Vous êtes sur la page 1sur 43

Fiabilité des Structures 2

Dr H. Bournine
Rappel. Sureté de fonctionnement
(Dependability)
 Fiabilité. la probabilité d’un système à accomplir une fonction
dans des conditions d’utilisation requise (par le cahier de charge)
et pendant un temps donné.

R(t) = P(Entité non défaillante sur la durée [0 t])

 Maintenabilité. Aptitude d’un système à être remis dans un


état de fonctionnement donné, dans des limites de temps
spécifiées, lorsque le travail est effectué selon des procédures
prescrites et des conditions données.

M(t) = P(Entité en panne a t=0 et réparé sur [0 t])

 Disponibilité. Aptitude d’un système à accomplir une fonction


requise dans des conditions d’utilisation données, à un instant un
temps donné (instantanée).

A(t) = P(Entité non défaillante a l'instant t)


Rappel. Sureté de fonctionnement
(Dependability)
 Disponibilité. A(t) = P(Entité non défaillante
a l'instant t)

 Lorsque l'entité n'est pas réparable, on a A(t) = R(t).


 lorsque l'entité est réparable, le théorème des probabilités
totales donne

A(t + dt) = P(entité en fonctionnement a t et sans


défaillance entre t et t+dt) +P(entité en panne a t et
réparée entre t et t+dt)
Dans le cas de distribution exponentielle

 Sécurité. Propriété d’un système de présenter, pour son


environnement et pour lui même, un risque, déterminé en
Rappel. probabilité
Il y a un nombre de distribution qu’on adopte dans l’analyse de
fiabilité applicati loi
Loi loi normale loi de Weibull
aléatoi on exponentie
re fiabilité lle

Fonctio Densité
n de de
densité défaillanc
f(t) e
Fonctio Probabilit
n de é de
répartiti défaillanc
on e

Taux de l f(t)/R(t)
défaillanc
e
Rappel. probabilité
loi exponentielle loi normale

f(t)

P(t)
Loi normal
Loi normal
Outils d’analyse probabiliste
L'espérance (expected value) d'une variable aléatoire discrètes

m=
L'espérance (expected value) d'une variable aléatoire continue

m=
La variance d'une variable aléatoire discrètes.

La variance d'une variable aléatoire continue


Outils d’analyse probabiliste
L’espérance de la distribution jointe h(X, Y) de 2 variable X et Y
est

Si X et Y sont 2 variables indépendantes, leur espérance jointe est


donnée par

E(X, Y) = E(X)E(Y)

Preuve:
Outils d’analyse probabiliste
La covariance entre 2 variables jointement distribuées X et Y avec
les espérances µx et µy est

Covariance positive Covariance négative


Outils d’analyse probabiliste
Théorème:

Preuve:

Théorème: Si les X et Y sont des variables indépendantes Cov(X,


Y)=0

Preuve:

Remarque: Une covariance égale a zéro n’implique pas


l’indépendance des variables
Exemple 1.
1-Prouvez que cov(x,y)=E(xy)- E(x)E(y)
2-Une société d’électricité utilise des panneaux solaires et des
éoliennes. Si X est le pourcentage du temps les panneaux génèrent
de l'électricité, et Y est le pourcentage du temps les éoliennes
génèrent de l'électricité. La fonction de densité jointe est
h(x;y) =8/3 (1/2-x+y) pour 0 ≤ x ≤ 0.5 and 0 ≤ y ≤ 1.
Calculez la cov(X,Y) et leur corrélation
Exemple 2.
Les salaires des fonctionnaire dans une société y est une
fonction de s, leur années d’études et t leur années de services.

y = 10,000 + 500s + 200t


Prouvez que la covariance suivante est correcte , x est l’age de
l’individu
cov(x,y)=500 cov(x,s)+200cov(x,t)
Individu âge études service Salaire

Exemple 3.
Une société de dépannage de véhicules reçoit un nombre
d’appels x1 par jour et effectue le nombre d’intervention x2. la
fonction de probabilité jointe p(x1;x2) est comme suivant
p(0,0) = 0,04, p(1,0) = 0,16, p(1,1) = 0,10, p(2,0) = 0,20, p(2,1)
= 0,30, p(2,2) = 0;20.
Calculez la covariance et le facteur de corrélation et interprétez
Exercices (cont.)
Solution exemple 4
la fonction de probabilité jointe p(x1;x2) est comme suivant
p(0,0) = 0,04, p(1,0) = 0,16, p(1,1) = 0,10, p(2,0) = 0,20, p(2,1) =
0,30, p(2,2) = 0;20.
Calculez la covariance et interprétez les résultats
E(X1) = 0 x 0.04+1 x 0.16+1 x 0.10+2 x 0.20+2 x 0.30+2 x 0.20
= 1.66
E(X2) = 0 x 0.04+0 x 0.16+1 x 0.10+0 x 0.20+1 x 0.30+2 x 0.20
= 0.8
E(X1X2) = 0 x 0.04+0 x 0.16+1 x 0.10+0 x 0.20+2 x 0.30+4 x 0.20
= 1.5
Cov(X1;X2) = 1.5-1.66 x 0.8= 0.172

V(X1) = (0-1.66)2 0.04+(1-1.66)2 0.16+(1-1.66)2 0.10 +(2-1.66)2


0.20+(2-1.66)2 0.30+(2-1.66)2 0.20 = 0.3044
V(X2) = (0-0.8)2 0.04+(0-0.8)2 0.16+(1-0.8)2 0.10 +(0-0.8)2
0.20+(1-0.8)2 0.30+(2-0.8)2 0.20 = 0.56

Corr(X1, X2) = 0.4166


Exemple
Calculez la covariance de ces données et interprétez le résultat
Machine Durée de vie Cout de maintenance /heurs
1 15 17.3
2 16 15
3 8 14.9
4 6 4.5
5 15 18
6 12 6.2
7 12 19
8 18 17.3
9 12 7
10 20 42
Outils d’analyse probabiliste
Le Coefficient de corrélation de 2 variables jointement
distribuées est défini comme

Il est toujours entre -1 et 1

Corrélation forte

Corrélation modéré

Corrélation faible

Non-corrélées

Il est égale a 1 ou -1 que quand Y= aX+b et a ≠ 0


Preuve page suivante
Outils d’analyse probabiliste
Preuve:
Outils d’analyse probabiliste
La covariance Cov [X1 , X2] = E[( X1 −μ1)( X2 − μ2)]

Pour un vecteur stochastique X = (X1 , X2 ,..., Xn)

Le Coefficient de corrélation

Pour un vecteur stochastique X = (X1 , X2 ,..., Xn)


L’état limite de défaillance
Le concept de l’état limite représente l’état de la structure sous
toutes ses sollicitation juste avant la défaillance. C’est la limite
entre fiabilité et défaillance

Il est très important de bien choisir les variable aléatoire et celle


déterministe

Les variable aléatoire sont en général les caractéristiques


géométriques, mécanique et la sollicitation agissant sur la
structure. En général désignées par

X=(X1 ,X2 ,.., Xn)

Et l’état limite pour un nombre de variable (x1 , ..., xn) est donnée
par

g (x1 , ..., xn) =0


L’état limite de défaillance
Le concept de l’état limite représente l’état de la structure sous toutes
ses sollicitation juste avant la défaillance. C’est la limite entre fiabilité et
défaillance.
Il est trés important de bien choisir les variable aléatoire et celle
déterministe

Les variable aléatoire sont en général les caractéristiques géométriques,


mécanique et la sollicitation agissant sur la structure. En général
désignées par
X=(X1 ,X2 ,.., Xn)

Et l’état limite pour un nombre de variable (x1 , ..., xn) est donné par

g (x1 , ..., xn) =0


Ou g (x) est la fonction de défaillance.

Elle est aussi désignée comme marge de sécurité


M=g(X)
La probabilité de défaillance est Pf=P(g(X) ≤ 0)
Etat limite linéaire
C’est le cas ou la marge de sécurité est une fonction linéaire de
toutes les variables
M = a0 + a1X1 + ... + an Xn

Ou a0 ,a1 , an sont des constantes. Les éléments de X ont une


distribution normal

Remarque. Si les variable X ont une distribution normale, M aura


une distribution normale.

L’espérance de M est
μM = a0 + a1 μX1 + ... + an μXn = a0 + aT μX Ou

Et sa variance σM2 = aTCa ou

pour les systèmes qui sont indépendants,


(σ M )2= a12 σ X12 + ... + an 2 σ Xn 2
Cas élémentaire
Considérons une fonction d'état limite g(r,s)= r-s avec R
résistance et S sollicitation, supposées indépendantes. Sur la
figure suivante sont représentées les densités de probabilité f s(s)
et fr(r) , r et s étant de même unité.
Pour un cas de traction,

g (a, l ,E, r, s) = d aE - l s
Ou
d= l’élongation de la barre
a= La surface
l= la longueur de la barre
Interprétation géométrique
g(x)
>0
g(x)
>0
=

g(x)< )=
0 x)

x g(x)<
g(

0 g( 0
0
L’indice de fiabilité
L’indice de fiabilité est donc
β =μM /σM

L’interprétation géométrique paramètre β

)=
x
g(
0
L’indice de fiabilité
L’indice de fiabilité est donc
β =μM /σM

est La probabilité de défaillance peut être définie comme suivant

Ou Φ est la fonction de distribution normale et U est variable


avec une distribution normal des valeurs suivantes (μU = 0, σU =1).
Une Fcn de défaillance non linéaire
On général, la fonction de défaillance est non linéaire et la marge
de sécurité M=g(x) n’a pas une distribution normale

La première étape est de linéariser M comme suivant

Et l’indice de sécurité peut être calculée comme décrit


précédemment.
Mais le problème est que ce calcule sera limite a la marge linearisée
Et la on introduit un autre indice de fiabilité de Hasofer & Lind
L’indice de Hasofer-Lind
Première étape est de définir une transformation de variable X a
UX = N(0,1)
Remarque. les variables X ont une distribution normale

U est le vecteur Gaussien standard. Avec cette transformation, la


défaillance dans le plan u est comme suivant
L’indice de Hasofer-Lind
L’indice de Hasofer-Lind est définie comme la distance minimale
entre l’origine de l’espace u et la surface de défaillance g (u) = 0
L’indice de Hasofer-Lind
Au point b, la relation suivante doit être satisfaite: u*=l g(u*)

Ou g(ui) =

Pour formuler un problème itératif, on pose une valeur initiale u0 donc la


valeur prochaine peut être écrite de la manière suivante u*= u0 +D u

Une approximation de premier ordre a g(u*) est donnée par

en appliquant : u*=l g(u0)

Sachant que g(u*)=0. l est définie comme suivant:

Et la loop peut être formulée comme suivant:


Model d’itération
1. Imaginer une valeur (u0 )
i=0
2. Calculer g(ui )
3. Calculer ∇g(ui )
4. Calculer une meilleur valeur de ui

5. Calculer l’indice de fiabilité

6. Calculer la convergence: si b i+1-b i ≤e arrêtez l’itération


Exemple 1. Variable Esperance
écart type

Les variable aléatoire sont W, L, le module d’élasticité E et le moment


d’inertie I
La fonction d’état limite a considérer et celle de flexion permissible de
L/360. La flexion maximale dans cette barre est à 0.446L
des 2 limites.

La procédure suivante est a suivre


1. La définition de la fonction d’état limite g(x) dans le domaine des
variable x
2. La transformation de de la fonction d’ état limite dans le domaine des
variables réduites
3.

4. Ecrire g en fonction de a et b pour cela on choisi un point de design en


fonction des 2 paramètres
Variable Esperance
Exemple. écart type

La fonction d’état limite.

La forme réduite des variables.

La fonction g(z)=0 est donc


On pose b la distance entre le centre de l’hyperplan U et a est le vecteur
unitaire de la surface hyperplan d’état limite

Donc
Exemple.

La fonction g(z)=0 est donc

Donc.

Les valeurs de a sont


Exemple.

Les valeurs initiales choisies sont


et

Les itération vont mener vers


Exemple 2
Considère le problème suivant

Le déplacement maximale est.

La défaillance aura lieu quand


La forme matricielle.
La fonction d’état limite et les paramètres approprié pour les variables
aléatoires.
On va mettre

Donc

Pour les valeurs initiales, nous allons utiliser les valeurs moyennes de ces
variables i.e.

Et la valeur initiale de x3* on l’obtient a partir de g(x)=0 est donc

Déterminer les valeurs des variables réduites

Déterminer le vecteur G ou
La forme matricielle.
En utilisant les valeurs initial

Calculer et

Calculer un nouveau design point

Et la valeur de x3* on l’obtient a partir de g(x)=0 est donc

Itérer jusqu’à la convergence


Solution
g( p,l,e,i) = 48ei −100 pl 2 = 48ei − 3600 p

Les variables sont. X1 = P, X2 = E et X3 = I


Donc

Et
Les dérivée en fonction de U sont
Model d’itération

Dans l’espace basique


Le facteur de sensibilité a l’omission
Il mesure l’importance de l’incertitude d’une variable dans la fiabilité. Il
exprime l’erreur relative dans l’indice de fiabilité si la variable est
remplacée
La marge de par une valeur
sécurité peutfixe.
être écrite de la manière suivante
M= b-a TU,
a est le vecteur unitaire de la surface hyperplan d’état limite au point le
plus central
U le vecteur Gaussien standard. Si on fixe une des valeurs de a u i On peut
réécrir La marge conditionnelle

L’indice de de fiabilité simple est

Et le facteur de sensibilité a l’omission est donc

Et plus généralement

Dans l’example précédent on fixe u3=0


Fcn non linéaire et variable corrélées
On a les variables stochastiques normalement distribuées Xi , i =1,…,n,
leurs espérances µX1 …, µXn et leurs écarts types σX1 ,…,σXn leurs
coefficients de
.correlation ρij , i, j =1,…,n
. Une fonction d’état limite g(x) est donnée
Pour déterminer l’indice de fiabilité une transformation des variables
corrélées a une forme non-corrélée est nécessaire
:La première étape c’est la normalisation

Y ont une corrélation r . L’étape prochaine est la transformation des


variables Y a des variables normalisé
et non corrélées U telle que
Y=TU

Ou T est une matrice triangulaire inferieure ( Tij=0 si j>i). La matrice de


covariance CY pour Y est ecrite comme suivant
Fcn non linéaire et variable corrélées
Les valeurs de T sont définies a partir de TTT=r

: Exemple
Les variables normalisées Y=(Y1, Y2, Y3) qui ont la matrice de correlation
suivante
Fcn non linéaire et variable corrélées
Les transformation de X a U sont écrites de la manière suivante

Ou D est la matrice des écarts types de X. La fonction d’état limit peut etre
ecrite de la manière suivante

: Exemple
Soit X=(X1, X2, X3) avec
: Donc

et la fonction d’état limite suivante


:Dans le domaine U