effet de la longueur de fibre et de la fraction massique sur la résistance aux chocs est
représenté sur La figure III.18 (a). Le graphe met en évidence l'influence complexe de la
84
variation de la longueur de fibre et de la teneur en fibre sur la résistance aux chocs. Pour
obtenir une résistance aux chocs maximale, il est nécessaire de choisir fraction massique de
fibre maximale. L’utilisation des teneurs en fibres maximales permet d'obtenir une
amélioration significative de la résistance aux chocs du composite. La longueur de fibre
présente moins d’effet sur la résistance aux chocs par rapport au teneur en fibre.
Dans la Figure III.18 (b), on peut observer comment la longueur et le diamètre de la
fibre interagissent et influent sur la résistance aux chocs. Il est important de souligner que
l'augmentation de la longueur de la fibre entraîne une augmentation significative de la
résistance aux chocs, comme le montre clairement la figure III.18 (b). De plus, cette
représentation graphique met en évidence que la plus grande augmentation de résistance aux
chocs se produit lorsque les longueurs des fibres sont grandes. En outre, il est intéressant de
noter que le diamètre de la fibre a un effet moins prononcé sur la résistance aux chocs par
rapport à la longueur de la fibre.
Le graphique en surface présenté dans la Figure III.18 (c) permet d'observer la
corrélation entre la résistance aux chocs, le diamètre de la fibre et la teneur en fibre. Ce
graphique met en évidence que le facteur déterminant du changement de résistance aux chocs
est la teneur en fibres, et non le diamètre de la fibre. En d'autres termes, il est constaté que la
variation de la teneur en fibres a un impact plus significatif sur la résistance aux chocs que les
variations du diamètre de la fibre.
III.12 Optimisation des paramètres d’élaboration du composite

L'objectif principal de cette partie de l'étude est de déterminer les variables du
processus d'élaboration du composite qui permettront d'obtenir les propriétés mécaniques les
plus élevées possibles. Pour ce faire, l'algorithme génétique (AG), une méthode d'optimisation
inspirée de la biologie, a été utilisé. Cette méthodologie est reconnue comme l'une des plus
robustes et efficaces pour optimiser les applications techniques. Dans le cadre de cette étude,
l'AG a été appliqué pour obtenir les paramètres d'élaboration du composite qui influencent
directement les propriétés mécaniques, telles que la résistance à la traction, la résistance à la
flexion et la résistance aux chocs.
L'AG génère toutes les solutions possibles de manière aléatoire en fonction de la
population initiale. Une fonction de fitness/objectif est utilisée pour évaluer et décrire les
performances des différentes solutions. La génération suivante est établie en sélectionnant un
ensemble de solutions ayant des valeurs de fitness élevées, ce qui permet d'améliorer
progressivement les propriétés mécaniques du composite. En général, la fin de l'algorithme
85
génétique est déterminée soit par un nombre prédéfini de générations, soit par l'écart moyen
de la population par rapport à l'objectif recherché.
Pour construire les modèles d'optimisation, des modèles mathématiques sont
développés à l'aide de l'analyse de régression. Ces modèles permettent de formaliser les
relations entre les variables du processus d'élaboration et les propriétés mécaniques visées.
Les modèles d'optimisation ainsi construits sont exprimés par les équations (III.5), (III.6) et
(III.7):
1er modèle (Optimisation de la résistance a la traction et la résistance a la flexion)
Max  t  9.3848+4.3969D  1.1992 m  0.0012232m D  0.92448L  0.12013LD


  0.011404L m  0.006L 2  0.014837m 2  2.9473D 2
Max  f  9.8547  2.089D  1.515m  0.013951m D  1.7042L  0.19588LD

  0.015881L m  0.0055556L2  0.020713m 2  0.78885D 2
 (III. 5)
Sous les contra int es
3  L  13

18.88  m  51.79
0.24  D  1.45

2ème modèle (Optimisation de la résistance a la traction et la résistance aux chocs)
Max  t  9.3848+4.3969D  1.1992 m  0.0012232m D  0.92448L  0.12013LD


  0.011404L m  0.006L 2  0.014837m 2  2.9473D 2
Max R c  1.6801  0.039396D  0.0011154m D  0.084237 L  0.0028291LD

  0.16686m  0.00023987L m  0.0035778L 2  0.0019967 m 2  0.017089D 2
 (III. 6)
sous les contraintes
3  L  13

18.88  m  51.79
0.24  D  1.45

3ème modèle (Optimisation de la résistance a la flexion et la résistance aux chocs)
Max  f  9.8547  2.089D  1.515m  0.013951m D  1.7042L  0.19588LD


  0.015881L m  0.0055556L2  0.020713m 2  0.78885D 2
Max R c  1.6801  0.039396D  0.0011154m D  0.084237 L  0.0028291LD

  0.16686m  0.00023987L m  0.0035778L 2  0.0019967 m 2  0.017089D 2
 (III. 7)
sous les contraintes
3  L  13

18.88  m  51.79
0.24  D  1.45

86
Les fonctions issues de la régression linéaire ont été utilisées en tant qu'entrée dans la
boîte à outils GA de MATLAB 2016a en tant que fonction objectif. Les bornes supérieures et
inférieures ont été spécifiées en fonction des niveaux des paramètres, et le nombre de
variables a été fixé à 3. Une taille de population initiale de 100 a été prise, et un croisement
moyen et une mutation uniforme, un intervalle de migration de 20 et une fraction de migration
de 0,2 ont été définis pour l'optimisation.
III.12.1 Résultats
Dans le contexte de l'optimisation multi-objectif, l'utilisation de l'algorithme génétique
(GA) permet de générer un ensemble de solutions non dominées. Ce groupe de solutions,
connu sous le nom de front de Pareto, représente des compromis entre les différents objectifs
du problème. Les fronts de Pareto issus de la résolution des trois modèles précédemment cités
sont représentés par les figures III.19, III.20 et III.21.
Chaque solution présente une combinaison unique de valeurs pour les différentes
variables, permettant d'atteindre un niveau optimal pour certains objectifs tout en préservant
un équilibre entre les autres objectifs.
Figure III. 19 Analyse du front de Pareto pour le premier modèle d'optimisation
87
Figure III. 20 Analyse du front de Pareto pour le deuxième modèle d'optimisation
Figure III. 21 Analyse du front de Pareto pour le troisième modèle d'optimisation
Le Front de Pareto de la figure II.19 représente un ensemble de solutions non dominées

où chaque point sur le front correspond à une combinaison unique de paramètres du matériau
qui offre un compromis spécifique entre la résistance à la traction et la résistance à la flexion.
On peut observer différentes configurations où une amélioration de la résistance à la traction
peut entraîner une diminution de la résistance à la flexion, ou vice versa (parties gauche et
droite de la courbe).
Certaines solutions sur le Front de Pareto présenter un équilibre optimal entre la
résistance à la traction et la résistance à la flexion, offrant des performances élevées dans les
deux domaines (de 41.55 a 41.65 MPa pour la résistance a la traction et de 51.9 a 51.95 MPa
88
pour la résistance a la flexion). D'autres solutions peuvent être plus spécialisées, offrant une
résistance à la traction élevée ( de 41.65 41.7 Mpa) avec une résistance à la flexion modérée
ou vice versa.
Dans la Figure II.20, le Front de Pareto illustre un ensemble de solutions non dominées
où chaque point représente une combinaison unique de paramètres matériels offrant un
compromis spécifique entre la résistance à la traction et la résistance aux chocs. La courbe
présente différentes configurations où une amélioration de la résistance à la traction peut
entraîner une diminution de la résistance aux chocs, et vice versa, comme observé sur les
parties gauche et droite du graphique.
Quelques points sur le Front de Pareto démontrent un équilibre optimal entre la
résistance à la traction et la résistance aux chocs, offrant des performances élevées dans les
deux domaines. Par exemple, les valeurs situent entre 41,6 et 41,7 MPa donnent une meilleure
résistance à la traction, par contre les et entre 2.38 et 2.48 KJ/m2 donnent une meilleure
résistance aux chocs.
La Figure II.21 présente le Front de Pareto, qui représente un ensemble de solutions
non dominées caractérisées par des combinaisons spécifiques de paramètres matériels
permettant d'atteindre un compromis entre la résistance à la flexion et la résistance aux chocs.
L'analyse du graphique révèle des configurations variées où l'amélioration de la résistance à la
flexion peut conduire à une diminution de la résistance aux chocs, ou inversement, comme
indiqué par les parties gauche et droite de la courbe.
Sur le Front de Pareto, certaines solutions présentent un compromis idéal entre la
résistance à la flexion et la résistance aux chocs, atteignant des performances élevées dans les
deux aspects. Les résultats obtenus se situent dans une plage allant de 50,5 à 51,5 MPa pour la
résistance à la flexion et de 2.4 à 2.45KJ/m2 pour la résistance aux chocs. D'autres solutions,
en revanche, peuvent être plus spécialisées, offrant soit une résistance à la flexion élevée (des
valeurs supérieurs à 51,5 MPa) avec une résistance à la flexion modérée, soit l'inverse.
III.13 Conclusion
Ce chapitre présente la modélisation des propriétés mécaniques, à savoir la résistance à
la traction, la résistance à la flexion et la résistance aux chocs, en utilisant à la fois des
méthodes de régressions linéaires et non linéaires. L’étude menée dans ce chapitre nous a
permis d'obtenir des résultats significatifs.
89
Les deux approches de modélisation ont montré leurs avantages respectifs. Les modèles
de régression linéaire ont fourni une approximation simplifiée des données, permettant une
interprétation plus directe des coefficients de régression. Cependant, ces modèles peuvent ne
pas capturer de manière précise les variations complexes et les relations non linéaires entre les
paramètres et les propriétés mécaniques.
D'autre part, les modèles de régression non linéaire ont permis de prendre en compte les
relations plus complexes et non linéaires entre les variables, offrant ainsi une meilleure
adéquation aux données. Ces modèles ont permis de capturer des effets non linéaires et des
interactions entre les paramètres, permettant ainsi une modélisation plus précise des propriétés
mécaniques étudiées.
90
Conclusion Générale
L’étude de l'effet des paramètres d'élaboration des matériaux composites sur les
propriétés mécaniques des composites renforcés de fibres et de particules revêt une
importance capitale pour la compréhension et l'amélioration des performances des
matériaux. Les paramètres d'élaboration, tels que la longueur, le diamètre et la fraction
volumique de fibre, ont été identifiés comme des variables d'entrée essentielles.
Les résultats obtenus à partir des deux méthodes de régressions, linéaires et non
linéaires, ont permis de mieux comprendre les relations entre les paramètres étudiés et les
propriétés mécaniques des matériaux. Les modèles linéaires ont fourni une première
approximation simplifiée, tandis que les modèles non linéaires ont permis de prendre en
compte les effets complexes et non linéaires.
L'analyse des relations entre la longueur de fibre, la fraction massique de la fibre et
la résistance à la traction a montré qu'une résistance maximale peut être obtenue avec une
longueur de fibre élevée (plus de 12 mm) et une fraction massique de fibre de 40 %. De
plus, il a été observé que la longueur de la fibre avait un impact plus important sur la
résistance à la traction que le diamètre de la fibre. La teneur en fibres a également été
identifiée comme le principal facteur influençant la résistance à la flexion et la résistance
aux chocs.
Ce mémoire met en évidence également l'importance de la fraction massique de
fibre pour améliorer la résistance aux chocs des composites. Une fraction massique de
fibre maximale est nécessaire pour obtenir une résistance aux chocs optimale. De plus,
l'augmentation de la longueur de fibre est bénéfique pour la résistance aux chocs. La teneur
en fibres a un effet plus significatif sur la résistance aux chocs que le diamètre de la fibre.
L'optimisation multi-objectif a permis d'obtenir un ensemble de solutions non
dominées, représentées par le Front de Pareto, où chaque point sur le front correspond à
une combinaison unique de paramètres offrant un compromis entre les différentes
propriétés mécaniques. Certaines solutions sur le Front de Pareto ont montré un équilibre
optimal entre la résistance à la traction et la résistance à la flexion, offrant des
performances élevées dans les deux domaines. D'autres solutions étaient plus spécialisées,
mettant l'accent sur une propriété spécifique.
Ce mémoire a contribué à une meilleure compréhension des relations entre les
paramètres d’élaboration de matériaux et les propriétés mécaniques étudiées. Les modèles
92
de régression linéaires et non linéaires ainsi que l'approche d'optimisation multi-objectif

ont permis de développer des outils et des connaissances pour l'optimisation des
performances mécaniques des matériaux. Ces résultats ouvrent de nouvelles perspectives
pour le développement de matériaux plus performants et plus résistants, en prenant en
compte les compromis entre différentes propriétés mécaniques.
93
Références Bibliographiques
[1]. Mili, F., & Achour, T. (2017). Étude des techniques de réparation des structures
composites endommagées, Mémoire de Magister, Université de Mentouri Constantine.
[2]. Carma, M. (2006). Glossaire des matériaux composites. Centre d’Animation Régional
en Matériaux Avances National Press, USA.
[3]. Ledru, Y. (2009). Etude de la porosité dans les matériaux composites stratifiés
aéronautiques, Thèse de Doctorat, Université de Toulouse.
[4]. Hasna, B. (2021). Analyse de la rupture en mode l des structures sandwichs ā base des
palmiers dattiers, Mémoire de Master, Université Mohamed Khider de Biskra.
[5]. Sanga, L., & Pierre, R. (2019). Evaluation expérimentale et numérique des
endommagements d’une structure composite sous impact pour une large gamme de
vitesses et d’énergies. https://oatao.univ-toulouse.fr/25460/
[6]. Khaldoun, A. (2019). Effet des paramètres d'élaboration sur le comportement

mécanique d'un bio-composite, Mémoire de Master, Université de M’sila.
[7]. Rekbi, F. M. L. (2016). Contribution à l’analyse de l’endommagement des matériaux

composites, Mémoire de Master, Université Mohamed Khider de Biskra.
[8]. Doyon Barbant, J. (2018). Impact de l'orientation des fibres sur les comportements en
traction, en flexion et en cisaillement d'un béton renforcé de fibres métalliques,
Mémoire De Master, École Polytechnique de Montréal.
[9]. Megally, A. (2005). Etude et modélisation de l'orientation de fibres dans des

thermoplastiques renforcés, Thèse de Doctorat, École Nationale Supérieure des Mines
de Paris.
[10]. Berthelot, J. M. (2010). Mécanique des matériaux et structures composites. Institut

Supérieur des Matériaux et Mécaniques Avancés, 176.
[11]. Davis, J. R. (Ed.). (2004). Tensile testing, 2nd ed., ASM International, Cleveland, OH.
[12]. Nossa, I. C., Bohórquez, O., Pertuz, A., Acevedo, H. G. S., & González-Estrada, O. A.
(2019). Tensile mechanical properties of composite materials with continuous fiber
produced by additive manufacturing. Journal of Physics, 1386(1), 012008.
https://doi.org/10.1088/1742-6596/1386/1/012008
[13]. Krawczak, P., Binetruy, C., & Pabiot, J. (2000, May). Application de la
mécanotransduction au suivi et à l'optimisation de la fabrication et de l'utilisation de
pièces en composites moulées par RTM. In MECANO 2000 (pp. 99-106).
https://hal.science/hal-01781028
95
[14]. Park, C. S., Han, W., Lee, W., & Vautrin, A. (2005). Optimisation des structures
composites prenant en compte simultanément les paramètres de conception et de
fabrication. In HAL (Le Centre pour la Communication Scientifique Directe). French
National Centre for Scientific Research. https://hal.archives-ouvertes.fr/hal-01813065
[15]. Younes, R., Aboura, Z., & Benzeggag, M. (2008). Optimisation du tissage de
composites orthogonaux 3D. Comptes Rendus Mecanique.
https://doi.org/10.1016/j.crme.2008.07.006
[16]. Njionhou, A., Berthet, F., & Castanié, B. (2010). Optimisation de la résistance au
cisaillement interlaminaire (RCIL) des matériaux composites fabriqués par LRI en
fonction des paramètres de fabrication. , 98(2), 151–163.
https://doi.org/10.1051/mattech/2010019
[17]. Irisarri, F., Lasseigne, A., François, H., & Riche, R. L. (2013). Optimisation des
empilements dans les structures composites stratifiées avec arrêts de plis.
https://hal.archives-ouvertes.fr/emse-00867541
[18]. Govindaraju, R., Jagannathan, S., Chinnasamy, M., & Kandhavadivu, P. (2014).
Optimization of Process Parameters for Fabrication of Wool Fiber-Reinforced
Polypropylene Composites with Respect to Mechanical Properties. Journal of
Engineered Fibers and Fabrics, 9(3), 155892501400900.
https://doi.org/10.1177/155892501400900315
[19]. Toupe, J. L. (2015). Optimisation des propriétés mécaniques de composites à base de

fibres naturelles: application à un composite de fibre de lin avec un mélange de
polyéthylène/polypropylène d'origine post-consommation, Thèse de Doctorat,
Université Laval.
[20]. Gaffiot, L. (2017). Optimisation d’un procédé d’élaboration d’un composite à base de
fibres naturelles. https://hal.archives-ouvertes.fr/tel-03351145v1
[21]. Essid, S. (2020). Sandwiches à fibres de lin et anas de lin : optimisation structure-
imprégnation-propriétés. https://hal.archives-ouvertes.fr/tel-02943012v1
[22]. Sadeghi, V. (2021). Effet des modifications de surface sur les propriétés
morphologiques et mécaniques de composites à base de coquille de sarrasin et de
polyéthylène, Thèse de Doctorat, Université de Québec Canada.
[23]. Ben Nasr, O. (2022). Optimisation des paramètres d'impression 3D par extrusion de
matière des bio-composites à base des résidus industriels forestiers, Mémoire de
Master, Université du Québec en Abitibi-Témiscamingue.
[24]. Berkani, F. Application de la Régression Linéaire Multiples sur la Balance

Commerciale Algériènne, Mémoire de Master, Université Kasdi Merbah Ouargla.
[25]. Ben Messaoud, M. A. Modélisation Mathématique et Optimisation Paramétrique des

Paramètres du Procédé de l'Usinage par Electroérosion, Mémoire de Master, Université
Kasdi Merbah Ouargla.
[26]. Chatalic, A. (2020). Efficient and privacy-preserving compressive learning, Mémoire

de Master, Université Rennes 1.
96
[27]. Bates, D. M., & Watts, D. G. (1988). Nonlinear Regression Analysis and Its
Applications. In Wiley series in probability and statistics. Wiley.
https://doi.org/10.1002/9780470316757
[28]. Gujarati, D. (1980). Basic Econometrics, 4th Edition.

https://openlibrary.org/books/OL17075482M/Basic_econometrics
[29]. Clément, B. (2010). Modèles d’analyse de variance avec STATISTICA. Génistat

Conseils Inc, Montréal, Canada.
[30]. Mahdi, S., & Boutekkouk, F. (2021). Optimisation multiobjectif et son application aux
problèmes bioinformatique, Thèse de Doctorat, Université de Larbi Ben M'hidi Oum El
Bouaghi.
[31]. Chelouti, S., & KARIMA, K. (2016). Résolution d’un problème d’optimisation multi-
objectif fractionnaire Linéaire flou en nombres entiers, Mémoire de Master, Université
M’hamed Bougara Boumerdes.
[32]. Ejday, M. (2011). Optimisation multi-objectifs à base de métamodèle pour les procédés
de mise en forme. https://pastel.archives-ouvertes.fr/pastel-00583805
[33]. ALIA, R., & GUEMAZ, S. (2015). Optimisation des paramétres de cpoupe pour
minimiser la consommation d'energie pendant le fraisage, Mémoire de Master,
Université Kasdi Merbah Ouargla.
[34]. Navaneethakrishnan, S., & Athijayamani, A. (2015). Taguchi method for optimization
of fabrication parameters with mechanical properties in fiber and particulate reinforced
composites. International Journal of Plastics Technology, 19(2), 227–240.
https://doi.org/10.1007/s12588-015-9128-x
[35]. Sideridis, E., Kytopoulos, V. N., Papadopoulos, G. A., & Bourkas, G. D. (2009). The
effect of low-filler volume fraction on the elastic modulus and thermal expansion
coefficient of particulate composites simulated by a multiphase model. Journal of
Applied Polymer Science, 111(1), 203–216. https://doi.org/10.1002/app.28886
[36]. Pukanszky, B., Tüdös, F., Jančař, J., & Kolařik, J. (1989). The possible mechanisms of
polymer-filler interaction in polypropylene-CaCO 3 composites. Journal of materials
science letters, 8, 1040-1042.
97
Résumé
Ce mémoire examine l'impact des paramètres d'élaboration sur les propriétés mécaniques du
composites, deux méthodes de régression linéaire et non linéaire sont utiliser pour prédire les
trois contraintes étudié, les résultats obtenus montrent que les modèles développes sont
capable de fournir des prédictions précises et fiables. les résultats de régression non linéaire
par le modèle de Pukanszky montre que cette modèle peut être appropriés pour prédire la
contrainte à la traction dans des conditions spécifique l'étude d'effet des paramètres montre
que la résistance à la traction est le plus affecté par la teneur en fibres plutôt que le diamètre
de fibre et les valeurs maximales de la résistance à la flexion sont obtenus avec des valeurs
moyennes de la tenure en fibres, la teneur en fibres a un impact plus significatif sur la
résistance aux chocs que les variations du diamètre de la fibre. Enfin, les modèles de
régression ont été optimisé à l'aide d'une technique d'optimisation multi objectif afin de
déterminer les valeurs optimales des paramètres conduisant à une amélioration significative
des performances des composites.
Keywords : Matériaux composites, Résistance à la traction, Résistance a la flexion, Résistance aux

chocs, Régression linéaire multiple, Régression non linéaire, Algorithmes génétiques.
‫م ص‬
‫ و تم استخدام طر قت ن من نحدار ا طي وغ ا طي‬، ‫تدرس ذه اﳌذكرة تأث معلمات نتاج ع ا واص اﳌي انيكية للمركبات‬
‫ تظ ر‬.‫ وتظ ر النتائج ال تم ا صول عل ا أن النماذج اﳌطورة قادرة ع تقديم ت بؤات دقيقة وموثوقة‬، ‫للت بؤ بالضغوط الثﻼثة اﳌدروسة‬
، ‫مناسبا للت بؤ بضغط الشد ظل ظروف محددة‬ً ‫ أن ذا النموذج يمكن أن ي ون‬Pukanszky ‫نتائج نحدار غ ا طي بواسطة نموذج‬
ً
‫ يتم ا صول ع القطر والقيم القصوى لقوة‬.‫ودراسة تأث اﳌعلمات تظ ر أن قوة الشد تتأثر أك بمحتوى لياف بدﻻ من لياف‬
، ‫ أخ ً ا‬.‫ محتوى لياف له تأث أك ع مقاومة التأث من التغ ات قطر لياف‬، ‫نحناء من خﻼل القيم اﳌتوسطة محتوى لياف‬
‫تم تحس ن نماذج نحدار باستخدام تقنية تحس ن متعددة داف لتحديد قيم اﳌعلمات اﳌث ال تؤدي إ التحس ن ك أ مية‬
.‫أداء السيارة‬
،‫ نحدار غ ا طي‬،‫ نحدار ا طي اﳌتعدد‬،‫ مقاومة الصدمات‬،‫ مقاومة نحناء‬،‫ مقاومة الشد‬،‫ اﳌواد اﳌركبة‬:‫ال لمات اﳌفتاحية‬
.‫ا وارزميات الوراثية‬
Abstract
This thesis studies the influence of production parameters on the mechanical properties of
composites, and two linear and nonlinear regression methods are used to predict the three
studied stresses, and the results obtained show that the developed models are capable of
providing predictions. precise and reliable. The results of the nonlinear regression by the
Pukanszky model show that this model can be adapted to predict the tensile stress under
specific conditions, and the study of the effect of the parameters shows that the tensile
strength is more affected. by fiber content than by fiber. The diameter and the maximum
values of flexural strength are obtained by the average values of the fiber content, the fiber
content has a greater influence on the impact resistance than variations in the diameter of the
fibers. Finally, the regression models were optimized using a multi-objective optimization
technique to determine the optimal parameter values that lead to the most significant
improvement in vehicle performance.
Keywords: Composite materials, Tensile strength, Flexural strength, Impact resistance, Multiple
linear regression, Nonlinear regression, Genetic algorithms.

Version PDF

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Version PDF

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE KASDI MERBAH OUARGLA

Faculté des Sciences Appliquées

Etude de l’Effet des Paramètres d’Elaboration sur les

KEMERCHOU Imad M.C.B. Université Kasdi Marbah Ouargla Président

Année universitaire : 2022/2023

À la mémoire de ma sœur bien-aimée IMANE (‫)رﲪﻚ ﷲ‬

À travers ce mémoire de master, je souhaite rendre hommage à une

Tu étais une source d'inspiration et de motivation pour moi, toujours

À toi, ma sœur bien-aimée, je dédie ce mémoire de master.

Avec amour et gratitude,

Merci du fond du cœur.

Table des Matières

I.2. Matériaux composites…………………………………………………………... 4

I.3. Constitution d’un matériau composite……………………………………......... 5

I.4. Classification des matériaux composites……………………………………….. 12

I.4.2 Classification basé sur la taille de renfort……………………………….. 13

I.5. Fabrication des composites……………………………………………………… 15

I.6.1 Type des fibres…………………………………………………………... 23

II.5.1 Classification des problèmes d’optimisation …………………………… 55

III.11.1 Effet des paramètres sur la contrainte de la résistance à

III.11.2 Effet des paramètres sur la contrainte de la résistance à la

III.11.3 Effet des paramètres sur la résistance aux chocs Rc ………………... 84

III.12. Optimisation des paramètres d’élaboration du composite……………………… 85

Liste des Figures

Figure II.1 Exemple régression linéaire simple………………………………….. 39

Figure II.2 Résidus d’une régression linéaire……………………………………. 42

Figure II.3 Parcelles de réponse exponentielle et logistique les fonctions ……… 46

Figure II.5 L’approche processus et l’analyse statistique………………………... 49

Figure II.6 Régression linéaire simple pour l’y-réponse en fonction de groupe … 50

Figure II.7 Régression linéaire simple pour l’y-réponse en fonction de

Figure II.11 Exemple de Front de Pareto dans un espace à deux

Figure III.2 Organigramme représentant l’algorithme de la régression linéaire

Figure III.4 Points avec une grande distance de Cook……………………………. 68

Figure III.5 Graphe de probabilité des résidus……………………………………. 68

Figure III.6 Graphique d'influence de levé des données et du modèle…………… 69

Figure III.7 Points avec une grande distance de Cook……………………………. 70

Figure III.8 Graphe de probabilité des résidus……………………………………. 70

Figure III.9 Graphique d’influence de levé des données et du modèle…………… 71

Figure III.10 Points avec une grande distance de Cook……………………………. 72

Figure III.11 Graphe de probabilité des résidus……………………………………. 72

Figure III.12 Validation : (a) Résistance à la traction expérimentale et prédite, (b)

Figure III.13 Ajustement de la résistance à la traction du composite par le modèle

Figure III.17 Impact des paramètres d'élaboration sur la contrainte de la résistance

Figure III.21 Analyse du front de Pareto pour le troisième modèle

Liste des Tableaux

Tableau II.1 Frais de conseil facturés et taille des actifs……………………………. 47

Tableau III.2 Analyse de variance du ANOVA…………………………………... 65

contrainte de la résistance à la traction (  t ) avec D=0.24………… 79

Tableau III.7 Erreurs et précision du modèle de la régression non linéaire pour la

contrainte de la résistance à la traction (  t ) avec D=0.82…………. 79

Tableau III.8 Erreurs et précision du modèle de la régression non linéaire pour la

contrainte de la résistance à la traction (  t ) avec D=1,45…………. 80

A Paramètre qui dépend de la forme de la charge.

A0 mm 2 Air de la section transversal.

ANOVA Analyse de la variance.

B Paramètre d'interaction lié à la macroscopie

Et MPa Le module d'élasticité en traction.

I0 mm 4 Moment quadratique polaire de la section droite.

k Facteur de concentration de contraintes.

l0 mm La longueur de référence de l'éprouvette.

Mm % La fraction massique de matrice.

Mt N.mm Moment de torsion.

M f m % La fraction massique de fibre.

R2 Le coefficient de détermination statistique.