N° d'ordre : 659 Année 1998

THÈSE
présentée et soutenue publiquement à

L'U.F.R. DES SCIENCES ET TECHNIQUES

DE L'UNIVERSITÉ DE FRANCHE-COMTÉ

le 12 juin 1998

pour obtenir le grade de

DOCTEUR DE L'UNIVERSITÉ DE FRANCHE-COMTÉ

Spécialité Sciences Pour l'Ingénieur

IDENTIFICATION PARAMÉTRIQUE
DE GRANDES STRUCTURES :
RÉANALYSE ET MÉTHODE
ÉVOLUTIONNAIRE

par

Christophe BERTHOD

Jury

G. COFFIGNAL Professeur à l’ENSAM de Paris Président, Rapporteur

L. JEZEQUEL Professeur à l’École Centrale de Lyon Rapporteur
G. LALLEMENT Professeur à l’Université de Franche-Comté Examinateur
R. FILLOD Professeur à l’Université de Franche-Comté Examinateur
S. COGAN Chargé de recherche CNRS à l’Université de Franche-Comté Examinateur
N. ROY Ingénieur de recherche chez INTESPACE à Toulouse Examinateur
A ma petite famille :
ma mère, mon frère, ma soeur
Remerciements

Les travaux de thèse présentés dans ce mémoire ont été réalisés au Laboratoire de
Mécanique Appliquée R.Chaléat à Besançon. Ils ont été rendus possibles grâce
à l’accueil chaleureux et au soutien de Monsieur le Professeur Gérard Lallement, et à
l’assistance permanente, efficace et amicale de Monsieur Scott Cogan. Je leur suis très
reconnaissant de la confiance qu’ils m’ont toujours témoigné au cours de ce doctorat.

J’adresse mes plus vifs remerciements à Messieurs les Professeurs Gérard Coffignal
et Louis Jézéquel qui m’ont fait l’honneur de participer à mon jury de soutenance en
tant que rapporteurs.

Je remercie Monsieur le Professeur René Fillod pour l’intérêt qu’il a porté à ce tra-
vail et pour ses remarques pertinentes. J’exprime également ma sincère reconnaissance
à Monsieur Nicolas Roy pour sa disponibilité et sa cordiale collaboration lors de mes
contacts avec la société Intespace.

Enfin, c’est avec un profond sentiment de sympathie que je remercie tous mes
collègues docteurs et doctorants de l’équipe Dynamique des Structures du LMARC,
ainsi que le personnel d’encadrement et du secrétariat.
Table des matières

Introduction générale 1

I Étude de méthodes de réanalyse approchée de structures

mécaniques modifiées 13

Notations relatives à la première partie 15

Introduction 17

1 Algorithmes de réanalyse approchée 21

1.1 Définitions communes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1.1 Hypothèses générales . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1.2 Troncature modale . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.1.3 Flexibilité dynamique . . . . . . . . . . . . . . . . . . . . . . . . 22
1.1.4 Formulation des matrices modifiées . . . . . . . . . . . . . . . . 24
1.1.5 Système modifié . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.2 Approche classique de Rayleigh-Ritz . . . . . . . . . . . . . . . . . . . 26
1.2.1 Formulation du système réduit . . . . . . . . . . . . . . . . . . . 26
1.2.2 Bornes supérieures sur les valeurs propres exactes . . . . . . . . 28
1.2.3 Remarques à propos de la convergence de la méthode . . . . . . 28
1.3 Extension de la base de Ritz avec des vecteurs d’erreur . . . . . . . . . 29
1.3.1 Calcul des vecteurs d’erreur . . . . . . . . . . . . . . . . . . . . 29
1.3.2 Formulation du nouveau système réduit . . . . . . . . . . . . . . 30
1.3.3 Quelques observations . . . . . . . . . . . . . . . . . . . . . . . 31
1.4 Extension de la base de Ritz avec des vecteurs de résidus statiques . . . 32
1.4.1 Justification de la procédure . . . . . . . . . . . . . . . . . . . . 32
1.4.2 Évaluation d’une base de vecteurs de force indépendants . . . . 33
1.4.3 Calcul de la solution statique . . . . . . . . . . . . . . . . . . . 34
1.4.4 Traitement des modes de corps rigide . . . . . . . . . . . . . . . 35

i
Table des matières

1.4.5 Estimation des modes résiduels . . . . . . . . . . . . . . . . . . 37

1.4.6 Formulation du nouveau système réduit . . . . . . . . . . . . . . 38
1.4.7 Quelques remarques . . . . . . . . . . . . . . . . . . . . . . . . 38

2 Applications numériques 41
2.1 Petite structure industrielle . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1.2 Première perturbation . . . . . . . . . . . . . . . . . . . . . . . 42
2.1.3 Seconde perturbation . . . . . . . . . . . . . . . . . . . . . . . . 44
2.2 Grande structure industrielle . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.2 Paramétrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.3 Création des vecteurs enrichissant la base de Ritz . . . . . . . . 49
2.2.4 Définition de la première perturbation . . . . . . . . . . . . . . 51
2.2.5 Comparaison des résultats . . . . . . . . . . . . . . . . . . . . . 53
2.2.6 Définition de la seconde perturbation . . . . . . . . . . . . . . . 53
2.2.7 Comparaison des résultats . . . . . . . . . . . . . . . . . . . . . 56
2.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3 Précision des valeurs propres approchées 61

3.1 Bornes d’erreur supérieures a posteriori . . . . . . . . . . . . . . . . . . 61
3.1.1 Force résiduelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.2 Bornes basées sur l’inverse de M . . . . . . . . . . . . . . . . . . 62
3.1.3 Bornes basées sur le déplacement statique résiduel . . . . . . . . 63
3.2 Quelques remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Conclusion 67

II Application d’une méthode évolutionnaire d’optimisa-

tion au recalage de modèles 69

Notations relatives à la deuxième partie 71

Introduction 73

1 Description de la méthode 75
1.1 Principes des techniques de calcul évolutionnaire . . . . . . . . . . . . . 75

ii
 Table des matières

1.1.1 Algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . . . 75

1.1.2 Programmes évolutionnaires . . . . . . . . . . . . . . . . . . . . 76
1.1.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
1.1.4 Bases théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . 77
1.2 Spécificités liées au recalage . . . . . . . . . . . . . . . . . . . . . . . . 78
1.2.1 Optimisation multimodale . . . . . . . . . . . . . . . . . . . . . 78
1.2.2 Prise en compte des contraintes . . . . . . . . . . . . . . . . . . 79
1.2.3 Évaluation de la fonction coût . . . . . . . . . . . . . . . . . . . 80
1.3 Présentation des opérateurs . . . . . . . . . . . . . . . . . . . . . . . . 81
1.3.1 Initialisation de la population . . . . . . . . . . . . . . . . . . . 81
1.3.2 Sélection en vue du croisement . . . . . . . . . . . . . . . . . . 82
1.3.3 Crossover . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
1.3.4 Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
1.3.5 Sélection de la nouvelle population . . . . . . . . . . . . . . . . 84
1.3.6 Estimation de la distribution des paramètres . . . . . . . . . . . 85
1.3.7 Insertion de l’individu le plus probable . . . . . . . . . . . . . . 86
1.3.8 Contrôle des niches . . . . . . . . . . . . . . . . . . . . . . . . . 87
1.3.9 Réduction du nombre des évaluations . . . . . . . . . . . . . . . 90
1.3.10 Critères de convergence . . . . . . . . . . . . . . . . . . . . . . . 91
1.3.11 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

2 Applications numériques 93
2.1 Qualification d’une procédure évolutionnaire . . . . . . . . . . . . . . . 93
2.1.1 Présentation de la fonction à optimiser . . . . . . . . . . . . . . 93
2.1.2 Présentation des tests . . . . . . . . . . . . . . . . . . . . . . . 95
2.1.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
2.1.4 Structure de l’algorithme final . . . . . . . . . . . . . . . . . . . 102
2.2 Recalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.2.1 Présentation du modèle . . . . . . . . . . . . . . . . . . . . . . 103
2.2.2 Paramétrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
2.2.3 Perturbation du modèle et simulation des mesures . . . . . . . . 107
2.2.4 Réanalyse approchée . . . . . . . . . . . . . . . . . . . . . . . . 107
2.2.5 Configuration du programme d’optimisation . . . . . . . . . . . 108
2.2.6 Fonction coût . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
2.2.7 Présentation des tests . . . . . . . . . . . . . . . . . . . . . . . 110
2.2.8 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

iii
Table des matières

Conclusion 117

III Logiciel Proto—Dynamique 119

Introduction 121

1 Architecture 123
1.1 Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
1.2 Base de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
1.2.1 Exigences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
1.2.2 Organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
1.2.3 Désignation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
1.3 Tables de configurations . . . . . . . . . . . . . . . . . . . . . . . . . . 125
1.4 Interfaces utilisateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

2 Fonctionnalités 127
2.1 Interfaces utilitaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
2.2 Importation de données . . . . . . . . . . . . . . . . . . . . . . . . . . 128
2.2.1 Modèles éléments finis . . . . . . . . . . . . . . . . . . . . . . . 128
2.2.2 Analyse modale expérimentale . . . . . . . . . . . . . . . . . . . 128
2.3 Réponses fréquentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
2.4 Visualisation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
2.5 Paramétrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
2.5.1 Macro-éléments . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
2.5.2 Paramètres physiques . . . . . . . . . . . . . . . . . . . . . . . . 130
2.6 Repère et ddl communs . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
2.7 Sélection des données modales actives . . . . . . . . . . . . . . . . . . . 131
2.8 Création de la base de Ritz . . . . . . . . . . . . . . . . . . . . . . . . . 131
2.9 Réanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
2.10 Outils de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
2.11 Méthodes de recalage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
2.11.1 Sensibilité modale . . . . . . . . . . . . . . . . . . . . . . . . . . 133
2.11.2 Recalage modal direct . . . . . . . . . . . . . . . . . . . . . . . 133
2.11.3 Méthode évolutionnaire . . . . . . . . . . . . . . . . . . . . . . . 133

Conclusion 135

iv
 Table des matières

Conclusion générale 137

Références bibliographiques 141

Annexes 151

A Décomposition en valeurs singulières 153

A.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.2 Calcul des vecteurs décomposés . . . . . . . . . . . . . . . . . . . . . . 154

B Prise en compte des modes de corps rigide 157

B.1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
B.2 Décalage spectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
B.3 Filtrage inertiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

C Analyse corrélationnelle des solutions modales 163

C.1 Appariage des modes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
C.1.1 Appariage par calcul de coefficients de projection . . . . . . . . 164
C.1.2 Appariage par optimisation avec contraintes . . . . . . . . . . . 164
C.1.3 Critères d’appariage . . . . . . . . . . . . . . . . . . . . . . . . 165
C.2 Critères de comparaison des fréquences propres . . . . . . . . . . . . . 165
C.2.1 Distance relative . . . . . . . . . . . . . . . . . . . . . . . . . . 165
C.2.2 Erreur généralisée . . . . . . . . . . . . . . . . . . . . . . . . . . 166
C.3 Critères de comparaison des vecteurs propres . . . . . . . . . . . . . . . 166
C.3.1 Distance relative . . . . . . . . . . . . . . . . . . . . . . . . . . 166
C.3.2 Critère d’assurance modale . . . . . . . . . . . . . . . . . . . . . 166
C.3.3 Erreur généralisée . . . . . . . . . . . . . . . . . . . . . . . . . . 167
C.3.4 Facteur d’échelle . . . . . . . . . . . . . . . . . . . . . . . . . . 167
C.3.5 Critère d’assurance modale sur les coordonnées . . . . . . . . . 167

v
Introduction générale
 Introduction générale

Introduction générale

Motivations
Dans le domaine de l’industrie des transports, l’élaboration d’un nouveau produit de-
mande des mois, voire des années d’effort de la part des ingénieurs et des techniciens.
Son succès détermine l’avenir de l’entreprise et engage sa responsabilité vis-à-vis des
populations présentes et futures qui utilisent et utiliseront les moyens de transports.
Le développement des industries automobiles, ferroviaires, aéronautiques et spatiales
nécessite donc de plus en plus des réflexions profondes en matière de technologies sou-
cieuses des bienfaits mais également des nuisances à la population et à l’environnement.
Actuellement, les perspectives les plus récentes révèlent qu’un développement durable
des transports passe notamment par la réduction de la consommation d’énergie fossile
et du poids des véhicules.

Le poids des automobiles, trains ou avions, constitue un facteur déterminant des

consommations d’énergie, des émissions de gaz à effet de serre, des coûts en matériaux,
des problèmes d’élimination des épaves, et la tendance doit être de le réduire. Des
pistes existent pour y parvenir : utilisation d’alliages légers dans la fabrication des
poutres et des coques des structures internes, diminution de l’importance de la câblerie
reliant les organes de commandes aux asservissements, recherche de garnitures à la fois
ergonomiques et peu denses, etc. Mais il convient de s’intéresser aussi aux vibrations
de la matière, plus souvent sources de désagréments que d’avantages.

L’incidence des vibrations sur la bonne tenue des marchandises embarquées, un

satellite placé sur son lanceur par exemple, a une influence néfaste car elle oblige
à placer des supports spéciaux afin de les isoler. Réduire le bruit améliore aussi le
confort acoustique, à l’intérieur et à l’extérieur de l’enceinte, et la sécurité des passagers,
mais cela permet surtout d’alléger sensiblement les véhicules puisqu’on peut éviter

3
Introduction générale

d’introduire des matériaux absorbants dans les structures. La maîtrise des vibrations
apparaît donc comme un moyen de lutter contre le poids des véhicules en diminuant
la quantité de matière là où les critères de résistance structurelle le permettent.

L’étude du comportement vibratoire des structures devient une étape essentielle,

sinon incontournable, dans la phase de conception des produits industriels. Plusieurs
facteurs contribuent à cette évolution : l’amélioration de la fiabilité, la recherche de
meilleures performances, la réduction du niveau sonore, la diminution de la fatigue
des matériaux et donc l’augmentation de la durée de vie des produits. En terme de
quantifications, le comportement dynamique d’une structure peut être déterminé par
la connaissance des paramètres modaux tels que les fréquences propres, les formes
propres des modes, les facteurs d’amortissement et les masses généralisées. Ce sont ces
entités que les mécaniciens en élastodynamique cherchent à estimer afin de prévoir les
déplacements de la structure en réponse aux excitations extérieures. Deux voies sont à
leur disposition : l’approche expérimentale et l’approche théorique.

Les essais de vibration sur structures réelles ou prototypes permettent d’appréhen-

der la dynamique du système et d’établir sa représentation modale grâce aux tech-
niques d’analyse modale expérimentale. A titre d’exemple, pour un avion, les essais
au sol fournissent des paramètres modaux utilisés ensuite pour prévoir sa stabilité aé-
rodynamique et ses réponses engendrées par des phénomènes tels que les turbulences
atmosphériques, les forces non stationnaires induites par les manœuvres, ou les exci-
tations vibro-acoustiques issues des turbomoteurs. Les procédures expérimentales sont
très pointues et constituent un domaine d’avancée technologique, citons en particulier
les accéléromètres de quelques dixièmes de grammes et l’acquisition des déplacements
de grandes surfaces par des moyens interférométriques. Bien que les forces d’excitation
et les conditions aux limites ne soient pas toujours convenablement reproduites par
rapport à l’environnement réel, les essais continuent, malgré leur coût, de constituer la
preuve tangible que la structure considérée satisfait aux spécifications recherchées.

Une connaissance théorique du comportement vibratoire des structures passe né-

cessairement par une modélisation mathématique. La technique la plus utilisée est la
méthode de la modélisation par éléments finis qui considère la structure comme une
distribution de masse et de raideur dans un maillage d’éléments distincts. La prédiction
des réponses dynamiques est alors possible avant même que la structure ne soit const-
ruite, ce qui permet de maîtriser les aspects de la conception relatifs aux problèmes de

4
 Introduction générale

bruit et de fatigue. De façon pratique, la représentation modale de la structure est ob-

tenue à partir de la connaissance des matrices d’état, c’est-à-dire la matrice de masse
et la matrice de raideur, après résolution d’un problème aux valeurs propres. Cette
opération correspond à une analyse de structure.

Toutefois, on doit garder à l’esprit que la création d’un modèle éléments finis d’une
carrosserie d’automobile ou d’un fuselage d’avion, nécessitant généralement des milliers
d’heures de travail, aboutit à un modèle qui est certes fin et complexe mais qui n’est
qu’une approximation de la structure réelle. Les incertitudes affectant le modèle sont
généralement dues à une estimation erronée de la masse ou plus souvent de la raideur
dans certaines zones de la structure, à une sous-estimation des phénomènes de dissi-
pation d’énergie par amortissements, ou à un comportement pudiquement appelé non
linéaire. Un recours à l’analyse modale expérimentale s’impose alors à ce stade, afin
que le modèle numérique soit validé par un test dynamique réel, avant que celui-là ne
serve à prédire et simuler les réponses à certaines excitations. La comparaison des pa-
ramètres modaux calculés et mesurés fournit matière à une vaste gamme de méthodes
dites de recalage chargées de réconcilier le modèle analytique avec l’expérience.

Analyses et réanalyses
La recherche des valeurs et vecteurs propres de matrices est un problème récurrent dans
plusieurs domaines des sciences appliquées. On distingue principalement deux champs
d’application des méthodes de résolution de tels problèmes :

• le premier, le plus vaste en nombre d’études et de publications, concerne l’en-

semble des problèmes relatifs à l’étude des vibrations : les problèmes aux valeurs
propres y sont en général symétriques, excepté dans les modèles incluant des
effets gyroscopiques ou d’amortissement ;

• le second regroupe les problèmes d’étude de la stabilité.

Dans le domaine d’intérêt de ce mémoire, la complexité et la densité du maillage

éléments finis rencontrées couramment dans les modèles industriels rendent l’opération
d’extraction des valeurs et vecteurs propres délicate à réaliser. La taille des modèles,
évaluée en nombre de degrés de liberté (ddl), est le principal critère pour estimer
la faisabilité du calcul. La plupart des méthodes numériques d’analyse de structures

5
Introduction générale

sont capables de déterminer les solutions propres de systèmes de petite (6 102 ddl) et
moyenne taille, mais seules quelques unes peuvent être appliquées, en mémoire centrale
d’une station de travail standard, aux modèles de très grande taille (de 104 à 106 ddl).
Un rapide tour d’horizon de ces dernières méthodes (Saad [40], Géradin [20]) permet
de mieux cerner les possibilités dans ce domaine.

• La méthode par itérations sur les vecteurs propres fournit de bons résultats sur
les grands systèmes, se limitant au nombre de modes requis par l’utilisateur. Mais
elle demande la résolution d’un problème statique, et sa convergence se dégrade
notablement si les valeurs propres sont quasi multiples, ce qui en fait une méthode
peu compétitive par rapport aux suivantes.

• Les méthodes d’évaluation par construction de sous-espaces sont basées sur une
technique de projection sur les sous-espaces de Krylov (Saad [41]). Elles per-
mettent une extraction efficace des solutions propres de grands systèmes tout en
bénéficiant d’un taux de convergence élevé. Plusieurs variantes existent : mé-
thode d’Arnoldi, méthode de Lanczos (Cullum [16]) symétrique et non symét-
rique, méthode par blocs (Grimes [21]), méthodes hybrides (Emad [18]). Toutes
sont robustes et aptes à traiter les très grands systèmes, extrayant le nombre sou-
haité de modes. On les trouve intégrées dans la plupart des codes commerciaux
d’analyse éléments finis. Leur mise en œuvre demande cependant un large espace
mémoire et le coût en opérations est lourd.

De façon réaliste, on peut dire que la taille des modèles augmente à la même vi-
tesse, sinon plus vite, que les capacités de calcul et de stockage en mémoire vive de
nos ordinateurs. Parfois un point de blocage est déjà atteint lorsque la demande en
solutions propres est trop élevée, conséquence d’une bande d’analyse fréquentielle trop
vaste ou d’une densité modale trop grande pour une bande donnée. Cette tendance à la
saturation risque de ne pas se résoudre dans le futur proche. Une solution peut être ap-
portée par les approches basées sur la sous-structuration car les problèmes aux valeurs
propres des sous-structures sont beaucoup plus petits et ont une densité modale plus
faible, réduisant ainsi les coûts (Bennighof [6]), mais le découpage en sous-structures et
la formulation des déplacements combinés pour le modèle complet ne sont pas triviaux.

Actuellement, les méthodes d’analyse sont utilisées de manière intensive afin de

résoudre certains problèmes liés aux objectifs de la conception du produit :

• les problèmes d’optimisation de forme ou autres problèmes faisant intervenir des

changements de géométrie, de topologie, ou de conditions aux limites ;

6
 Introduction générale

• le recalage du modèle par rapport aux mesures expérimentales ou autres pro-

blèmes faisant intervenir des variations locales de masse ou de raideur.

Mais la complexité des structures et le haut degré de précision demandé rendent

ces procédures longues et quelquefois les excluent complètement si le temps requis pour
un cycle d’analyse devient insupportable par rapport à celui réclamé par le choix d’un
design. Il n’est donc pas surprenant que des méthodes d’analyse moins contraignantes,
plus rapides, aient été développées dans le but de connaître les caractéristiques dyna-
miques d’une structure ayant subi des modifications telles que données ci-dessus. On
parle alors plutôt de méthodes de réanalyse.

La question est de savoir comment obtenir les solutions propres d’une structure
modifiée à partir de celles calculées de façon exacte sur la structure initiale, pour
un coût minimum. Là encore, l’algorithme de Lanczos par bloc peut permettre de
déterminer quelques modes, sans coût excessif, à condition que la perturbation soit de
rang peu élevé (Carey [8]). Ce problème de réanalyse, plus largement traité par d’autres
techniques, fait l’objet de la première partie de ce mémoire.

Optimisation paramétrique
La correction d’un modèle mathématique de structure en élastodynamique repose prin-
cipalement sur la réalisation de trois phases qui elles-mêmes contiennent plusieurs
étapes et problèmes particuliers :

1. la paramétrisation du modèle : localisation des zones susceptibles d’être erronées,

choix des paramètres de masse ou de raideur à corriger ;

2. la formulation d’un résidu : définition de la mesure quantifiant l’erreur commise

sur le modèle en référence à l’expérience, adaptation (condensation ou expansion)
des deux ensembles de données l’un par rapport à l’autre ;

3. l’optimisation paramétrique : définition des contraintes à respecter sur les pa-

ramètres, recherche des modifications à imposer au modèle initial pour minimiser
la distance séparant le modèle théorique de la structure réelle.

Pour parvenir au minimum de la distance, les ingénieurs se sont dès le début orientés
sur des procédures d’estimation inverse. Basées sur une loi de comportement ou un dé-
veloppement en série de Taylor, elles fournissent un système d’équations construit à

7
Introduction générale

partir des données du modèle et de la structure. Après résolution, ce système donne une
solution pour les paramètres de conception du modèle. Le processus complet, compre-
nant pour simplifier la caractérisation du modèle courant, la construction du système
et le calcul des paramètres, est réitéré jusqu’à ce qu’un critère de convergence ou de
divergence soit atteint.

Les méthodes inverses se sont révélées être très bien adaptées à la résolution des
problèmes unimodaux, c’est-à-dire des problèmes dont la fonction coût décroît monoto-
nement et ne possède qu’un minimum distinct. Mais comme on peut le remarquer, leur
comportement s’apparente à un chemin séquentiel suivi dans l’espace des paramètres.
Outre le fait que le point de départ est déterminant, les linéarisations et les adaptations
de données introduisent des erreurs qui risquent de rendre illusoire la découverte du
minimum global de la fonction coût et de mener plutôt vers un optimum local peu
satisfaisant.

C’est pourquoi l’utilisation d’une méthode d’optimisation globale est souhaitée afin
que la recherche aboutisse à un ensemble de bons candidats, des minima locaux parmi
lesquels se trouve peut-être le minimum global. La nature multi-modale et non continue
des fonctions coût employées en correction de modèle justifie cette démarche. Avant
de poursuivre, une brève revue des méthodes globales est nécessaire (voir à ce propos
Arora [48]). On en distingue deux grandes classes : les méthodes déterministes et les
méthodes stochastiques.

• Les méthodes déterministes n’intègrent aucun phénomène aléatoire et tentent de

trouver le minimum global sur la base d’une recherche exhaustive dans l’espace
borné des paramètres. Parmi elles, les méthodes de couverture évaluent la fonction
coût sur un ensemble de points répartis sur un maillage dont la non uniformité
doit refléter la distribution des minima. Par ailleurs, les méthodes de descente
généralisée construisent des chemins d’exploration en associant descentes vers des
minima locaux, remontées pour en échapper, et calcul du gradient pour estimer
la direction à suivre.

• Les méthodes stochastiques ne garantissent la découverte du minimum global

que dans un sens probabiliste. La recherche purement aléatoire est la plus simple
d’entre elles, mais aussi la plus inefficace. Plus élaborée, la recherche aléatoire
dirigée, tel que le simplex, gère le déplacement d’une figure géométrique dans
l’espace des paramètres. Quant au recuit simulé (Van Laarhoven [78]), il est basé

8
 Introduction générale

sur des lois de comportement de la thermodynamique et simule la descente vers

les niveaux d’énergie les plus bas. Enfin, l’ensemble de méthodes sur lequel on se
focalisera en deuxième partie du mémoire est constitué des méthodes de calcul
évolutionnaire : algorithmes génétiques, stratégies de l’évolution.

3
performance

de
étendu étho
e du ch m
amp d'a
pplicati
on
1 : recherche aléatoire
2 : programmes évolutionnaires
3 : méthodes déterministes

Comparaison des méthodes d’optimisation

Il est important de bien connaître la place occupée par les méthodes évolutionnaires
dans le vaste ensemble des méthodes d’optimisation. La figure ci-dessus donne une
image qualitative des relations qui existent entre un type donné de méthode et d’une
part la quantité de problèmes qu’elle peut traiter, d’autre part son efficacité à trouver
rapidement le minimum de la fonction. On constate les points suivants :

• Les méthodes les plus “faibles” (type 1 sur la figure) sont celles qui s’appliquent
sur le plus grand nombre de problèmes, mais en contrepartie elles sont peu effi-
caces. La recherche aléatoire et ses variantes les plus proches entrent dans cette
catégorie.

• Les méthodes intermédiaires (type 2) sont robustes sur une large classe de pro-
blèmes et possèdent un niveau d’efficacité satisfaisant. Leur succès est dû à un
bon dosage entre la chance et le déterminisme. Dans cet ensemble on trouve
toutes les procédures évolutionnaires et certaines techniques hybrides.

9
Introduction générale

• Les méthodes “fortes” (type 3) sont les plus performantes mais ne sont adaptées
que pour une gamme relativement étroite de problèmes. Le hasard n’y a pas sa
place et les techniques d’optimisation non linéaire y figurent.

Contenu du mémoire
Pour finir, il convient de faire un rapide résumé de notre contribution. Tout d’abord
en première partie :

• le premier chapitre est consacré à la description théorique des différents aspects de

la réanalyse approchée d’une structure modifiée, de la méthode de Ritz classique
à la technique améliorée des résidus statiques ;

• dans le chapitre suivant, des cas test industriels démontrent l’utilité de la tech-
nique proposée ;

• le troisième chapitre porte sur les techniques disponibles pour borner les erreurs
fréquentielles résultant d’une réanalyse approchée.

Puis en deuxième partie :

• le premier chapitre renseigne le lecteur sur la mise en œuvre pratique des mé-
thodes d’optimisation évolutionnaires et dévoile le fonctionnement détaillé de
nombreux opérateurs, dont certains innovants, impliqués dans ces méthodes ;

• dans le second chapitre, plusieurs algorithmes sont comparés sur un test de mi-
nimisation d’une fonction mathématique ; le plus efficace est ensuite appliqué
dans le cadre d’un recalage pour optimiser les paramètres de conception d’une
importante structure industrielle, tout en profitant des études précédentes sur la
réanalyse approchée.

Ce mémoire serait incomplet s’il n’était pas fait référence au logiciel Proto-
Dynamique, sur lequel un travail très important a été fourni pendant la préparation
de la thèse, travail qui a permis de développer les méthodes proposées et d’effectuer
les tests numériques. La conception de Proto-Dynamique, réalisé initialement dans la
société Intespace à Toulouse en 1991, est motivée par le besoin d’avoir une plate-forme
regroupant un éventail de fonctions d’analyse dans le domaine de l’élastodynamique
des structures. Ce logiciel prototype doit permettre d’appliquer, sur des modèles élé-
ments finis industriels, des méthodes aussi bien classiques qu’issues directement de

10
 Introduction générale

l’état de l’art de la recherche en mécanique, le tout dans un environnement le plus

ouvert et modulaire possible. La troisième partie du mémoire traite exclusivement
de Proto-Dynamique :

• son architecture originale est précisée dans le premier chapitre ;

• une synthèse de ses fonctionnalités est ensuite présentée.

11
Introduction générale

12
 PARTIE I

Étude de méthodes de réanalyse

approchée de structures mécaniques
modifiées

13
Notations relatives à la première
partie

R ensemble des nombres réels

N nombre de degrés de liberté (ddl) du modèle éléments finis

m nombre de modes connus du modèle éléments finis
nr nombre de modes de corps rigide

IN ∈ RN,N matrice identité d’ordre N

K ∈ RN,N matrice de raideur, symétrique et définie non négative
M ∈ RN,N matrice de masse, symétrique et définie positive
∆K, ∆M ∈ RN,N respectivement, matrices symétriques de correction
en raideur et en masse
K̃, M̃ respectivement, matrices de raideur et de masse
du système modifié réduit

Z ∈ RN,N matrice de raideur dynamique

Γ ∈ RN,N matrice de souplesse (ou de flexibilité) dynamique
N
y∈R vecteur des déplacements
f ∈ RN vecteur des forces excitatrices
ω∈R pulsation d’excitation

λν ∈ R ν ème valeur propre du système initial

notation adoptée : λ1 6 λ2 6 . . . 6 λν 6 . . .
yν ∈ R N
ν ème vecteur propre du système initial

λ̃ν ∈ R ν ème valeur propre approchée du système modifié

ỹν ∈ RN ν ème vecteur propre approchée du système modifié
ex
λ̃ν ∈ R ν ème valeur propre exacte du système modifié
ỹνex ∈ RN ν ème vecteur propre exacte du système modifié

15
Notations

Λ ∈ RN,N matrice spectrale diagonale complète

Y ∈ RN,N matrice modale complète
m,m
Λ1 ∈ R portion connue de la matrice spectrale Λ
Y1 ∈ RN,m portion connue de la matrice modale Y
Λ2 ∈ RN−m,N−m portion inconnue de la matrice spectrale Λ
N,N−m
Y2 ∈ R portion inconnue de la matrice modale Y
Ye ∈ RN,N−nr matrice des modes élastiques
Yr ∈ RN,nr matrice des modes de corps rigide

i = 1(1)N i variant de 1 à N avec un pas de 1

(.)−1 inverse d’une matrice carrée
T
(.) transposé
†
(.) inverse généralisée de Moore-Penrose
kvk norme euclidienne pour les vecteurs
kMk norme spectrale pour les matrices

16
Introduction

Un effort important a déjà été fourni afin de dégager des méthodes d’évaluation des
solutions modales d’une structure dont les paramètres de conception varient. Le coût
en temps de calcul est primordial, ce qui exclut les réanalyses exactes et amène à se
pencher sur la problèmatique de la réanalyse approchée (revue de méthodes dans Wang
[45]).

Il existe principalement deux grandes classes de méthodes de réanalyse approchée,

à savoir d’une part les formulations faisant intervenir une analyse des perturbations
par sensibilité, et d’autre part les formulations basées sur la réduction de modèle.

Dans le premier ensemble, les dérivés des valeurs et des vecteurs propres par rapport
aux modifications de conception sont calculées en se basant sur une expansion de
Taylor, généralement au premier ordre (voir Balmès [4], Zeng [47]). La linéarisation
introduite permet de prédire les effets de petits changements de modélisation. Mais
une limitation importante des équations dérivées est qu’elles s’adaptent difficilement
aux cas où le modèle initial possède des valeurs propres multiples ou quasi multiples.

D’un autre côté, beaucoup d’auteurs ont abordé le sujet par le biais des transforma-
tions apportant une réduction du modèle. Les réductions les plus couramment utilisées
sont les réductions statiques (Guyan) ou dynamiques, préservant un sous-ensemble de
ddl physiques. D’autres réductions introduisent des coordonnées généralisées et une
matrice de projection. Des techniques mixtes comportant des coordonnées physiques
et généralisées existent également (Craig [15]). Une nouvelle approche, basée sur le
concept de sensibilité sélective (Cogan [12], Ayer [2]), permet la réduction tout en
préservant des propriétés topologiques du modèle.

L’étude présentée dans cette partie est axée sur les méthodes utilisant une matrice
de projection, du type Rayleigh-Ritz, car elles sont faciles à mettre en œuvre et sont
relativement efficaces en terme de précision et de coût opératoire. L’exemple classique

17
Introduction

est la matrice de projection composée des modes du modèle initial. Pour les structures
industrielles, la matrice modale comporte beaucoup plus de ddl que de modes, c’est
l’effet de la troncature modale (Elliott [17]) : dans la bande spectrale d’intérêt, en géné-
ral seuls les premiers modes propres sont recherchés, les autres restent inconnus et leur
contribution négligée. Mais ce qui peut paraître négligeable par exemple lors de calculs
de réponses par superposition modale, l’est beaucoup moins dans les applications de
prédiction avec modèles réduits, car l’espace de représentation des seuls modes identi-
fiés est insuffisant. Idéalement, on souhaite inclure le plus de modes possible dans la
base de Ritz, augmentant certes ainsi la taille du système réduit mais aussi améliorant
son pouvoir de représentation du modèle initial. L’évaluation de modes supplémen-
taires situés hors de la bande d’intérêt est cependant peu réaliste. C’est pourquoi les
études ont plutôt porté sur la manière de connaître globalement l’influence des modes
inconnus et donc de remédier à l’absence d’informations à leur sujet dans la base de
Ritz (Brinkman [7]).

Dans cette optique, Rubin ([39]) tient compte des effets résiduels de l’ensemble des
modes négligés en se basant sur la méthode MacNeal ([32]) de calcul des contributions
statiques ou résidus en flexibilité. D’autres auteurs proposent d’intégrer des termes
résiduels dans l’expression du système réduit tout en obtenant un problème dont la taille
est indépendante du nombre de vecteurs résiduels (Sohaney [42]). Car un autre écueil
surgit suite à l’enrichissement de la base modale initiale par des résidus statiques : la
base de Ritz obtenue est-elle nécessairement de rang maximal? La détermination d’une
base de projection optimale, au sens de l’orthogonalité de ses colonnes, est possible par
l’intermédiaire d’une décomposition en valeurs singulières (Cogan [13], Balmès [3]).

Pratiquement, l’apport des résidus statiques dans une procédure de réanalyse ap-
prochée a un effet très positif sur la précision des solutions propres du système modifié,
comme par exemple le montre Hall ([22]) en mécanique des fluides. Dans Ennaime
([19]), c’est le cas particulier de la modification massique pure qui est évoqué ainsi que
l’introduction de résidus dynamiques. Enfin, dans le domaine d’intérêt de ce mémoire,
le recalage, une procédure originale de formulation de vecteurs résiduels est proposée
(Cogan [11]) et fait l’objet de développements détaillés dans les paragraphes suivants
du premier chapitre.

Alors que le deuxième chapitre est consacré à des applications numériques sur des
structures industrielles, le troisième chapitre, plus court, revient à des aspects théo-

18
 Introduction

riques en relation directe avec les résultats donnés par une réanalyse. Le problème
consiste à évaluer la précision des solutions propres approchées.

Il serait en effet intéressant de posséder un critère de qualité des solutions appro-

chées afin de décider à partir de quel moment, ou pour quelle perturbation, on doit se
résoudre à utiliser une réanalyse exacte. Un tel critère a déjà été formulé dans le cas
d’une base modale tronquée pour évaluer des bornes inférieures et supérieures sur les
valeurs propres approchées (Ram [37], Paige [34], Sun [43], Jennings [26]). La plupart
de ces travaux reposent sur la définition des intervalles optimaux de Lehmann ([30]). De
même, d’autres travaux exploitent des estimations d’angles entre des sous-espaces pour
borner l’erreur sur les vecteurs propres (Ram [38], Wedin [46]). Malheureusement, les
procédures proposées sont très coûteuses à mettre en œuvre, voire plus longues qu’une
réanalyse exacte du modèle perturbé, et leur extension à une base de Ritz enrichie
n’est pas évidente. Partant de la théorie de la perturbation des problèmes aux valeurs
propres (Saad [40], Horn [24]), les développements présentés dans ce mémoire consis-
tent à rechercher une extension pour les problèmes généralisés et à borner simplement
l’erreur maximale commise sur les valeurs propres par une approche a posteriori.

19
Introduction

20
Chapitre 1

Algorithmes de réanalyse approchée

1.1 Définitions communes

Les différentes méthodes de réanalyse approchée présentées dans ce mémoire évoluent
dans un contexte de mécanique appliquée à usage industriel et sont caractérisées par
un certain nombre de points communs portant aussi bien sur la définition des données
initiales que sur les conditions pratiques d’application. A ce titre, il est naturel de
commencer par donner les définitions générales et les formulations mathématiques qui
vont être employées dans les sections suivantes.

1.1.1 Hypothèses générales

Dans toute la suite de cette partie, nous considérons que la structure mécanique élé-
ments finis étudiée est linéaire, conservative, auto-adjointe. Son comportement dyna-
mique est donné par le système de taille N suivant :
¡ ¢
K − ω2 M y = f (I.1.1)

où K ∈ RN,N est la matrice de raideur, symétrique et définie non négative, M ∈ RN,N

la matrice de masse, symétrique et définie positive, f ∈ RN,1 le vecteur des entrées
(forces excitatrices harmoniques), y ∈ RN,1 le vecteur des sorties (déplacements), et
ω ∈ R la pulsation d’excitation.

Le système homogène associé, correspondant en régime libre à f = 0, est décrit par

le problème aux valeurs propres généralisé suivant :

(K − λν M) yν = 0 ν = 1 (1) N (I.1.2)

21
Chapitre 1. Algorithmes de réanalyse approchée

D’après les hypothèses sur K et M, ce problème admet N valeurs propres λ positives

ou nulles et N vecteurs propres réels y. Les valeurs propres sont logiquement regroupées
dans la matrice spectrale diagonale Λ = diag (λν ) ∈ RN,N , et les vecteurs propres dans
la matrice modale Y = [y1 . . . yν . . . yN ] ∈ RN,N , afin de réécrire I.1.2 sous la forme
compacte :
KY = MY Λ (I.1.3)

On suppose que les vecteurs propres sont normés par rapport à la matrice de masse
M de sorte que la matrice de masse généralisée Y T MY soit la matrice identité. Par
conséquent, les relations d’orthonormalité suivantes sont satisfaites :

Y T MY = IN ; Y T KY = Λ (I.1.4)

1.1.2 Troncature modale

Comme il est dit en introduction, la matrice modale Y complète est rarement connue.
Dans la suite, on suppose que seules les m premières colonnes de Y sont disponibles,
correspondant aux m plus basses fréquences propres. En découpant Y et Λ en sous-
matrices, on définit :
h i
Y = Y1 Y2 (I.1.5)
" #
Λ1 0
Λ = (I.1.6)
0 Λ2

où Y1 ∈ RN,m représente la matrice modale tronquée et Λ1 ∈ Rm,m la matrice spect-

rale tronquée, tandis que Y2 ∈ RN,N−m ; Λ2 ∈ RN−m,N−m désignent les sous-matrices
inconnues, non calculées, complémentaires à Y1 et Λ1 .

La bande spectrale d’analyse, celle qui contient les informations modales connues et
qui présente en général le plus d’intérêt en dynamique des structures, est alors définie
par l’intervalle :
Is = [0, λm ] (I.1.7)

1.1.3 Flexibilité dynamique

La relation I.1.1 entre les entrées et les sorties peut également être écrite sous une
forme faisant apparaître la matrice de raideur dynamique Z de la structure :

Z (ω) y = f (I.1.8)

22
 1.1. Définitions communes

Dans le cadre d’une approche expérimentale, on a plutôt accès à une relation de

comportement donnant la valeur des déplacements en fonction des forces appliquées :

y = Γ (ω) f (I.1.9)

avec
¡ ¢−1
Γ (ω) = K − ω2 M = Z (ω)−1 (I.1.10)

où Γ (ω) désigne la matrice de flexibilité dynamique, ou matrice de souplesse dyna-

mique, de la structure.

Notons que l’inversion de Z (ω) n’est mathématiquement possible que si Z (ω) n’est
pas singulière, c’est-à-dire si ω 6= λν ∀ν = 1 (1) N. Une excitation sinusoïdale à une
fréquence très proche ou égale à une des fréquences propres de la structure générerait
d’après I.1.9 un déplacement infini.

Si une évaluation de Γ (ω) est requise, l’égalité I.1.10 est lourde à utiliser. Une autre
expression de Γ (ω), fonction de Y, Λ, ω, peut être dérivée de la relation I.1.1. En ayant
à l’esprit que Y est une matrice carrée de rang N, on peut définir la transformation
qui projette y sur la base Y :
y =Yc (I.1.11)

où c est un vecteur de coordonnées généralisées. En remplaçant dans l’expression I.1.1

et en multipliant les termes de droite et de gauche par Y T , on aboutit à :
¡ ¢
Y T K − ω2M Y c = Y T f (I.1.12)

puis on exploite les relations d’orthonormalité I.1.4, d’où :

¡ ¢
Λ − ω2 IN c = Y T f (I.1.13)

si ω n’est pas une pulsation propre du système homogène, on a :

¡ ¢−1 T
c = Λ − ω2 IN Y f (I.1.14)

ou encore :
¡ ¢−1 T
y = Y Λ − ω 2 IN Y f = Γ (ω) f (I.1.15)

Avec cette expression, l’évaluation de Γ (ω) ne nécessite plus que l’inversion d’une
matrice diagonale, ce qui est immédiat, et deux produits par Y et Y T .

23
Chapitre 1. Algorithmes de réanalyse approchée

Le découpage de Y et Λ précédemment introduit permet de mettre en évidence la

contribution des solutions propres connues et inconnues dans Γ (ω) :
¡ ¢−1 T ¡ ¢−1 T
Γ (ω) = Y1 Λ1 − ω 2 Im Y1 + Y2 Λ2 − ω2 IN−m Y2 (I.1.16)

La deuxième partie du terme de droite est par hypothèse non calculables. On peut
maintenant faire une autre hypothèse à propos de la contribution des modes de Y2
afin de formuler la flexibilité dynamique sous une forme approchée. Supposons que
la contribution massique des modes de Y2 a peu d’influence à l’intérieur de la bande
d’analyse Is , autrement dit que les modes de Y2 contribuent principalement en termes
de raideur dans Is . Alors si ω 2 ∈ Is , l’expression de Γ (ω) se réduit à :
¡ ¢−1 T
Γ (ω) ∼
= Y1 Λ1 − ω 2 Im Y1 + R (I.1.17)
R = Y2 Λ−1
2 Y2
T
(I.1.18)

ce qui a l’avantage de faire apparaître la contribution statique R ∈ RN,N des modes

propres de Y2 en terme de souplesse dynamique. Ce développement est à la base de la
procédure décrite dans la section 1.4.

1.1.4 Formulation des matrices modifiées

Malgré la fiabilité et les progrès constant de la caractérisation dynamique, la modélisa-
tion reste une approche mathématique de la structure réelle, il faut donc être en mesure
de la modifier avec le moins de contraintes possibles sans devoir recommencer le cycle
de conception depuis le début. C’est là qu’intervient la notion de variables de “design”,
ou paramètres de conception. Soit np le nombre de ces paramètres. Agissant sur le
modèle de la structure, ils en contrôlent le comportement dynamique et gouvernent les
valeurs des solutions propres du système homogène.

On distingue deux ensembles de paramètres : les paramètres ki , i = 1 (1) nk , qui

agissent sur la raideur, et les paramètres mj , j = 1 (1) nm , qui agissent sur la masse,
on a donc np = nk + nm .

Les paramètres ne représentent pas directement une entité physique de la structure,

c’est-à-dire ils ne codent pas explicitement une caractéristique de la géométrie ou des
matériaux. Ils sont de plus adimensionnels afin de permettre des variations relatives
par rapport à l’état initial. Alors que le modèle éléments finis initial, représenté par
ses matrices K, M est défini par ki = mj = 1, toutes autres valeurs des paramètres

24
 1.1. Définitions communes

définissent un modèle distinct représenté par les matrices K̂, M̂ ∈ RN,N telles que :

K̂ (ki ) = K + ∆K (ki ) (I.1.19)

M̂ (mj ) = M + ∆M (mj ) (I.1.20)

Les modifications introduites par les matrices de perturbation ∆K, ∆M n’altèrent

donc pas l’ordre du système, autrement dit aucun ddl n’est ajouté ni enlevé.

En pratique, les modifications paramétriques n’interviennent pas sur les caracté-

ristiques statiques et massiques de tous les éléments finis de la structure à la fois, le
nombre de paramètres de conception impliqués serait dans ce cas énorme. De plus, on
ne souhaite corriger le modèle initial que ponctuellement, dans des zones plus ou moins
larges de la structure où la raideur est incertaine ou la masse mal connue. C’est pourquoi
on définit des ensembles d’éléments, ou macro-éléments, appelés à subir les corrections
nécessaires pour, espère-t-on, aboutir à un modèle plus proche des conditions réelles du
comportement vibratoire de la structure. Chaque macro-élément regroupe des éléments
de même type, c’est-à-dire ayant la même loi de comportement, et de même matériau,
afin qu’une variation paramétrique donnée, par exemple un changement d’épaisseur ou
de moment quadratique de section, puisse être appliquée sans distinction sur tout le
macro-élément.

Soit nmac le nombre de macro-éléments, et soient α (ki ) et β (mj ) des variables

adimensionnelles intermédiaires telles que pour α (ki ) = β (mj ) = 1 on obtient le
modèle initial. Les matrices de correction ∆K, ∆M peuvent être exprimées sous la
forme d’une combinaison linéaire de matrices macro-élémentaires :
X
nmac

∆K (ki ) = (αh (ki ) − 1) Kh i = 1 (1) nk (I.1.21)

h=1
X
nmac

∆M (mj ) = (β h (mj ) − 1) Mh j = 1 (1) nm (I.1.22)

h=1
N,N
où Kh , Mh ∈ R sont obtenues en assemblant les matrices élémentaires de chaque
élément du macro-élément h. Au même titre que K, M, les matrices Kh , Mh dépendent
du maillage adopté pour modéliser la structure, mais elles ont l’avantage d’être très
creuses.

En général, l’influence des paramètres sur les matrices de correction est non linéaire.
Cependant pour certains tels que le module d’Young ou la masse volumique, la dépen-
dance est linéaire. Dans ce cas, dans I.1.21 et I.1.22 on peut utiliser directement
αh (ki ) = ki et β h (mj ) = mj .

25
Chapitre 1. Algorithmes de réanalyse approchée

1.1.5 Système modifié

Étant données les définitions précédentes sur les matrices de correction, on peut main-
tenant présenter le problème aux valeurs propres d’ordre N du système modifié :
h ex
i
(K + ∆K) − λ̃ν (M + ∆M) ỹνex = 0 (I.1.23)
ex
où λ̃ν , ỹνex , ν = 1 (1) N sont respectivement les valeurs propres et vecteurs propres
exacts. Ces solutions, tant recherchées, ne sont malheureusement accessibles que par
l’intermédiaire d’une résolution exacte du problème I.1.23.

Le recours à une réanalyse exacte est, rappelons le, très coûteux en temps de calcul
et en nombre d’opérations en virgule flottante, c’est une éventualité presque inaccep-
table si le nombre de réanalyses à effectuer est important, par exemple dans le cadre
d’une optimisation de structure. Les formulations de réanalyse approchée qui sont dé-
crites dans les paragraphes suivants sont basées aussi sur la résolution exacte d’un
problème aux valeurs propres, mais de taille très inférieure à N, et fournissent à des
degrés divers un compromis intéressant entre la précision et le coût.

1.2 Approche classique de Rayleigh-Ritz

La procédure de Rayleigh-Ritz est une méthode de projection couramment utilisée pour
calculer de façon approchée les solutions propres de grandes matrices. L’hypothèse de
base, pour les prédictions faites avec ce type de méthode, est de dire que la réponse du
système modifié peut toujours être correctement représentée en utilisant une projection
sur le sous-espace des modes de basse fréquence du système initial. La connaissance
d’une base de modes tronquée fournit donc naturellement une définition de la matrice
de projection.

1.2.1 Formulation du système réduit

Pour commencer, projetons le vecteur propre ỹνex sur la base Y exprimée en fonction
de la troncature modale :

ỹνex = Y cν (I.1.24)
= Y1 c1ν + Y2 c2ν (I.1.25)

où c1ν ∈ Rm,1 et c2ν ∈ RN−m,1 sont des vecteurs de coordonnées généralisées. La

matrice Y étant carrée et non singulière, elle peut servir à définir une transformation

26
 1.2. Approche classique de Rayleigh-Ritz

d’équivalence et à obtenir un problème congruent à I.1.23. Ce qui, en reportant I.1.25

dans I.1.23, s’exprime de la façon suivante :
" #
Y1T h ex
ih i
(K + ∆K) − λ̃ν (M + ∆M) Y1 Y2 cν = 0 (I.1.26)
Y2T

En développant et en utilisant les relations d’orthonormalité I.1.4, on obtient :

h ex¡ ¢i
Λ1 + Y1T ∆KY1 − λ̃ν Im + Y1T ∆MY1 c1ν + . . .
h ex
i (I.1.27)
Y1T ∆KY2 − λ̃ν Y1T ∆MY2 c2ν = 0
h ex
i
Y2T ∆KY1 − λ̃ν Y2T ∆MY1 c1ν + . . .
h ex ¡ ¢i (I.1.28)
T T
Λ2 + Y2 ∆KY2 − λ̃ν IN−m + Y2 ∆MY2 c2ν = 0

Notons que si tous les modes de Y étaient connus, les équations I.1.23 et I.1.26
décriraient exactement les mêmes réponses dans deux systèmes de coordonnées, les
ddl ỹ ex pour l’une et les ddl c pour l’autre. Mais étant donné que par hypothèse Y2
est inconnue, certaines approximations sont nécessaires pour poursuivre sur la voie
du problème I.1.26. D’une part on ne considère plus l’équation I.1.28, d’autre part on
suppose que dans I.1.27 l’inégalité suivante est satisfaite :
° ex ¡ ¢° ° °
° ° ° ex °
°Λ1 + Y1T ∆KY1 − λ̃ν Im + Y1T ∆MY1 ° À °Y1T ∆KY2 − λ̃ν Y1T ∆MY2 ° (I.1.29)

L’équation I.1.27 peut alors être réécrite :

h¡ ¢ ¡ ¢i
Λ1 + Y1T ∆KY1 − λ̃ν Im + Y1T ∆MY1 c1ν = 0 (I.1.30)

ou bien
³ ´
K̃ − λ̃ν M̃ c1ν = 0 (I.1.31)

Ce problème d’ordre m est résolu de façon exacte. Les vecteurs propres c1ν sont
normalisés de telle sorte qu’ils vérifient cT1ν M̃c1ν = 1. Finalement une expansion permet
de revenir aux ddl physiques et de déterminer des solutions propres approchées λ̃ν , ỹν =
Y1 c1ν , ν = 1 (1) m, pour le système modifié.

Il est à noter que les matrices K et M n’apparaissant pas explicitement dans le

problème réduit, on n’a pas besoin de les connaître. La méthode de Ritz peut donc
être également utilisée avec des données modales expérimentales, quand les matrices
de raideur et de masse sont incertaines ou impossibles à déterminer.

27
Chapitre 1. Algorithmes de réanalyse approchée

1.2.2 Bornes supérieures sur les valeurs propres exactes

Bien que la distance entre les valeurs propres approchées λ̃ν et les valeurs exactes corres-
ex
pondantes λ̃ν ne soit pas estimable, il est néanmoins possible d’apporter un supplément
d’information quant à leur position respective dans l’échelle des fréquences. Rappelons
d’abord le contenu du théorème d’inclusion, ou d’entrelacement, des matrices.

Théorème 1 Soit A ∈ RN,N une matrice symétrique, hermitienne, découpée de la

façon suivante : " #
A1 A2
A= (I.1.32)
AT2 A4
où A1 ∈ Rm,m , et soient λi (A) et λi (A1 ) respectivement les valeurs propres de A et de
A1 , alors :
λi (A) 6 λi (A1 ) 6 λi+N−m (A) i = 1 (1) m (I.1.33)

En réécrivant le système d’équations I.1.27 et I.1.28 sous une forme légèrement

différente : Ã" #
Λ1 + Y1T ∆KY1 Y1T ∆KY2
− ...
Y2T ∆KY1 Λ2 + Y2T ∆KY2
" #! (I.1.34)
ex Im + Y1T ∆MY1 Y1T ∆MY2
λ̃ν c=0
Y2T ∆MY1 IN−m + Y2T ∆MY2
et en étendant le théorème d’inclusion aux problèmes généralisés, on retrouve le fait
connu que les valeurs propres de Ritz constituent des bornes supérieures pour les valeurs
propres du modèle modifié exact. La partie droite de l’inégalité I.1.33 reste inexploitée
car les N − m plus hautes valeurs propres de Y sont inconnues, et en tout cas inex-
ploitable car N À m.

1.2.3 Remarques à propos de la convergence de la méthode

Il est clair que la méthode de Rayleigh-Ritz limite les vecteurs propres du système
modifié dans le sous-espace de vecteurs formé par les colonnes de Y1 . Si les déplacements
engendrés par la perturbation ne sont pas orthogonaux aux modes inconnus de Y2 , alors
ceux-ci participent à la réponse, et donc les nouvelles solutions propres sont approchées.
Réciproquement, le modèle réduit formulé par l’équation I.1.30 donne des prédictions
exactes si les solutions peuvent être représentées par des combinaisons linéaires des
colonnes de la base de réduction Y1 .

En général, pour les petites modifications, les modes de plus basse fréquence de Y
forment une bonne base de Ritz. Cette procédure de réduction conduit alors à un gain

28
 1.3. Extension de la base de Ritz avec des vecteurs d’erreur

très appréciable de temps de calcul. Mais dès que le modèle initial change de façon
significative, le pouvoir de prédiction du modèle réanalysé se dégrade, les solutions
propres approchées s’éloignent des solutions exactes. A moins de retenir un nombre
prohibitif de modes initiaux, la convergence des solutions approchées vers leurs valeurs
exactes reste faible, en pratique on observe qu’elle augmente très lentement à mesure
que m augmente. De plus il est difficile de savoir a priori si la condition I.1.29 est
satisfaite pour une perturbation donnée.

Ces remarques soulèvent deux questions. Quel est le contenu de la base de réduction
conduisant à des résultats de meilleure qualité? Comment modifier la base de Ritz pour
que l’information qu’elle contient élargisse le champ des perturbations qui conduisent
à des prédictions acceptables?

1.3 Extension de la base de Ritz avec des vecteurs

d’erreur
Un des avantages de la méthode de réduction de modèle par l’approche de Rayleigh-Ritz
est qu’elle garde le même formalisme quel que soit le contenu de la base de projection.
Si l’approche classique avec l’utilisation de la base modale tronquée Y1 ne permet pas
d’obtenir une précision satisfaisante, alors une amélioration naturelle est d’introduire
d’autres vecteurs dans la base de Ritz. Bien que cette idée ait pour conséquence la
résolution d’un problème réduit de taille plus grande, l’ajout de vecteurs indépendants
judicieusement choisis dans la base de Ritz apporte de l’information et contribue à
mieux représenter l’espace vectoriel des vecteurs propres exacts.

Une stratégie possible, développée dans les paragraphes qui suivent, consiste à cal-
culer une erreur de représentation introduite quand on projette sur les modes tronqués,
et à s’en servir pour compléter la base de Ritz.

1.3.1 Calcul des vecteurs d’erreur

Une façon assez évidente pour caractériser l’erreur amenée par l’approche de Rayleigh-
Ritz est de définir le résidu modal δyν = ỹνex −Y1 c1ν . Cette quantité renseigne sur le sous-
espace vectoriel qui a manqué pour représenter correctement les solutions exactes du
système modifié. La condition nécessaire pour l’évaluer est de posséder un ensemble de
vecteurs propres exacts dont on pense qu’il constituera un bon sous-espace de projection

29
Chapitre 1. Algorithmes de réanalyse approchée

pour la plupart des perturbations rencontrées. La procédure proposée ici est de calculer
les vecteurs résiduels associés à une perturbation donnée, et surtout de le faire pour
chaque macro-élément indépendamment des autres afin de collecter plus d’information
sur le sous-espace couvert par la perturbation.

Soient deux vecteurs de paramètres, k̄ agissant sur la raideur et m̄ agissant sur

la masse, choisis a priori pour leur capacité représentative au sein de l’ensemble des
conceptions possibles de la structure. Il s’agit maintenant, pour chaque macro-élément
h, d’estimer de façon exacte les rh solutions propres (rh ¿ N) de l’équation :
h¡ ¡ ¢ ¢ ex
i
ex
K + ∆K k̄ h − λ̃hν (M + ∆M (m̄)h ) ỹhν =0 h = 1 (1) nmac (I.1.35)
ex
puis de regrouper les vecteurs ỹhν dans les matrices modales :

Ỹh ∈ RN,rh , h = 1 (1) nmac (I.1.36)

Les vecteurs correspondant à l’erreur modale commise par rapport à la base du

modèle initial s’expriment sous la forme :

δYh = Ỹh − Y1 Y1† Ỹh h = 1 (1) nmac (I.1.37)

dans laquelle les colonnes de δYh sont orthogonales à celles de Y1 , car :

¡ ¢−1 T
Y1T δYh = Y1T Ỹh − Y1T Y1 Y1T Y1 Y1 Ỹh = 0 (I.1.38)

1.3.2 Formulation du nouveau système réduit

L’assemblage des matrices δYh donne la base suivante :
h i
δY = δY1 . . . δYnmac (I.1.39)

On définit la nouvelle base de Ritz P en concaténant Y1 avec δY :

h i
P = Y1 δY ∈ RN,m+r , r = rh × nmac (I.1.40)

En projetant les vecteurs propres de la structure modifiée sur P , on obtient une

description réduite approchée des ddl du modèle à estimer :

ỹνex ∼
= P gν (I.1.41)

Celle-ci peut alors être substituée dans l’équation I.1.23. En multipliant à gauche
l’expression par P T , il en résulte un problème aux valeurs propres réduit d’ordre m + r
et symétrique : h i
P T (K + ∆K) − λ̃ν (M + ∆M) P gν = 0 (I.1.42)

30
 1.3. Extension de la base de Ritz avec des vecteurs d’erreur

c’est-à-dire
³ ´
K̃ − λ̃ν M̃ gν = 0 (I.1.43)

où les matrices réduites de raideur et de masse sont explicitement données par :

" #
Λ1 + Y1T ∆KY1 Y1T ∆KδY
K̃ = (I.1.44)
δY T ∆KY1 δY T (K + ∆K) δY
" #
Im + Y1T ∆MY1 Y1T ∆MδY
M̃ = (I.1.45)
δY T ∆MY1 δY T (M + ∆M) δY

Les vecteurs propres gν sont normalisés tels que gνT M̃gν = 1.

1.3.3 Quelques observations

Une première remarque est de dire qu’une base de Ritz telle que définie par P entraîne
forcément une amélioration de la précision en fréquence, les valeurs propres approchées
sont plus proches des valeurs exactes avec la présence des vecteurs d’erreur que sans, en
vertu du théorème d’inclusion cité précédemment. Par ailleurs, l’évolution des vecteurs
propres approchés ne suit pas systématiquement la même tendance, mais quoi qu’il en
soit, δY apporte un élargissement de la connaissance du sous-espace de RN dans lequel
évoluent les modèles modifiés.

Quantitativement, avec cette stratégie, l’amélioration générale de la réanalyse

dépend des valeurs des paramètres de correction du modèle. Elle est très significa-
tive pour le modèle modifié défini par la sélection de paramètres qui a servi à évaluer
les vecteurs d’erreur modale, ou défini par des paramètres dans le voisinage de ceux-ci.
Mais à mesure qu’on s’en éloigne, on s’attend logiquement à observer une diminution
de l’aptitude de la base P à rendre compte du comportement de la structure modifiée.

Un inconvénient de cette technique d’enrichissement de la base de Ritz réside dans

le fait qu’il n’y a aucune certitude sur l’orthogonalité des colonnes de l’extension δY .
En pratique, il est nécessaire de s’assurer qu’on n’y inclut que des vecteurs orthogo-
naux afin d’avoir une base de projection optimale et en conséquence d’économiser sur
la taille du système réduit à résoudre. Généralement, pour obtenir une sous-base de
vecteurs linéairement indépendants, on accomplit une décomposition en valeurs singu-
lières. Cette opération, détaillée dans l’annexe A, est adoptée d’emblée dans la stratégie
présentée dans la section suivante.

31
Chapitre 1. Algorithmes de réanalyse approchée

Finalement, la procédure de calcul des résidus modaux est coûteuse à mettre en

œuvre car elle demande une série d’analyses exactes sur des problèmes de taille maxi-
male. Selon le nombre total de ddl et le nombre de macro-éléments subissant une
perturbation, cette étape peut s’avérer difficile à surmonter.

1.4 Extension de la base de Ritz avec des vecteurs

de résidus statiques
L’objectif est toujours de compléter le plus efficacement possible la base modale tron-
quée par des vecteurs susceptibles de renforcer la qualité de la représentation des so-
lutions propres exactes du système modifié en coordonnées généralisées. De plus, la
recherche d’un bon compromis entre la précision de la réanalyse et son coût en opé-
rations reste une exigence fondamentale dans le cadre d’une application aux grandes
structures.

Dans la stratégie développée ci-après, l’idée est de générer une base de taille mini-
male approximant l’effet statique des modes négligés. Le calcul requiert la résolution
d’un problème statique de taille N afin d’avoir des déplacements approchés sur tous les
ddl de la structure. Puis, en soustrayant la contribution dynamique des modes connus,
on obtient une approximation de l’effet des modes inconnus sous une forme résiduelle.

1.4.1 Justification de la procédure

Une des motivations essentielles de la procédure proposée repose sur l’interprétation de
la perturbation imposée au système initial. En effet, l’équation I.1.23 peut être écrite
sous la forme :
³ ex
´ ³ ex
´
K − λ̃ν M ỹνex = − ∆K − λ̃ν ∆M ỹνex (I.1.46)
= fm (I.1.47)

où l’on fait apparaître les forces fm dues aux modifications paramétriques. Comme il
a été remarqué dans le paragraphe 1.1.4, les matrices ∆K et ∆M sont en général très
creuses, par conséquent fm contient aussi un grand nombre de composantes nulles. Plus
précisément, les composantes non nulles de fm correspondent aux ddl impliqués dans
les modifications.

Si on considère maintenant non plus le système modifié en vibrations libres, mais

32
 1.4. Extension de la base de Ritz avec des vecteurs de résidus statiques

le système modifié soumis à une excitation externe fe de pulsation ω, le comportement

dynamique peut s’écrire au moyen de la matrice de flexibilité :

y (ω) = Γ (ω) (fe + fm ) = Γ (ω) f (I.1.48)

En substituant Γ (ω) par son expression, obtenue dans le paragraphe 1.1.3, faisant
apparaître la troncature modale et la matrice R de contribution en flexibilité des modes
inconnus, on a alors :
h ¡ ¢−1 T i
y (ω) ∼
= Y1 Λ1 − ω 2 Im Y1 + R f (I.1.49)

et il est évident que dans le produit matriciel Rf , seules les colonnes de R multipliant
les termes non nuls de f sont réellement impliquées dans le calcul, les autres colonnes
sont implicitement exclues.

Cette observation suggère qu’on n’a pas besoin d’évaluer la matrice complète R, et
qu’en construisant une base de vecteurs de force adéquate, on peut extraire un ensemble
minimal de déplacements résiduels couvrant le sous-espace des réponses statiques dues
aux modes inconnus et générées par les forces de perturbation. On évite ainsi de calculer
les résidus par l’emploi de forces unité correspondant successivement à chaque ddl
affecté par les modifications, technique rapidement impraticable avec les gros modèles
industriels.

1.4.2 Évaluation d’une base de vecteurs de force indépendants

Le but est d’obtenir une représentation des forces internes qui ont fait passer le modèle
éléments finis de l’état initial à l’état modifié. Comme précédemment avec la stratégie
d’extension de la base de Ritz avec des vecteurs d’erreur, on propose de procéder
macro-élément par macro-élément (du moins on ne considère que les macro-éléments
sur lesquels est imposée une modification paramétrique), afin d’étendre le domaine
d’efficacité de la base de projection en terme d’éventuelles variations indépendantes
des paramètres.

Construisons donc, pour chaque macro-élément, une base de forces statiques et une
base de forces massiques à partir de la seule matrice modale connue :

FhK = Kh Y1 (I.1.50)
FhM = Mh Y1 h = 1 (1) nmac (I.1.51)

33
Chapitre 1. Algorithmes de réanalyse approchée

où Kh , Mh ∈ RN,N sont obtenues, rappelons le, en assemblant les matrices élémentaires

de chaque élément du macro-élément h.

Étant donné que les colonnes de FhK et FhM ne sont pas nécessairement linéaire-
ment indépendantes, on choisit de leur faire subir un contrôle d’orthogonalité afin de
déterminer une sous-base de rang maximal. Cette opération s’effectue à l’aide d’une
décomposition en valeurs singulières (voir les détails pratiques en annexe A). Prenons
le cas de FhK , sa décomposition aboutit à :

FhK = V ΣW T (I.1.52)

avec V ∈ RN,N et W ∈ Rm,m matrices orthogonales, et Σ ∈ RN,m matrice diagonale

dont les termes diagonaux σ ii , i = 1 (1) m, sont les valeurs singulières de FhK . Un filtrage
des σ ii basé sur un nombre de conditionnement maximum permet de ne retenir que
les s 6 m colonnes de W correspondant aux s plus grandes valeurs singulières, on
définit ainsi W ∗ ∈ Rm,s . Finalement, un moyen simple d’avoir une sous-base de forces
orthogonales est d’écrire :
FhK∗ = FhK W ∗ (I.1.53)

Les bases de vecteurs décomposés FhK∗ et FhM∗ , obtenues respectivement à partir

de FhK et FhM pour chaque macro-élément, sont ensuite regroupées dans une seule
matrice : h i
F = F1K∗ F1M∗ ... FnK∗
mac
FnM∗
mac
∈ RN,r (I.1.54)

où l’on note par r le nombre final de colonnes de F .

1.4.3 Calcul de la solution statique

La détermination des déplacements X correspondant aux forces F calculées précédem-
ment passe par la résolution du système de N équations d’équilibre :

KX = F (I.1.55)

Il est intéressant de noter que le calcul de K −1 n’est pas nécessaire. En effet, la mat-
rice de raideur initiale peut être donnée sous sa forme décomposée par la factorisation
de Cholesky (Imbert [25]) :
K = KcT Kc (I.1.56)

où Kc ∈ RN,N est une matrice triangulaire supérieure. Dans ce cas, l’évaluation de

X s’effectue avantageusement à l’aide d’une résolution de deux systèmes à matrice

34
 1.4. Extension de la base de Ritz avec des vecteurs de résidus statiques

triangulaire en substituant le résultat de l’un dans le second terme de l’autre, de la

façon suivante :

KcT Xo = F (I.1.57)
Kc X = Xo (I.1.58)

Cependant une question importante est posée avant même de songer à résoudre
l’équation I.1.55 : la structure possède-t-elle des modes de corps rigide?

Si la réponse est non, K est définie positive, la décomposition de Cholesky est

possible, et il n’y a pas d’autres opérations spécifiques à faire à part trouver la solution
d’un banal problème statique. Il n’est alors pas nécessaire d’exécuter les étapes de
calcul reproduites dans le paragraphe 1.4.4.

Si la réponse est oui, K est seulement définie non négative, la décomposition de

Cholesky est donc impossible, et il est très probable que I.1.55 ne puisse pas être résolue.
Les lignes qui suivent tentent d’apporter des solutions adaptées à cette situation.

1.4.4 Traitement des modes de corps rigide

Il convient donc de rechercher un moyen de contraindre temporairement la structure
pour l’empêcher de répondre par des déplacements rigides, tout en prenant soin de
ne pas affecter son comportement élastique. Deux techniques sont disponibles pour
prendre en compte les modes de corps rigide (se référer à l’annexe B pour plus de
détails sur la méthodologie de chacune) : le décalage spectral et le filtrage inertiel.

Par la méthode du décalage spectral, la matrice de raideur K est remplacée par

K d = K + αM, où α est un réel positif. L’avantage est que K d est définie positive,
et les modes de corps rigide sont maintenant associés à la valeur propre multiple α.
Toutefois, les déplacements statiques d’une structure ayant K d comme raideur ne sont
pas les mêmes que ceux de la structure initiale avec K. L’intérêt de la méthode des
résidus statiques s’en trouve diminué car les résultats sont différents. Ils apportent
néanmoins une amélioration de la précision de la réanalyse car, comme il a déjà été dit,
toute extension de la base de Ritz avec des vecteurs orthogonaux est profitable. L’effet
escompté est cependant sensiblement moindre qu’avec les vrais résidus statiques, sauf
si l’ordre de grandeur de K est très supérieur à celui de αM.

La méthode du filtrage inertiel, que l’on trouve dans de nombreuses publications

35
Chapitre 1. Algorithmes de réanalyse approchée

(Géradin [20], Balmès [3], Rubin [39]), repose sur une efficace séparation des modes de
corps rigide et des modes élastiques. Soit Yr ∈ RN,nr la matrice regroupant l’ensemble
des modes de corps rigide. L’idée principale de la méthode est de dire que les forces qui
sont des combinaisons linéaires des colonnes de MYr (matrice des forces d’inertie liée
aux modes de corps rigide) ne participent pas aux réponses élastiques, et qu’inversement
les déplacements élastiques sont générés par des forces issues du sous-espace orthogonal
à MYr . L’application au cas du problème I.1.55 peut se résumer par les étapes suivantes.

• On peut contraindre la structure à ne pas avoir de déplacements rigides en lui

imposant un ensemble de forces qui annulent les accélérations de corps rigide, sans
affecter les déplacements élastiques. Appliqué à la base F , ce concept donne :
¡ ¢
Ff = IN − MYr Mr−1 YrT F = DT F (I.1.59)

où Mr est la matrice de masse généralisée de corps rigide.

• Afin de factoriser K par la décomposition de Cholesky, une technique de conden-

sation s’avère nécessaire pour éliminer les lignes et les colonnes de zéros. On
définit une matrice booléenne T ∈ RN,Ni qui projette de l’espace des N ddl dans
l’espace des Ni ddl indépendants non contraints. Un K condensé, noté K̄, est
alors obtenu par :
K̄ = T T KT ∈ RNi,Ni (I.1.60)
K̄ est définie positive, par conséquent il existe une factorisation de K̄ par une
matrice triangulaire.

• La structure est suffisamment contrainte pour que la résolution du problème

statique puisse être effectuée. En notant X̄f les déplacements, dans l’espace de
taille Ni ddl, résultant des forces projetées Ff , l’équation s’énonce ainsi :

K̄ X̄f = T T Ff (I.1.61)

puis les déplacements sont ramenés sur tous les ddl par une expansion :

Xf = T X̄f (I.1.62)

• Pour finir, on effectue un filtrage afin que Xf soit exempt de toute contribution
de corps rigide, ce qui revient à projeter Xf dans le sous-espace orthogonal à
MYr :
¡ ¢
X = IN − Yr Mr−1 YrT M Xf = DXf (I.1.63)
avec X ∈ RN,r .

36
 1.4. Extension de la base de Ritz avec des vecteurs de résidus statiques

1.4.5 Estimation des modes résiduels

La connaissance de X en tant que somme des déplacements statiques, dus aux forces
de perturbation et résultant de la superposition de l’ensemble des modes élastiques
connus et inconnus de la structure, permet d’envisager l’estimation de la part prise
par les modes élastiques inconnus en exploitant l’expression de la flexibilité à travers
la troncature modale. En soustrayant la contribution des modes Y1 , on obtient comme
reste la contribution résiduelle du groupe de modes Y2 :

XR = X − Y1 Λ−1 T
1 Y1 F (I.1.64)

où il est aisé de montrer que les colonnes de XR sont linéairement indépendantes des
modes de Y1 .

Ensuite, la même précaution que pour la base de vecteurs de force doit être observée
à propos de l’indépendance des modes résiduels, autrement dit une décomposition en
valeurs singulières s’impose. Car bien que les forces générées pour le calcul des résidus
soient orthogonales pour chacun des macro-éléments, il est possible qu’une perte de rang
apparaisse et perturbe l’indépendance des colonnes correspondantes de XR . L’objectif
vise surtout à limiter la taille de l’extension de la base de Ritz à son strict minimum.

Le test d’indépendance des vecteurs de XR peut se faire de deux manières : soit

globalement en considérant toute la base, soit macro-élément par macro-élément en uti-
lisant le découpage introduit par l’expression de F dans I.1.54. La première possibilité
permet de retenir une base de résidus de rang maximal, tandis que la seconde fournit
peut-être en définitive un plus grand nombre de résidus décomposés mais conserve la
notion mise en avant lors de la création de la base de force, à savoir que dans le cas de
possibles variations indépendantes des paramètres de conception, on espère étendre le
domaine d’application de la base de Ritz pour une précision recherchée donnée.

On choisit de formuler la seconde variante. Soit XR,h la matrice de vecteurs résiduels

du macro-élément h, dont la taille correspond à l’apport du macro-élément h dans
I.1.54. La décomposition en valeurs singulières de XR,h donne :

XR,h = V ΣW T (I.1.65)

avec V et W matrices unitaires et Σ matrice diagonale contenant les valeurs singulières.

En procédant de la même façon que dans le paragraphe 1.4.2 (voir aussi l’annexe A),
∗
on extrait un sous-ensemble de résidus orthogonaux XRh . Après itération sur tous les

37
Chapitre 1. Algorithmes de réanalyse approchée

macro-éléments, le regroupement des vecteurs résiduels décomposés fournit la matrice

R telle que : h i
R= ∗
XR,1 ∗
. . . XR,nmac
∈ RN,r (I.1.66)

où l’on note encore par r le nombre final de modes résiduels qu’on veut conserver.

Pour finir, les colonnes de R sont normalisées par rapport à la matrice de masse
M, comme les modes de Y1 , de manière à vérifier RiT MRi = 1 ∀i = 1 (1) r.

1.4.6 Formulation du nouveau système réduit

Cette fois-ci, la base enrichie de projection de Ritz se compose ainsi :
h i
P = Y1 R ∈ RN,m+r (I.1.67)

Et comme avec la précédente méthode d’extension de la base de Ritz, on exprime

les vecteurs propres du système modifié comme une combinaison linéaire des colonnes
de P par la relation ỹ ex ∼
ν = P gν . En substituant dans I.1.23 et en multipliant à gauche
T
par P , on aboutit au problème aux valeurs propres de taille m + r :
³ ´
K̃ − λ̃ν M̃ gν = 0 (I.1.68)

où les matrices réduites de raideur et de masse sont égales à :

" #
Λ1 + Y1T ∆KY1 Y1T ∆KR
K̃ = (I.1.69)
RT ∆KY1 RT (K + ∆K) R
" #
Im + Y1T ∆MY1 Y1T ∆MR
M̃ = (I.1.70)
RT ∆MY1 RT (M + ∆M) R

1.4.7 Quelques remarques

Avec la stratégie développée tout au long de cette section, la précision atteinte par
les solutions propres approchées du système modifié est très supérieure à celle obtenue
avec la méthode de Rayleigh-Ritz classique. La raison en est qu’on a su mieux tenir
compte de l’effet des modes non inclus dans la base modale initiale sur les déplacements
engendrés par les perturbations. Pour obtenir des résultats similaires avec les modes
identifiés du modèle initial sans correction statique, la base modale tronquée Y1 devrait
contenir beaucoup plus que m + r modes.

Le nombre de résidus statiques requis est découplé du nombre de ddl modifiés. En

pratique, on constate que l’enrichissement de la base de Ritz par seulement un vecteur

38
 1.4. Extension de la base de Ritz avec des vecteurs de résidus statiques

statique résiduel par macro-élément suffit à améliorer la qualité des approximations de

façon très significative. La taille minimal de la base de résidus devant être retenue pour
un macro-élément donné n’est pas estimable a priori. Elle dépend des déplacements
générés au sein de la structure par les forces sur les ddl du macro-élément. Mais lors
de la décomposition en valeurs singulières des résidus, on observe fréquemment un
palier puis une décroissance rapide des valeurs singulières, indiquant ainsi combien de
vecteurs résiduels utiles on doit conserver.

39
Chapitre 1. Algorithmes de réanalyse approchée

40
Chapitre 2

Applications numériques

Dans ce chapitre, on considère successivement deux structures éléments finis afin de

valider les procédures numériques de réanalyse approchée présentées précédemment.
Dans un premier temps, un petit modèle est utilisé pour comparer les trois algorithmes
proposés. Dans un deuxième temps, un autre modèle industriel est employé pour mont-
rer l’effet de l’adjonction des modes résiduels statiques.

Il a été montré que plus la taille de la base de Ritz est grande, plus la précision
des solutions propres réanalysées s’améliore. La question est de savoir quel type de
sous-base on a le plus intérêt à ajouter aux modes du système initial : des modes sup-
plémentaires issus de cette même matrice modale (à condition d’en posséder d’autres)
ou des vecteurs tels que les résidus statiques, porteurs d’une information synthétique
sur la contribution des modes inconnus de plus haute fréquence? Pour obtenir une
réponse par l’intermédiaire des tests numériques, il a été décidé d’opérer avec une base
de Ritz dont le nombre de colonnes est constant, avec tantôt seulement des modes ini-
tiaux, tantôt des modes initiaux et d’autres vecteurs qui prennent la place des modes
de plus grand ordre.

Les réanalyses s’effectuent sur la base de matrices masse et raideur perturbées dont
on connaît les niveaux de perturbation. Une réanalyse exacte est par ailleurs effectuée.
L’utilisation de critères de comparaison (voir annexe C) entre les solutions propres
exactes et approchées permet alors d’évaluer les erreurs commises par ces dernières.

41
Chapitre 2. Applications numériques

Figure I.2.1 : Structure tubulaire : localisation des zones

2.1 Petite structure industrielle

2.1.1 Présentation
La structure considérée représente un tube à paroi mince possédant trois coudes (fi-
gure I.2.1) dont le diamètre est de l’ordre de 0,2 m et la longueur de 2 m. Son modèle
éléments finis est réalisé à l’aide de 640 éléments de type plaque, pour un total de
3840 ddl. Six macro-éléments représentant des joints de soudure sont définis en sélec-
tionnant des anneaux de largeur égale à un élément. Les modifications appliquées aux
macro-éléments mettent en jeu 576 ddl, et portent uniquement sur la valeur du module
d’Young.

2.1.2 Première perturbation

Dans un premier temps, la modification imposée au modèle consiste à multiplier la
raideur des éléments contenus dans les six macro-éléments par 0,5. On définit ainsi un
modèle perturbé qui va servir de référence pour tous les tests de réanalyse approchée.
Les solutions propres exactes du modèle perturbé se trouvent à une certaine distance
de celles du modèle initial (figure I.2.2).
Signification des critères de comparaison employés :

42
 2.1. Petite structure industrielle

10 df / f 80 1 - MAC

8
60
6
%

%
40
4
20
2

0 0
5 10 15 20 5 10 15 20
modes modes
25
80 dy / y appariage
20
60
15

modes
%

40
10

20 5

0 0
5 10 15 20 5 10 15 20
modes modes

Figure I.2.2 : Première perturbation, écarts entre modèle initial et perturbé

1. Distance sur les fréquences propres :

¯ ¯
¯ ˜ex ¯
∆f ¯f ν − f σ¯
= ³ ´ (I.2.1)
f max f˜νex , fσ

2. MAC : ³ ´2
exT
ỹν yσ
MAC = ¡ exT ex ¢ ¡ T ¢ (I.2.2)
ỹν ỹν yσ yσ

3. Distance sur les vecteurs propres :

∆y kỹνex − yσ k
= 1 (I.2.3)
y 2
(kỹνex k + kyσ k)

Ces différences sont évaluées sur les paires de solutions propres qui sont désignées
par la procédure d’appariage des modes exposée en annexe C.

Les trois méthodes de réanalyse approchée sont mises en œuvre et fournissent les
résultats présentés dans la figure I.2.3.
Dans les trois cas, la base de Ritz comprend 100 vecteurs. Dans la première méthode,
il s’agit des 100 premiers modes du modèle initial. Dans la deuxième approche, les 40
premiers modes initiaux sont complétés par 10 vecteurs d’erreur calculés pour chaque

43
Chapitre 2. Applications numériques

df / f 15 1 - MAC
2

% 1.5 10

%
1
5
0.5

0 0
5 10 15 20 5 10 15 20
modes modes
20
40 dy / y appariage
15
30

modes
%

20 10

10 5

0 0
5 10 15 20 5 10 15 20
modes modes

base : 100 modes initiaux

base : 40 modes initiaux + 60 vecteurs d'erreur
base : 40 modes initiaux + 60 résidus statiques

Figure I.2.3 : Première perturbation, écarts entre solutions exactes et approchées

macro-élément en utilisant le même paramètre de modification, soit 0,5. Enfin, dans la

troisième approche, les 40 premiers modes initiaux sont enrichis par 10 résidus statiques
également obtenus pour chaque macro-élément.

On observe que le remplacement des modes initiaux de plus haute fréquence par
des vecteurs spécifiques entraîne une nette amélioration dans la précision d’évaluation
des solutions propres du système modifié.

2.1.3 Seconde perturbation

On considère maintenant une perturbation différente, en multipliant la matrice de
raideur des trois premiers macro-éléments par 0,3 et celle des trois autres par 0,7. La
distance séparant le modèle initial du modèle perturbé est précisée sur la figure I.2.4.
Les lignes discontinues signifient que certaines paires de modes n’ont pu être établies
par manque de corrélation.
Les réanalyses approchées du système modifié sont effectuées en utilisant exacte-
ment les mêmes bases de projection que précédemment. Les résultats sont comparés
dans la figure I.2.5.
Il en ressort encore que la méthode de la base de Ritz classique fournit de moins
bons résultats que les deux autres méthodes, surtout sur les fréquences propres. De plus,

44
 2.1. Petite structure industrielle

14
df / f 1 - MAC
12
30
10

8 20

%
%

6
4 10
2
0 0
5 10 15 20 5 10 15 20
modes modes

dy / y 20 appariage
40

30 15

modes
%

20 10

10 5

0 0
5 10 15 20 5 10 15 20
modes modes

Figure I.2.4 : Seconde perturbation, écarts entre modèle initial et perturbé

4 df / f 40 1 - MAC

3 30
%
%

2 20

1 10

0 0
5 10 15 20 5 10 15 20
modes modes
20
dy / y appariage
60 15
modes

40
%

10

20 5

0 0
5 10 15 20 5 10 15 20
modes modes

base : 100 modes initiaux

base : 40 modes initiaux + 60 vecteurs d'erreur
base : 40 modes initiaux + 60 résidus statiques

Figure I.2.5 : Seconde perturbation, écarts entre solutions exactes et approchées

45
Chapitre 2. Applications numériques

l’approche basée sur les vecteurs d’erreur semble mise en défaut, sans doute car son
domaine de validité est restreint au voisinage des paramètres de modification ayant
servis à les calculer. La méthode utilisant les résidus statiques donne donc de façon
significative les meilleures solutions.

2.2 Grande structure industrielle

2.2.1 Présentation
La structure industrielle en question (figure I.2.6) est une large plaque emboutie qui
constitue une sous-structure du type plancher de véhicule routier. Son maillage éléments
finis, composé de plaques en flexion, fin et complexe, fait apparaître des nervures, des
trous, et des pliures représentant des lignes de jonction avec d’autres sous-structures.
Les caractéristiques principales sont les suivantes :

• Caractéristiques géométriques et matérielles :

longueur de la plaque 1,08 m

largeur de la plaque 0,55 m
épaisseur de la tôle 0,7 mm
module d’Young 2,1 1011 Pa
masse volumique 6720 kg m−3
coefficient de Poisson 0,3

• Caractéristiques du modèle éléments finis :

nombre de nœuds 2651

nombre d’éléments 2524
nombre de ddl 15906

La plaque n’est pas libre de contraintes. En effet, onze nœuds d’encastrement exis-
tent sur chacun des deux petits côtés. Il n’y a donc pas de modes de corps rigide.

On connaît les 180 premiers modes de vibration de la structure. Ils appartiennent

à l’intervalle fréquentiel ]0, 1000[ en Hz. La figure I.2.7 donne un aperçu des déformées
modales des 8 premiers modes.
Dans la suite, on considère une bande d’analyse s’étendant du mode 1 au mode 30,
c’est-à-dire les basses fréquences jusqu’à 180 Hz environ. Les comparaisons de solutions

46
 2.2. Grande structure industrielle

plaque de plancher d'automobile

x y

Figure I.2.6 : Structure plaque

47
Chapitre 2. Applications numériques

mode 1 - 6.30 Hz mode 2 - 15.31 Hz

x y x y
z z
mode 3 - 19.57 Hz mode 4 - 25.00 Hz

x y x y

z z

mode 5 - 35.68 Hz mode 6 - 39.14 Hz

x y x y
z z

mode 7 - 45.46 Hz mode 8 - 48.94 Hz

x y x y

z z

Figure I.2.7 : Déformées modales de la structure

48
 2.2. Grande structure industrielle

propres s’effectueront dans cette bande, alors que les bases de Ritz pourront exploiter
tout ou partie des modes du système initial, jusqu’à 5,5 fois la bande d’intérêt :
numéro de mode fréquence (Hz)
30 177,6
130 730,6
180 999,1

2.2.2 Paramétrisation
Cinq macro-éléments sont définis sur le modèle. Ils correspondent aux cinq nervures
droites observables sur la figure I.2.6. Le tableau suivant donne le nombre d’éléments
contenus dans chacune d’elles (la numérotation des nervures est ordonnée selon le sens
décroissant de l’axe y).

nervure nombre d’éléments

1 69
2 69
3 69
4 65
5 89
Le total constitue 14,3 % de tous les éléments de la structure, ou encore 17,3 % de
l’ensemble des ddl internes.

Cinq paramètres de conception sont choisis de telle sorte qu’une variation de l’un
d’eux entraîne la modification de la matrice de raideur d’un macro-élément. Le tableau
suivant précise l’association entre les paramètres et les macro-éléments, ainsi que leur
type (E pour module d’Young).

paramètre type macro-élément

1 E 1
2 E 2
3 E 3
4 E 4
5 E 5

2.2.3 Création des vecteurs enrichissant la base de Ritz

La procédure de construction des vecteurs de résidus statiques est mise en œuvre afin
de proposer une alternative à l’emploi exclusif de modes du système initial dans la

49
Chapitre 2. Applications numériques

zone 1 zone 2
4 4
10 10
val. sing.

val. sing.
3 3
10 10

2 2
10 10
2 4 6 8 10 2 4 6 8 10
modes modes

zone 3 zone 4
4 4
10 10
val. sing.

val. sing.
3 3
10 10

2 2
10 10
2 4 6 8 10 2 4 6 8 10
modes modes

zone 5
4
10
val. sing.

3
10

2
10
2 4 6 8 10
modes

Figure I.2.8 : Valeurs singulières des matrices résiduelles

base de Ritz. Il est décidé de calculer 50 vecteurs, soit 10 par macro-élément, qui vien-
dront se substituer aux 50 modes initiaux de plus haute fréquence lors des réanalyses
approchées. Mais la principale difficulté pour y parvenir est d’extraire des vecteurs suf-
fisamment indépendants les uns des autres dans le but de couvrir le plus large espace de
représentation possible. Le critère d’assurance retenu est la décomposition en valeurs
singulières car son mode de calcul est simple (annexe A) et le jugement aisé.
Sur la figure I.2.8, on reporte les valeurs singulières, rangées dans l’ordre décroissant,
obtenues après estimation des modes résiduels pour chaque zone de perturbation. Dans
chaque cas, le rapport relativement peu élevé entre la valeur maximale et la valeur
minimale nous autorise à croire en une bonne orthogonalité des vecteurs calculés. Ils
sont donc tous retenus et regroupés dans une même matrice R.
Une dernière vérification d’indépendance
h deivecteurs est effectuée en considérant
les valeurs singulières de l’assemblage Y1 R comprenant les 130 premiers modes

50
 2.2. Grande structure industrielle

6
x 10
4

3.5

2.5
val. sing.

1.5

0.5

20 40 60 80 100 120 140 160 180

modes

Figure I.2.9 : Valeurs singulières d’une base de Ritz assemblée

connus et les 50 résidus, appelé à être la base de Ritz la plus riche. L’examen de la
figure I.2.9 indique un bon niveau d’indépendance des colonnes de la matrice, comme
on pouvait s’y attendre puisque l’indépendance linéaire des résidus par rapport aux
modes de Y1 a été montrée.

Malgré le grand intérêt porté sur les résidus statiques, une base de vecteurs d’er-
reur est néanmoins calculée. Comme dans le cadre précédent, 10 vecteurs sont obtenus
pour chaque macro-élément. Une réanalyse exacte du modèle perturbé est rendue né-
cessaire par cette méthode, et la perturbation, choisie a priori, consiste à multiplier
les paramètres de conception par 0,5. L’assemblage des 50 vecteurs est réalisé dans
la matrice δY . Un examen des valeurs singulières de δY permet d’estimer le degré
d’indépendance de ses colonnes, c’est ce que montre la figure I.2.10.
Or il apparaît, à l’étude de la courbe, qu’il est préférable de ne pas exploiter les 50
vecteurs tant la décroissance des valeurs singulières est franche. La coupure centrale
suggère de garder dans δY les 25 premières colonnes les plus indépendantes.

2.2.4 Définition de la première perturbation

Le système initial est perturbé en assignant la valeur de tous les paramètres à 0,5.
Afin de pouvoir confronter les différents résultats issus de réanalyses approchées, les
solutions propres du système modifié sont d’abord calculées de façon exacte.
La figure I.2.11 reproduit les écarts fréquentiels entre le système initial et modifié :

51
Chapitre 2. Applications numériques

0
10

-2
10
val. sing.

-4
10

-6
10
5 10 15 20 25 30 35 40 45 50
modes
Figure I.2.10 : Valeurs singulières de la base de vecteurs d’erreur

-0.5

-1

-1.5
df / f ( % )

-2

-2.5

-3
5 10 15 20 25 30
modes
Figure I.2.11 : Première perturbation, erreurs entre fréquences initiales et perturbées

52
 2.2. Grande structure industrielle

la souplesse introduite dans la structure a un effet très réduit sur les fréquences propres
puisque l’écart reste inférieur à 3 % dans la bande d’analyse. Les vecteurs propres sont
également relativement peu modifiés par la perturbation : la valeur du MAC entre
les paires de modes de même indice est supérieure à 0,65 dans la bande d’analyse, la
procédure d’appariage ne révèle aucune ambiguïté, c’est pourquoi on n’affiche pas les
comparaisons des modes.

2.2.5 Comparaison des résultats

Afin de connaître l’évolution de la précision des solutions approchées en fonction de
la qualité des vecteurs inclus dans la base de Ritz, on fait varier le nombre de modes
initiaux et on complète par d’autres vecteurs. Les configurations étudiées en nombre
de vecteurs sont les suivantes :

configuration Y1 R δY
1 180 0 0
2 170 10 0
3 155 25 0
4 155 0 25
5 130 50 0

Les résultats issus des configurations 1, 3 et 5 sont visualisés sur la figure I.2.12. Elle
montre l’importance de l’apport des résidus statiques puisque les erreurs fréquentielles
sont progressivement diminuées si les modes initiaux d’ordre élevé sont remplacés par
des vecteurs résiduels. Une autre présentation de cette évolution est visible sur la figure
I.2.13 qui reprend les résultats des configurations 1, 2, 3 et 5. On y voit l’évolution
(une évolution supposée car tous les points ne sont pas connus) des erreurs sur les 30
fréquences propres de la bande d’analyse en fonction du nombre de résidus statiques
inclus dans la base de Ritz.
Quant à la configuration 4 qui utilise des vecteurs d’erreur, la réanalyse correspon-
dante donne les résultats tracés sur la figure I.2.14. Ils sont irréguliers et globalement
moins bons que ceux obtenus avec l’autre méthode.

2.2.6 Définition de la seconde perturbation

Une seconde perturbation vient modifier le système initial en optant pour des valeurs
de paramètres égales à 0,1 (ce qui revient à assouplir la raideur des macro-éléments
d’un facteur 10). Il en résulte des solutions propres du système modifié plus éloignées

53
Chapitre 2. Applications numériques

0.8

0.7

0.6

0.5
df / f ( % )

0.4

0.3

0.2

0.1

0
5 10 15 20 25 30
modes

Base : 180 modes initiaux

Base : 155 modes initiaux + 25 residus statiques
Base : 130 modes initiaux + 50 residus statiques

Figure I.2.12 : Première perturbation, erreurs entre fréquences exactes et approchées

54
 2.2. Grande structure industrielle

0.8

0.7

0.6

0.5
df / f ( % )

0.4

0.3

0.2

0.1

0
0 10 20 30 40 50
nombres de residus statiques

Figure I.2.13 : Première perturbation, évolution des erreurs selon le nombre de résidus

1.5
df / f ( % )

0.5

0
5 10 15 20 25 30
modes
Figure I.2.14 : Première perturbation, erreurs entre fréquences exactes et approchées

55
Chapitre 2. Applications numériques

Matrice de MAC Erreur en fréquence

1 -5
1

-6
5
.8
-7
9
-8
modes initiaux

13 .6

df / f (%)
-9

17 -10
.4
21 -11

-12
25 .2

-13
29
0 -14
1 5 9 13 17 21 25 29 1 5 9 13 17 21 25 29
modes perturbés exacts modes

Figure I.2.15 : Seconde perturbation, écarts entre modèle initial et perturbé

qu’avec la perturbation précédente, comme le montre la figure I.2.15. Certaines erreurs

fréquentielles dépassent les 10 %, et à l’intérieur de la bande d’analyse l’appariage des
modes selon le critère du MAC n’est plus aussi évident que précédemment. On observe
même des modes non appariés (la valeur minimale utilisée pour valider une paire de
modes est ici de 0,5), ce qui explique les discontinuités de la courbe de droite.

2.2.7 Comparaison des résultats

Partant de ces mêmes valeurs de paramètres, une série de réanalyses approchées est
effectuée. L’ordre du système réduit est toujours de 180, le contenu de la base de
projection variant selon les configurations suivantes (en nombre de vecteurs) :

configuration Y1 R
1 180 0
2 155 25
3 130 50

Les trois configurations proposées fournissent des solutions approchées qui sont
comparées aux solutions exactes. La figure I.2.16 permet de visualiser les valeurs de
MAC des paires de modes de la bande d’analyse. Alors que la configuration 2 n’entraîne
que peu d’amélioration dans la colinéarité des modes approchés vis-à-vis des modes

56
 2.2. Grande structure industrielle

1 1

5 Base :
.8
180 modes initiaux
9
modes exacts

13 .6

17
.4
21
25 .2

29
0
1 5 9 13 17 21 25 29
modes approches

1 1

5
.8 Base :
9 155 modes initiaux
modes exacts

13 .6
25 residus statiques
17
.4
21
25 .2

29
0
1 5 9 13 17 21 25 29
modes approches

1 1

5 Base :
.8
9 130 modes initiaux
modes exacts

.6 50 residus statiques
13

17
.4
21

25 .2

29
0
1 5 9 13 17 21 25 29
modes approches

Figure I.2.16 : Seconde perturbation, MAC entre modes exacts et approchés

57
Chapitre 2. Applications numériques

10

7
df / f ( % )

0
5 10 15 20 25 30
modes

Base : 180 modes initiaux

Base : 155 modes initiaux + 25 residus statiques
Base : 130 modes initiaux + 50 residus statiques

Figure I.2.17 : Seconde perturbation, erreurs entre fréquences exactes et approchées

exacts par rapport à la configuration 1, au contraire avec la configuration 3 la précision

obtenue est remarquable. En ce qui concerne les fréquences propres, la figure I.2.17
affiche les erreurs commises sur les fréquences exactes, en appliquant l’appariage issu
des matrices de MAC de la figure I.2.16. Quant à la figure I.2.18, elle donne une autre
vision de l’évolution de ces mêmes erreurs, sur la base des 30 premières fréquences, en
fonction du nombre de vecteurs résiduels. On peut remarquer que la réanalyse bénéficie
pleinement de l’effet de représentation des modes de rang plus élevé dans la base de
Ritz, les erreurs fréquentielles tendent toutes à être de faible niveau dans la bande
d’analyse.

2.3 Conclusion
Le coût en temps de calcul de chaque étape importante a été mesuré dans le cas de la
structure plaque. Le tableau suivant récapitule des durées moyennes obtenues sur une

58
 2.3. Conclusion

11

10

7
df / f ( % )

0
0 10 20 30 40 50
nombres de residus statiques

Figure I.2.18 : Seconde perturbation, évolution des erreurs selon le nombre de résidus

même machine1 :

calcul de 50 vecteurs résiduels 15 mn

calcul de 50 vecteurs d’erreur 1 h
réanalyse exacte de 30 modes 15 mn
réanalyse approchée de 180 modes 30 s

Comme on peut le constater, une réanalyse approchée avec une base de Ritz com-
portant 180 vecteurs est 30 fois plus rapide qu’une réanalyse exacte (par une méthode
Lanczos). Ces durées ne tiennent pas compte de l’assemblage des matrices masse et
raideur réduites initiales. De ces considérations, on peut retenir que pour un coût
moyen investi dans la construction d’une base de résidus statiques, des réanalyses al-
liant précision et rapidité sont réalisables dans un domaine pratique de modifications
paramétriques.

1
Station HP9000 715/75 avec 256 Mo de RAM

59
Chapitre 2. Applications numériques

60
Chapitre 3

Précision des valeurs propres

approchées

3.1 Bornes d’erreur supérieures a posteriori

3.1.1 Force résiduelle

Les hypothèses de départ sont les suivantes : on connaît les matrices masse M et
raideur K d’un modèle, et un ensemble de solutions propres (λν , yν ) approchant les
solutions propres exactes du problème généralisé

(K − λex ex
ν M) yν = 0 (I.3.1)

Aux résonances, les solutions approchées n’annulent pas le second terme de l’équation
I.3.1 et génèrent des forces résiduelles. Le vecteur force résiduel s’exprime par :

rν = (K − λν M) yν (I.3.2)

L’information contenue dans rν est utile dans le sens où elle constitue un bon critère
de qualité des modes approchés, par exemple dans le cadre d’un algorithme itératif.
Ainsi, on peut définir un critère simple :
krν k
εν = (I.3.3)
kKyν k
Si εν = 0 alors (λν , yν ) sont évidemment les solutions exactes de I.3.1. Dans les autres
cas, εν est une mesure de l’erreur commise par l’approximation. Mais il faut noter
qu’elle ne permet pas de séparer les erreurs affectant les valeurs et les vecteurs propres.

On va maintenant chercher à relier le résidu rν aux erreurs commises sur les valeurs
propres dans le cadre de la réanalyse approchée, erreurs qu’on peut estimer en valeur

61
Chapitre 3. Précision des valeurs propres approchées

absolue sous la forme |λex

ν − λν |. Les modes et les valeurs propres approchés intervien-
nent dans le calcul, il s’agit donc d’une estimation d’erreurs a posteriori. Deux types
de bornes supérieures sont proposés ci-après, la différence qui les sépare repose sur la
formulation de la valeur maximale de l’écart sur les valeurs propres.

3.1.2 Bornes basées sur l’inverse de M

En tenant compte des relations d’orthonormalité

Y exT MY ex = IN ; Y exT KY ex = Λex (I.3.4)

Y ex ∈ RN,N ; Λex ∈ RN,N

vérifiées par les solutions propres exactes, l’équation I.3.2 est réécrite pour faire appa-
raître la souplesse dynamique :

yν = (K − λν M)−1 rν (I.3.5)
¡ ¢−1
= Y ex−T Λex Y ex−1 − λν Y ex−T Y ex−1 rν (I.3.6)
= Y ex (Λex − λν IN )−1 Y exT rν (I.3.7)

L’idée consiste ensuite à obtenir l’expression de yνT Myν afin de profiter du fait qu’on
connaît la valeur de sa norme :

yνT Myν = rνT Y ex (Λex − λν IN )−T Y exT MY ex (Λex − λν IN )−1 Y exT rν (I.3.8)
= rνT Y ex (Λex − λν IN )−T (Λex − λν IN )−1 Y exT rν (I.3.9)
= rνT Y ex (Λex − λν IN )−2 Y exT rν (I.3.10)

D’où les relations suivantes après passage à la norme :

° °
1 = °rνT Y ex (Λex − λν IN )−2 Y exT rν ° (I.3.11)
° ° ° ° ° °
6 kY ex k °Y exT ° °(Λex − λν IN )−2 ° °rνT ° krν k (I.3.12)
° ° ° °
6 °M −1 ° °(Λex − λν IN )−2 ° krν k2 (I.3.13)

(Λex − λν IN )−1 est une matrice diagonale, par conséquent sa norme spectrale, définie
comme étant égale à sa plus grande valeur singulière, est simplement le maximum de
ses termes diagonaux en valeur absolue. L’inégalité précédente devient donc :
° ° ¡ −1 ¢2
1 6 °M −1 ° max |λex
σ − λν | krν k2 (I.3.14)

ou encore
p
σ − λν | 6
|λex kM −1 k krν k (I.3.15)

62
 3.1. Bornes d’erreur supérieures a posteriori

Ce qui signifie que pour une valeur propre approchée d’indice ν, il en existe une exacte
d’indice σ telle que leur différence est bornée par un terme maximum défini à droite
de l’équation I.3.15.

En ce qui concerne l’évaluation de kM −1 k, il est irréaliste de vouloir calculer explici-

tement M −1 pour des modèle dont la taille en ddl dépasse un certain seuil relativement
bas. Heureusement, il existe un moyen de lever cet écueil en calculant uniquement la
première valeur propre d’un problème simple :
° −1 °
(M − µIN ) φ = 0 ⇒ °M ° = 1 (I.3.16)
µ1

3.1.3 Bornes basées sur le déplacement statique résiduel

Partant de l’équation du résidu I.3.2 et des relations I.3.4, on a :

rν = Y ex−T (Λex − λν IN ) Y ex−1 yν (I.3.17)

En multipliant à gauche par K −1 , on introduit le déplacement statique résiduel K −1 rν

obtenu à partir de la force résiduelle rν :

K −1 rν = K −1 Y ex−T (Λex − λν IN ) Y ex−1 yν (I.3.18)

= Y ex Λex−1 (Λex − λν IN ) Y ex−1 yν (I.3.19)

d’où
yν = Y ex (Λex − λν IN )−1 Λex Y ex−1 K −1 rν (I.3.20)
Le passage à la norme fournit les résultats suivants :
° °
kyν k = °Y ex (Λex − λν IN )−1 Λex Y ex−1 K −1 rν ° (I.3.21)
° ° ° °
6 °Y ex (Λex − λν IN )−1 Λex Y ex−1 ° °K −1 rν ° (I.3.22)
° ° ° ° ° °
6 kY ex k °Y ex−1 ° kΛex k °(Λex − λν IN )−1 ° °K −1 rν ° (I.3.23)

où il est clair qu’on peut opérer les substitutions

° °
kY ex k °Y ex−1 ° = cond (Y ex ) (I.3.24)
kΛex k = λex
N (I.3.25)
° ex °
°(Λ − λν IN ) ° = max |λex
−1
σ − λν |
−1
(I.3.26)

ce qui permet de dire que, pour une valeur propre approchée λν , il existe une valeur
propre exacte λex
σ telle que :

kK −1 rν k
σ − λν | 6 cond (Y ) λN
|λex ex ex
(I.3.27)
kyν k

63
Chapitre 3. Précision des valeurs propres approchées

La borne supérieure de l’erreur sur les valeurs propres dépend cette fois-ci du condi-
tionnement de la matrice modale Y ex , de la plus grande valeur propre exacte λex
N , et
du rapport entre la norme du déplacement statique résiduel et la norme du mode qui
en est la cause. Les remarques qui suivent fournissent quelques éclaircissements sur
l’évaluation pratique de ces termes.

• En ce qui concerne le déplacement statique K −1 rν , et notamment l’utilisation de

la décomposition de Cholesky de K, les commentaires réalisés à propos du calcul
de la solution statique dans le premier chapitre (équation I.1.55) s’appliquent
aussi dans le cas présent.

• L’estimation de cond (Y ex ) peut être obtenue sans connaître Y ex , car on a l’équi-

valence suivante :
cond (Y ex ) = cond (Mc ) (I.3.28)

où Mc est le résultat d’une décomposition de Cholesky de M, M = McT Mc . La

preuve en est donnée ci-après. En posant ϕν = Mc yνex , le problème généralisé I.3.1
est transformable en un problème simple :
¡ ¢ ex
K − λex T
ν Mc Mc yν = 0 (I.3.29)
¡ ¢
McT Mc−T KMc−1 − λex
ν IN Mc yν
ex
= 0 (I.3.30)
¡ −T ¢
Mc KMc−1 − λex ν IN ϕν = 0 (I.3.31)

Soit Φ la matrice rassemblant les vecteurs propres ϕν , on a Φ = Mc Y ex . Étant

donné que le bloc Mc−T KMc−1 est hermitien, on a également cond (Φ) = 1 et
kΦk = 1. On en déduit :
° ° ° °
kY ex k = °Mc−1 ° et °Y ex−1 ° = kMc k (I.3.32)

donc kY ex k kY ex−1 k = kMc k kMc−1 k.

• Quant au terme λex

N , son évaluation nécessite de résoudre le problème I.3.1 sur
une seule valeur propre, celle de rang N dans l’ordre croissant, donc à l’autre
bout du spectre.

3.2 Quelques remarques

Les restrictions à l’utilisation des bornes définies ci-dessus doivent être exposées pour
bien cerner leur domaine de validité.

64
 3.2. Quelques remarques

• Limitations

Dans les inégalités I.3.15 et I.3.27, il est clair que la distance |λex
σ − λν | est ex-
ploitable seulement si les valeurs et vecteurs propres approchés sont relativement peu
éloignés de leurs homologues exacts. Si des croisements ou des sauts de modes inter-
viennent, l’appariage est imprévisible et il sera difficile de connaître les couples (σ, ν)
qui satisfont les inégalités. De même, il est préférable que les valeurs propres soient
suffisamment séparées.
Ce type de bornes est donc réservé à des applications en relation avec une réanalyse
qui garantie une bonne précision sur les solutions propres calculées.

• Réalités des cas tests

Les formulations qui permettent d’estimer les bornes maximales sont clairement un
frein à leur utilisation sur des modèles de moyenne et grande taille. De plus, il n’est pas
certain que les majorations ne soient pas trop importantes pour avoir une signification
pratique.

65
Chapitre 3. Précision des valeurs propres approchées

66
Conclusion

Le travail de recherche de cette première partie de mémoire est consacré à l’étude des
méthodes de réanalyse approchée. En élastodynamique, pour d’évidentes raisons de
coût numérique et de temps, ces méthodes sont d’un grand intérêt dès qu’une procédure
requiert un nombre important de résolutions d’un problème aux valeur propres. C’est
le cas par exemple de l’identification paramétrique.

La technique de Rayleigh-Ritz classique repose sur l’utilisation d’une base de pro-

jection qui est la base modale tronquée du modèle initial. Quoique donnant déjà une
réelle satisfaction tant en vitesse d’exécution qu’en simplicité de mise en œuvre, ses
capacités à fournir des solutions propres approchées suffisamment précises s’avèrent
décevantes lorsque la perturbation en masse et en raideur éloigne le modèle de son état
initial.

Dans le premier chapitre consacré aux exposés théoriques, une technique originale
pour obtenir, macro-élément par macro-élément, des vecteurs de résidus statiques a été
présentée. Ces vecteurs enrichissent la base modale tronquée en apportant des infor-
mations sur les données manquantes du problème initial, à savoir les modes inconnus
de plus haute fréquence. Les applications numériques, qui ont suivi dans le deuxième
chapitre avec notamment la présence d’un modèle de structure industrielle comportant
environ 16000 ddl, ont mis en évidence l’apport très bénéfique des résidus statiques sur
la diminution des erreurs entre les modes et les fréquences calculés de façon approchée
et leurs homologues exacts.

La même matrice de résidus statiques est a priori valable pour l’ensemble des ité-
rations d’une procédure de recalage. Néanmoins il serait intéressant, par comparaison
sur un critère de convergence, d’effectuer des réanalyses approchées avec une base ac-
tualisée à intervalle régulier. Elle serait construite à partir des modes exacts du modèle
défini par les valeurs courantes des paramètres. D’autres perspectives sont envisagées
en ce qui concerne l’emploi de la technique proposée :

67
Conclusion

• la réanalyse de modèle dont la géométrie est perturbée (Kirsch [27] en statique) :

une approximation des modes pourrait être obtenue pour un modèle dont la
topologie a changé (éléments ajoutés ou éliminés, nœuds déplacés) ;

• l’application à la discernabilité de modèles (Ayer [2]) : le problème est de déter-

miner, pour un résidu donné, si les modèles sont discernables les uns des autres
lorsque les paramètres varient ; or l’élaboration d’une carte de discernabilité
requiert un grand nombre de réanalyses.

Diverses techniques permettant d’estimer les bornes supérieures sur les erreurs fré-
quentielles ont également été proposées. Elles se heurtent à des difficultés d’application
sur un modèle de taille industrielle. Une étude sur l’incorporation des résidus statiques
à la méthode d’évaluation des bornes inférieures déjà citée en introduction (Ram [37])
serait pourtant souhaitable dans la mesure où elle donnerait avant réanalyse une indi-
cation sur la précision minimale pouvant être atteinte avec la base de projection.

68
 PARTIE II

Application d’une méthode

évolutionnaire d’optimisation au
recalage de modèles

69
Notations relatives à la deuxième
partie

R ensemble des nombres réels

p nombre de paramètres actifs

pi ∈ R ième paramètre actif
τ taille de la population
vi ∈ Rp ième membre de la population (vecteur de paramètres)
f fonction coût
f (vi ) ∈ R valeur de l’adaptation de vi

µ probabilité de mutation
g numéro de la génération courante
G nombre total de générations
ng nombre critique de générations pour la convergence
binf , bsup borne inférieure et supérieure de variation des paramètres

nb nombre de bandes d’échantillonnage dans [binf , bsup ]

δb largeur de bande d’échantillonnage
ρ (pi )k densité du paramètre pi dans la kème bande
nm nombre des “meilleurs” membres de la population
p̄i valeur la plus probable du paramètre pi

dij distance euclidienne entre les membres vi et vj

ζ résolution minimale de deux membres de la population
s (vi , vj ) ∈ R fonction de partage entre les membres vi et vj
nu taille d’une niche
η seuil de densité d’une niche
εpi résolution minimale sur le paramètre pi
H table de l’historique des membres dont l’adaptation est connue

71
Notations

N nombre de degrés de liberté (ddl) du modèle éléments finis

λm
ν ∈R ν ème valeur propre du modèle
m
yν ∈ RN ν ème vecteur propre du modèle

Nc nombre de capteurs sur la structure

λsσ ∈R σ ème valeur propre identifiée de la structure
yσs ∈ RNc σ ème vecteur propre identifié de la structure

i = 1(1)N i variant de 1 à N avec un pas de 1

k.k norme euclidienne

72
Introduction

Dans le contexte du recalage de modèle, la procédure suivie pour déterminer les pa-
ramètres inconnus procède à leur recherche en satisfaisant à un critère prédéfini qui est
généralement la minimisation d’une fonction coût censée représenter la distance entre
le modèle et la structure réelle. Alors que l’emploi de méthodes inverses adaptées à ce
problème non linéaire est courant, les méthodes d’optimisation directes démontrent de
plus en plus leur aptitude à le résoudre. Parmi elles, les algorithmes évolutionnaires
(Michalewicz [68]), englobant les algorithmes génétiques, les stratégies de l’évolution et
toutes les techniques hybrides, sont clairement désignés comme étant les plus efficaces.

On observe depuis quelques années un véritable engouement pour les algorithmes

évolutionnaires dans la plupart des branches de l’ingénierie. Ils bénéficient d’un déve-
loppement rapide grâce à l’apport d’idées issues de nombreux champs de la science,
dont l’informatique, la biologie. Leur domaine d’application ne fait que croître et com-
prend déjà de nombreux thèmes, parmi lesquels :

• l’optimisation combinatoire ;

• la résolution des problèmes d’emploi du temps ;

• les mécanismes d’apprentissage (Hassas [60]) ;

• la modélisation de bases de données (MacKay [66]) ;

• l’entraînement des réseaux neuronaux ;

• l’optimisation de la conception.

En mécanique appliquée, ils sont déjà utilisés dans quatre grands axes de recherche :

• l’optimisation de forme de structure (Chapman [51], Galante [58], Lin [65], Chen
[52], Husbands [62]) : la topologie de structures bidimensionnelles ou tridimen-
sionnelles est optimisée sous contraintes de masse et de déplacement minimum
en réponse à une force statique ;

73
Introduction

• la détection d’endommagements (Friswell [55]) : l’objectif est de localiser les

défauts dans une structure à partir de données mesurées ;

• le placement optimal d’amortisseurs (Furuya [57]) : des éléments dissipatifs sont

disposés pour atténuer les vibrations, par exemple sur les grandes structures
spatiales ;

• l’identification paramétrique : l’adéquation entre calcul et mesure passe par l’es-

timation de paramètres physiques optimaux ; cette opération intéresse aussi bien
l’élastodynamique (Larson [63], Nair [70], Worden [80]), la plasticité et la visco-
plasticité (Furukawa [56]) que la physique moléculaire (Carroll [50]).

Dans ce dernier axe de recherche, des études récentes (Cogan [53], Cunha [54])
ont montré le fort potentiel des algorithmes évolutionnaires à fournir des valeurs de
paramètres très satisfaisantes comme solutions du recalage. A la suite de cela, les
travaux présentés dans les pages suivantes portent sur la définition d’une méthode la
plus adaptée possible à l’identification paramétrique des modèles industriels de grande
taille, sur la base de considérations propres au champ d’application et de l’état de l’art
en matière de programmation évolutionnaire.

Une comparaison des algorithmes génétiques et des programmes évolutionnaires est

d’abord présentée, puis vient une revue des opérateurs de calcul, les organes moteurs
de la méthode de recherche. La validation de l’algorithme proposé est ensuite effectuée
sur une fonction mathématique recréant approximativement le comportement d’une
fonction coût de recalage. Finalement, le recalage d’un modèle d’environ 50000 ddl
illustre, sous plusieurs configurations, l’intérêt d’une telle méthode.

74
Chapitre 1

Description de la méthode

1.1 Principes des techniques de calcul évolution-

naire
Deux des formes les plus courantes des techniques de calcul évolutionnaire vont main-
tenant être brièvement décrites. Il s’agit des algorithmes génétiques et des programmes
évolutionnaires.

1.1.1 Algorithmes génétiques

Les algorithmes génétiques, tels qu’ils sont largement appliqués dans de nombreux
secteurs des sciences pour l’ingénieur, dérivent des études menées par Holland [61].
Le caractère génétique vient du fait que les algorithmes reproduisent de façon très
simplifiée le principe d’évolution de la théorie darwinienne qui suppose que seuls les
individus les plus adaptés à leur environnement survivent et ont une descendance.
C’est en quelque sorte une métaphore de l’évolution naturelle, doublée d’eugénisme,
des espèces vivantes qui constitue les fondements de ce type d’optimisation.

Les algorithmes génétiques tentent de trouver l’optimum d’une fonction coût en gé-
rant en parallèle une population de solutions potentielles dans l’espace de recherche. La
population est d’abord constituée au hasard puis évolue au gré d’opérateurs stochas-
tiques et déterministes. Chaque solution potentielle, considérée comme un individu à
part entière, est amenée à subir des transformations aléatoires, à échanger des informa-
tions, et à être comparée aux autres par le biais de son niveau d’adaptation, c’est-à-dire
de la valeur correspondante de la fonction coût. Les meilleures sont sélectionnées pour
le tour suivant, et après un certain nombre de générations, l’évolution a joué en faveur

75
Chapitre 1. Description de la méthode

d’une répartition des solutions potentielles sur la région la plus prometteuse : celle
de l’optimum global. Pour décrire le processus un peu plus en détail, considérons un
algorithme génétique simple qui repose sur cinq phases élémentaires.

• Codage : chaque paramètre est codé en base binaire sur q bits. Une variable
continue ne peut donc prendre que 2q valeurs à l’intérieur de la boîte de contrainte.
Un individu de la population est obtenu en concaténant les chaînes de 0 et de 1
codant les différents paramètres.

• Évaluation : chaque individu se voit attribuer une mesure de son adaptation, cal-
culée à partir de la fonction objective à minimiser ou maximiser. Aucun gradient
ou autre estimation n’est nécessaire.

• Sélection : on opère une sélection parmi les individus pour désigner ceux qui
vont produire les membres de la prochaine génération. Les meilleurs, au sens de
l’adaptation, ont plus de chance d’être choisis, même plusieurs fois.

• Croisement (ou crossover) : une fois que des paires de parents sont désignées,
une opération de croisement est mise en œuvre. Une partie de la chaîne binaire
est échangée entre les deux parents, créant ainsi deux nouveaux individus.

• Mutation : intervenant avec une faible probabilité d’occurrence, un mécanisme

aléatoire perturbe un ou plusieurs bits de la chaîne binaire des enfants. L’opéra-
teur de mutation sert à maintenir un certain niveau de diversité dans la popula-
tion.

On trouvera en [77] et [73] une documentation utile et en [74] une revue des logiciels
qui exploitent les algorithmes génétiques.

1.1.2 Programmes évolutionnaires

Presque entièrement basés sur les développements des algorithmes génétiques, les pro-
grammes évolutionnaires en diffèrent pourtant sur de nombreux points.

• Abandonnant le codage binaire, ils représentent les individus de la population

génétique par des vecteurs de nombres réels. Les paramètres peuvent varier de
façon parfaitement continue.

• Le processus de sélection n’est pas le même. Alors que les algorithmes génétiques
sélectionnent τ parents pour créer par croisement et mutation τ enfants qui les

76
 1.1. Principes des techniques de calcul évolutionnaire

remplacent totalement dans la population, les programmes évolutionnaires génè-

rent λ enfants à partir de τ parents puis sélectionnent la nouvelle population en
prenant les τ meilleurs parmi l’ensemble de taille τ + λ.

• Les probabilités de crossover et de mutation, au lieu d’être constantes, peuvent

varier au cours des générations.

1.1.3 Discussion
Des comparaisons entre ces deux formes de techniques de calcul évolutionnaire ont
déjà été réalisées (Michalewicz [67]), sur des critères de performance et de largeur
du domaine d’application. Il en ressort que la représentation des individus par des
nombres réels procure une plus grande rapidité d’exécution et une meilleure précision
dans l’approche de l’optimum. Les observations semblent cependant aller dans le sens
d’une certaine égalité dans la compétition qui les anime, l’une a emprunté des idées
à l’autre et inversement, et finalement c’est toute l’architecture de l’algorithme et des
opérateurs adaptés au problème qui font que l’optimisation réussit. Dans la suite, on
choisit de s’orienter plutôt du côté des programmes évolutionnaires.

1.1.4 Bases théoriques

La question est de savoir pourquoi ce type de méthode de recherche directe réussit
à converger. Pour l’expliquer, Holland ([61]) développa le concept de schèmes au sein
des algorithmes génétiques. Il s’agit d’une similarité qu’on retrouve dans les chaînes
binaires de plusieurs individus et qui s’écrit avec des 0, des 1, ou des ¦ pour symboliser
aussi bien un 0 qu’un 1. Par exemple, si on considère des individus codés sur 4 bits, le
schème [10 ¦ ¦] identifie les individus [1000], [1001], [1010], et [1011]. Holland stipula le
théorème de convergence des schèmes :

f¯ (S)g
h (S)g+1 > h (S)g (1 − ε) (II.1.1)
f¯g

S est un schème, h (S)g et h (S)g+1 représentent le nombre d’individus vérifiant ce

schème à la génération g et g + 1, f¯ (S) est la moyenne des valeurs d’adaptation des
g
h (S)g individus concernés, f¯g est la moyenne des valeurs d’adaptation de tous les in-
dividus de la génération g, et ε ¿ 1. Le théorème signifie que le nombre d’exemplaires
d’un schème dont l’évaluation est en moyenne meilleure que la moyenne totale aug-
mente génération après génération. Il est probable que ce schème est favorisé car il est
caractéristique d’un optimum de la fonction coût.

77
Chapitre 1. Description de la méthode

Il faut souligner que le théorème II.1.1 n’est valide que sous un certains nombres de
conditions relatives aux opérateurs de sélection, crossover et mutation. Aucune preuve
formelle n’existe quant à la convergence des algorithmes génétiques plus complexes ou
des autres méthodes évolutionnaires en général, et l’objectif du travail présenté dans
ce document n’est pas d’en fournir une.

1.2 Spécificités liées au recalage

L’objectif de cette partie du mémoire est d’appliquer un programme évolutionnaire
au problème de l’identification paramétrique. Le fait d’optimiser une fonction coût de
recalage implique certaines difficultés et rend nécessaire un approfondissement de la
réflexion au sujet des buts à atteindre et des moyens à mettre en œuvre.

1.2.1 Optimisation multimodale

Un problème d’optimisation est qualifié de multimodal lorsque la fonction objective
associée possède plusieurs optima dignes d’intérêt, c’est-à-dire plusieurs solutions pour
lesquelles la valeur de la fonction est en dessous (pour une minimisation) d’un certain
seuil. En pratique, la plupart des fonctions complexes, qui ne s’expriment pas par
une équation analytique comme c’est le cas pour l’identification paramétrique, sont
multimodales à un degré plus ou moins fort et sont caractérisées par un minimum et
d’autres bonnes solutions pas forcément voisines.

Pourquoi s’intéresse-t-on à ces autres solutions? Le fait de trouver le minimum peut

paraître suffisant, mais avec les méthodes de recherche directe, rien ne garantit qu’il
s’agit bien du minimum, ce n’est que la meilleure solution trouvée. Donc il est préférable
que l’algorithme fournisse également d’autres solutions en parallèle qui peuvent ensuite
s’avérer être très proches du vrai minimum. De plus, du point de vue de l’interprétation
des résultats en recalage, le chercheur pourra analyser plus finement l’influence des
paramètres sur le comportement dynamique de la structure s’il a en main plusieurs
bons vecteurs paramétriques.

Comment trouver de multiple optima du recalage? Une méthode d’optimisation

mathématique classique, basée par exemple sur le gradient, converge inévitablement
vers le plus proche optimum local, alors qu’un programme de recherche directe a beau-
coup plus de chance de localiser le minimum global et éventuellement certains optima.
Mais il faut souligner, au désavantage de la recherche directe, que la programmation

78
 1.2. Spécificités liées au recalage

évolutionnaire est relativement mal adaptée à un raffinement des solutions trouvées,

son fonctionnement aléatoire est par nature incapable de fournir les paramètres de
l’optimum à une grande précision. Son rôle exact est donc plutôt de situer la ou les
meilleures solutions, de déterminer le voisinage des optima, de déceler des régions pro-
metteuses, afin qu’ensuite une méthode d’optimisation par gradient puisse affiner le
résultat.

La localisation des optima proches dans l’espace des paramètres dépend de deux
aspects : d’une part le type de résidu inclu dans la fonction coût, d’autre part le niveau
d’incertitude sur les mesures. La résolution minimale de deux solutions potentielles peut
être recherchée dans le concept de discernabilité de modèles déjà cité (Ayer [2]).

1.2.2 Prise en compte des contraintes

Les contraintes systématiquement imposées aux paramètres sont des contraintes de
type boîte, définies par des limites minimales et maximales. Elles bornent l’espace
paramétrique à explorer et sont relativement simples à mettre en œuvre.

Mais le respect des contraintes peut constituer une difficulté s’il existe des relations
d’égalité, linéaires ou non linéaires, à l’intérieur d’un ensemble de paramètres. Le cas
peut se produire en recalage si par exemple on désire garder constante la masse totale
de la structure alors que la masse des macro-éléments varie. Autant que possible, il est
préférable d’éviter l’introduction de telles contraintes dans un processus évolutionnaire.
C’est parfois réalisable en éliminant les égalités pour ne conserver que les paramètres
indépendants, l’optimisation y gagne alors en rapidité et en efficacité pour une même
taille de population génétique, car l’espace de recherche est plus réduit.

Il faut noter que la programmation évolutionnaire s’adapte aisément à presque

tous les problèmes non contraints, mais que la prise en charge des problèmes contraints
s’effectue par des voies détournées, généralement des approches a posteriori car elles in-
terviennent après génération des vecteurs de paramètres. La technique la plus courante,
par pénalisation de la fonction coût, vise à désavantager les solutions paramétriques
qui violent les contraintes en augmentant leur valeur d’adaptation. Son utilisation est
rendue difficile par le fait que le choix du paramètre de pénalisation peut résulter sur
l’obtention soit d’un excellent optimum infaisable, soit d’un optimum moyen dans la
zone de faisabilité (voir Chen [52]). Une autre voie consiste à réparer les vecteurs pa-
ramétriques illégaux en ramenant le ou les paramètres fautifs à la frontière de la zone

79
Chapitre 1. Description de la méthode

Figure II.1.1 : Organigramme d’évaluation d’un modèle k

faisable.

En conclusion, le recours à ces méthodes, de toute façon coûteuses et n’éliminant

pas le gâchis, ne sera pas nécessaire dans le cadre du recalage qu’on souhaite effectuer,
seules les bornes sur les paramètres seront utilisées.

1.2.3 Évaluation de la fonction coût

Dans le contexte d’une procédure de recalage, les multiples vecteurs constitués des
valeurs de paramètres de conception actifs sont autant d’hypothèses de modèles analy-
tiques. L’évaluation de la fonction coût pour chacun de ces modèles est l’étape décisive
dont dépend le succès de l’identification des paramètres représentant au mieux le com-
portement de la structure. C’est aussi l’étape la plus coûteuse en calculs et traitements
de données. Ce poids s’explique essentiellement par la nécessité de recourir à la réso-
lution d’un problème aux valeurs propres.

La première partie de ce mémoire aborde ce problème et rappelle que la réanalyse

exacte d’un modèle perturbé de grande taille est une opération coûteuse en ressources
informatiques. Or la convergence d’un algorithme évolutionnaire n’est assurée qu’au
prix de très nombreuses réanalyses. Il faut donc résolument se tourner vers un type de
réanalyse approchée, seule solution pour éviter des calculs d’une durée rédhibitoire.

L’organigramme de la figure II.1.1 donne un exemple générique de fonction d’éva-

80
 1.3. Présentation des opérateurs

luation d’hypothèses de modèle. A partir d’un vecteur de paramètres, les perturbations

en masse et en raideur sont construites et introduites dans le module de réanalyse afin
d’obtenir un ensemble de formes propres du modèle. Leur comparaison avec les données
modales issues de la structure fournit une distance qui est le critère d’adaptation de
l’hypothèse de départ.

1.3 Présentation des opérateurs

L’ensemble des opérateurs du programme évolutionnaire proposé par la suite dans ce
mémoire vont maintenant être décrits. Ils sont abordés dans l’ordre approximatif de
leur apparition dans le processus d’optimisation et présentent des techniques aussi
bien confirmées qu’innovantes. Par hypothèse, le contexte général dans lequel ils s’ap-
pliquent est une procédure de recherche directe adoptant le codage réel de ses solutions
potentielles et ayant pour objectif la minimisation d’une fonction coût.

1.3.1 Initialisation de la population

Avant d’amorcer le processus évolutionnaire proprement dit, il convient de générer
la population initiale dont la descendance convergera, on l’espère, vers des solutions
paramétriques optimales. Cette opération est relativement simple, elle consiste à créer,
grâce à un tirage aléatoire, τ vecteurs de p paramètres qui vérifient les contraintes liées
au domaine de faisabilité. La distribution des paramètres est en général uniforme sur
l’échelle linéaire mais peut aussi être rendue uniforme en échelle logarithmique.

En outre, l’utilisation d’informations a priori peut être envisagée, concernant no-

tamment la distribution potentielle des optima. Dans ce cas, certains sous-ensembles de
valeurs de paramètres sont privilégiés, la loi de distribution n’est plus uniforme. Mais
il faut prendre soin de ne pas trop appauvrir la diversité de la population, car l’absence
de solutions potentielles dans toutes les parties de l’espace Rp risque de rendre caduc
tout espoir de détection de l’optimum global.

Tout en gardant une loi de distribution uniforme, il est aussi possible de réserver
des places dans la population initiale pour y incorporer des vecteurs de paramètres
qui ont une signification particulière. C’est souvent le cas par exemple avec le vecteur
codant l’état initial du phénomène observé. En recalage de modèles, comme le propose
d’ailleurs Larson ([63]), le modèle analytique initial est représenté dans la population
de départ et participe éventuellement à son évolution génétique.

81
Chapitre 1. Description de la méthode

1.3.2 Sélection en vue du croisement

La sélection visant à faire se rencontrer deux membres de la population en vue d’un
croisement est une étape essentielle car elle détermine le contenu génétique des individus
à venir. A ce niveau, le maintien d’un équilibre entre diversité et convergence vers des
optima est essentiel, c’est ce qu’on nomme la pression de sélection : plus la pression
est forte plus la diversité diminue. Les bons individus, au sens de l’adaptation à la
fonction coût, se reproduisent plusieurs fois, et ce nombre de fois dépend de l’opérateur
de sélection dont on donne ci-dessous deux variantes couramment utilisées.

• Sélection proportionnelle

La probabilité d’être sélectionné pour un membre vi , dont l’adaptation vaut f (vi ),

est égale à :
1 1
prob (vi ) = Pτ 1 (II.1.2)
f (vi ) m=1 f (vm )

les rapports inverses s’expliquent par le fait qu’on agit dans le cadre d’une minimisation.
Cette définition exerce une pression élevée, dans le sens d’une forte participation des
meilleurs à la reproduction.

• Sélection par le rang

La présence de “super-individus” dans la population peut être une cause de conver-

gence prématurée sur des optima locaux, ils empêchent les autres membres de cont-
ribuer à la création de la progéniture. Au lieu de baser la sélection sur l’adaptation,
on la base sur le rang obtenu après rangement des valeurs d’adaptation dans l’ordre
croissant. La probabilité du membre vi de rang i d’être choisi comme parent est alors :
2 (τ − i + 1)
prob (vi ) = (II.1.3)
τ (τ + 1)
cette définition laisse beaucoup plus de chance aux individus handicapés par une adap-
tation moyenne d’être pris comme parents.

1.3.3 Crossover
Le crossover est un des opérateurs stochastiques qui a fait le plus l’objet d’études
afin d’optimiser son fonctionnement. Son objectif est de générer un ou deux nouveaux
membres à partir de deux parents sélectionnés par l’étape précédente. Dans la suite,
on note par v1 et v2 deux vecteurs parents, et par w1 et w2 les vecteurs enfants qu’ils
font naître.

82
 1.3. Présentation des opérateurs

• Permutation à un point
Dérivé du crossover simple des algorithmes génétiques, ce type de crossover fait
intervenir une position de coupure c obtenue en prenant la partie entière d’un nombre
aléatoire a :
c = int (a) avec 1 6 a < p (II.1.4)
la progéniture est alors créée ainsi : w1 est constitué des c premiers paramètres de v1
et des p − c derniers paramètres de v2 , alors que w2 hérite des c premiers de v2 et des
p − c derniers de v1 . En ce qui concerne la faisabilité des vecteurs w1 et w2 au sens du
respect des contraintes sur les paramètres, elle n’est complètement assurée que si les
paramètres possèdent le même domaine de variation.
• Crossover uniforme
Le crossover uniforme est capable de générer n’importe quelle combinaison des deux
vecteurs parents en échangeant les paramètres plutôt que des segments de paramètres.
Pratiquement, on effectue p tirages aléatoires d’un entier égal à 1 ou 2, ce qui détermine
l’indice du parent qui transmet son bagage génétique à w1 pour chaque paramètre, le
complément est donné à w2 . Cette procédure impose la même condition que précédem-
ment sur la faisabilité des solutions.
• Crossover arithmétique
Le crossover arithmétique est défini comme une combinaison linéaire des deux vec-
teurs v1 et v2 , fonction d’un nombre aléatoire a ∈ [0, 1] :
w1 = av1 + (1 − a) v2 (II.1.5)
w2 = (1 − a) v1 + av2
On remarque que pour n’importe quels v1 et v2 appartenant au domaine de faisabilité,
w1 et w2 sont également des solutions faisables.
• Crossover heuristique
Le crossover heuristique établit aussi une combinaison linéaire de v1 et v2 , mais la
direction de recherche dépend des valeurs d’adaptation :
si f (v1 ) > f (v2 ) alors w1 = a (v2 − v1 ) + v2
(II.1.6)
sinon w1 = a (v1 − v2 ) + v1
où a ∈ [0, 1] est un nombre aléatoire. Le processus II.1.6 est ensuite répété pour générer
w2 . Mais il est possible qu’il fournisse un vecteur enfant infaisable, hors des limites du
domaine autorisé. Dans ce cas, une autre valeur a est tirée jusqu’à ce que le vecteur
créé soit faisable ou qu’un nombre maximum de tentatives soit atteint.

83
Chapitre 1. Description de la méthode

1.3.4 Mutation
La mutation est un opérateur qui intervient aléatoirement et qui fait subir un chan-
gement localisé à un individu issu du crossover. La mutation n’est pas systématique,
elle a une probabilité µ de s’appliquer à un des p paramètres du vecteur, chaque pa-
ramètre a donc une chance égale de la subir. La valeur de µ est en général de l’ordre
de grandeur de τ1 , l’inverse de la taille de la population. Dans la suite, on note pi un
paramètre choisi dans le cadre du processus de mutation et soumis aux contraintes de
boîte binf 6 pi 6 bsup .

• Mutation uniforme

La mutation uniforme fait évoluer pi vers une valeur p0i tirée au sort dans le domaine
autorisé, selon un nombre aléatoire a ∈ [0, 1] :

p0i = binf + a (bsup − binf ) (II.1.7)

• Mutation non uniforme

L’opérateur peut être non uniforme, par exemple dépendant de l’âge de la popula-
tion :
( ∙³ ´ ¸
pi + d (bsup − pi ) si d > 0 g β
p0i = avec d = a exp ln (α) (II.1.8)
pi + d (pi − binf ) si d < 0 G

où a est un nombre aléatoire dans l’intervalle [−1, 1], g le numéro de la génération

courante, G le nombre total de générations, α < 1 et β > 1 des paramètres de confi-
guration. Il est clair que dans les premières générations, la mutation non uniforme
s’apparente à la mutation uniforme, p0i peut s’éloigner beaucoup de pi . Quand l’algo-
rithme parvient aux dernières générations, elle consiste en un saut aléatoire très localisé
autour de pi , permettant ainsi de raffiner une solution autour d’un éventuel optimum.

1.3.5 Sélection de la nouvelle population

Après avoir abordé les méthodes de sélection pour la reproduction, de crossover et de
mutation, il est temps de parler de l’étape pendant laquelle s’effectue le renouvelle-
ment de la population. Partant en effet d’un ensemble de τ membres, l’opérateur de
croisement génère un nouvel ensemble distinct de λ individus. Typiquement, on prend
λ = τ . L’évaluation de l’adaptation des λ solutions précède l’application de l’opéra-
teur de sélection qui permet de garder une taille de population constante au cours des
générations.

84
 1.3. Présentation des opérateurs

• Sélection familiale

A condition de tenir une sorte de registre des naissances, il est possible de réunir de
nouveau les familles et de considérer les quatre réels {f (v1 ) , f (v2 ) , f (w1 ) , f (w2 )}. La
règle est alors la suivante : la compétition est interne à la famille, la sélection consiste
à garder les deux meilleurs parmi les quatre, c’est-à-dire les deux qui présentent la plus
petite valeur de fonction d’adaptation.

• Sélection avec extinction

Une autre philosophie de la sélection est basée sur la sauvegarde de la progéniture :

le processus sélectionne une nouvelle population de τ membres à partir des λ enfants
uniquement. De ce fait, la durée de vie de chaque individu est limitée à une génération,
ce qui favorise la résolution des problèmes dans lesquels le minimum se déplace avec le
temps mais désavantage le phénomène de raffinement d’une bonne solution.

• Sélection globale élitiste

Afin de s’assurer que la moyenne des évaluations d’adaptation n’augmente pas d’une
génération à l’autre, comme cela peut se produire avec la sélection précédente, la sé-
lection doit s’opérer sur l’ensemble (τ + λ) : on retient les τ meilleurs membres parmi
les (τ + λ). Cette stratégie rend certaine la survie des parents les plus adaptés, elle est
donc qualifiée d’élitiste.

1.3.6 Estimation de la distribution des paramètres

Parce qu’on a choisi de coder les valeurs des paramètres en réel, on autorise des varia-
tions continues de ceux-ci dans leur domaine de faisabilité sous l’action des opérateurs
stochastiques. Au cours des générations, ils se déplacent et migrent dans des zones pri-
vilégiées de l’espace Rp . Dans le but de connaître la répartition spatiale des membres de
la population dans Rp , il est devenu nécessaire d’établir une carte indiquant, paramètre
par paramètre, pour quelles valeurs on observe les plus fortes densités d’individus.

L’étude de ces informations repose sur une estimation de la distribution des pa-
ramètres. Pratiquement, une discrétisation du domaine B= [binf , bsup ] d’un paramètre
pi est nécessaire : B est échantillonné en nb bandes d’analyse de largeur δb. Il suffit
ensuite de compter, à l’échelle de la population, le nombre de fois que le paramètre pi

85
Chapitre 1. Description de la méthode

est observé à l’intérieur de chaque bande pour obtenir les informations désirées. L’ex-
pression de la densité de pi dans la bande numéro k peut s’écrire de la façon suivante :

ρ (pi )k = card ({pi | binf + (k − 1) δb < pi 6 binf + kδb}) k = 1 (1) nb (II.1.9)

L’examen des valeurs de ρ obtenues sur tout le domaine B fournit des indications inté-
ressantes sur les tendances d’évolution de pi , notamment lorsqu’un nombre significatif
de générations a déjà été traité :

• si le paramètre se distribue de façon uniforme ou erratique, on peut en conclure

qu’il représente une variable relativement insensible vis-à-vis de la fonction coût ;

• si au contraire une dominance apparaît clairement dans une des bandes, alors les
valeurs paramétriques correspondantes sont celles qui ont la plus forte probabilité
de sortir par croisement et celles qui caractérisent sûrement le minimum de la
fonction ;

• la présence de plusieurs pics peut indiquer que des minima locaux ont été repérés
au cours de la recherche.

1.3.7 Insertion de l’individu le plus probable

Les informations collectées par l’étape précédente permettent de développer un mé-
canisme original qui consiste à générer un vecteur de paramètres artificiellement et à
l’inclure dans la population en vue d’obtenir si possible une amélioration spontanée de
la meilleure valeur d’adaptation et donc de converger plus vite.

Pour commencer, on évalue la distribution de chaque paramètre sur son domaine

de variation. Le comptage ne s’effectue pas sur la base de la population complète mais
plutôt sur un sous-ensemble contenant un nombre nm < τ des meilleurs individus, ce
qui exclut toute participation des solutions médiocres à la création de l’individu spécial
et optimise son élaboration. Le choix de nm peut être basé sur plusieurs critères :

nm
• le rapport τ
est constant au cours des générations ;

nm
• le rapport τ
augmente au cours des générations, il permet ainsi la prise en
compte de plus en plus de membres, en accord avec le phénomène d’enrichissement
moyen de la population ;

86
 1.3. Présentation des opérateurs

• nm est le nombre des membres vi qui satisfont la condition f (vi )

γ×f (v1 )
6 tol, où f (v1 )
est l’évaluation de la meilleure solution, γ un coefficient multiplicateur, et tol un
facteur de tolérance.

Ensuite, l’examen de la distribution d’un paramètre pi définit l’indice k de la bande

dans laquelle s’agglutinent le plus d’individus. Si plusieurs bandes possèdent la même
densité, un tirage au sort est effectué pour n’en retenir qu’une seule. L’individu le plus
probable peut alors être construit selon la règle suivante :

p̄i = binf + (k − 1) δb + aδb (II.1.10)

a ∈ [0, 1] est un nombre aléatoire. Plutôt que la valeur médiane, le paramètre p̄i prend
n’importe quelle valeur à l’intérieur de la bande d’échantillonnage k de largeur δb,
cela afin de permettre une plus grande part de risque dans le choix de cette solution
potentielle, surtout si la même distribution des paramètres se maintient durant quelques
générations. A ce titre, il est préférable que le calcul de la distribution ne repose pas
sur un δb trop petit dans le but de faciliter l’émergence d’un pic.

Finalement, le vecteur paramétrique ainsi créé est évalué par le biais de la fonction
coût et est incorporé à la population en prenant la place de celui qui a la plus mauvaise
évaluation à ce moment-là.

1.3.8 Contrôle des niches

Alors que juste après l’initialisation, les membres de la population sont globalement
dispersés dans tout l’espace des paramètres, graduellement, sous le double effet des
croisements et de la sélection, ils convergent vers des régions prometteuses où ils com-
mencent à former des amas. Ce phénomène d’agglomération est en même temps utile
et nuisible :

• Ces zones concentrent un ensemble de caractéristiques génétiques très intéres-

santes, elles sont d’ailleurs qualifiées de niches écologiques (Goldberg [59]). Elles
sont la source d’une diversité à l’échelle de la population et doivent si possible
être préservées dans l’optique de la recherche d’optima locaux.

• En revanche, si la taille des niches n’est pas surveillée, il peut se produire un

phénomène d’absorption, les niches les plus faibles en terme d’adaptation à la
fonction coût disparaissent au profit des plus adaptées, puis de la plus forte.
Cette dernière engendre rapidement une vaste population de membres similaires.

87
Chapitre 1. Description de la méthode

Or la création d’un grand nombre de quasi-sosies qui se reproduisent présente

peu d’intérêt pour l’optimisation.

Le défi consiste à obtenir un bon équilibre entre l’exigence de converger vite vers un
bon minimum, de préférence le minimum global, et la nécessité de garder des options
pour l’avenir afin de dénicher éventuellement une meilleure solution. Par conséquent, il
est indispensable de disposer d’un bon outil de mesure de la densité des niches et d’un
moyen d’intervention judicieux qui évitent les niches trop compactes.

La détection des niches repose sur le calcul de la distance euclidienne entre toutes
les paires (vi , vj ) de membres de la population, ramenée à la distance maximale à
l’intérieur de la boîte de contraintes :
kvi − vj k
dij = × 100 i, j = 1 (1) τ (II.1.11)
kbsup − binf k

Si, pour i 6= j, dij 6 ζ, avec ζ un certain coefficient de résolution, alors les individus vi
et vj sont déclarés voisins et constituent à eux deux une niche. De proche en proche,
on trouve d’autres individus qui sont aussi dans le même voisinage.

Dès que des niches sont détectées, un mécanisme de contrôle doit s’activer pour
limiter leur développement. C’est le rôle des deux techniques présentées ci-dessous.

• Technique de pénalisation

Cette technique fait intervenir une modification de la valeur d’adaptation de chaque

membre d’une niche. Son fonctionnement est basée sur une fonction de partage (Gold-
berg [59], Michalewicz [67], Lin [65]) définie pour quantifier le voisinage et le degré de
partage des individus de la niche. Concrètement, l’évaluation f (vi ) d’un membre vi
quelconque devient f (vi )0 tel que :

f (vi )0 = f (vi ) × Si (II.1.12)

Xτ
avec Si = s (vi , vj ) (II.1.13)
j=1
⎧ ³ ´α
⎨ 1 − dij si dij 6 ζ
ζ
s (vi , vj ) = (II.1.14)
⎩ 0 sinon

s est une fonction de partage qui dépend de la distance entre deux individus et des
constantes ζ et α. Si vi est relativement isolé (comparativement à la constante ζ), alors

88
 1.3. Présentation des opérateurs

Si = 1. Sinon, Si > 1 et Si augmente proportionnellement au nombre et à la proximité

des voisins de vi .
La pénalisation de l’adaptation des individus trop regroupés cause, à la génération
suivante, une dégénérescence des niches. Le renouvellement de la population est facilité
dans les zones non peuplées.

• Technique de remplacement optimal

Une technique originale, très différente de la précédente sur le principe, a été ima-
ginée afin de favoriser encore plus le brassage génétique, en particulier au moment de la
prise en charge d’une niche trop compacte. Véritable opérateur stochastique, il consiste
à remplacer les individus d’une niche par d’autres générés aléatoirement par une mé-
thode de mutation obéissant à la probabilité de distribution optimale des paramètres
établie précédemment.
Soit une niche composée des individus ui , i = 1 (1) nu . Avant d’entamer toute
opération de transformation, il est nécessaire de posséder une mesure de sa compacité
afin de fixer un seuil. Le critère retenu repose sur le calcul de la moyenne des distances
au sein du groupe :
nXu −1 X
nu
2
dij 6 η (II.1.15)
nu (nu − 1) i=1 j=i+1
η est le seuil en dessous duquel la niche est considérée comme trop dense. Si le test
II.1.15 est vérifié, alors la décision est prise de disperser les individus de la niche.
Le meilleur élément de la niche, u1 , est conservé tel quel dans la population, pour
ne pas rendre vain l’effort de recherche consenti jusque-là. En outre, un membre spécial
est créé, il correspond au barycentre de la niche :

1 X
nu
ub = ui (II.1.16)
nu i=1

En ce qui concerne les nu − 2 autres individus de la niche, ils sont remplacés par autant
de mutations de u1 . Pour chacun d’eux, le paramètre pi qui subit la mutation est tiré au
sort avec la même probabilité pour tous les paramètres d’être choisis. La nouvelle valeur
p0i qui est attribuée à pi n’est pas basée sur la relation de mutation uniforme ou non
uniforme comme dans le paragraphe 1.3.4, mais dépend de la distribution de pi dans
son domaine de variation. Ainsi, une bande d’échantillonnage k est tirée aléatoirement
selon une probabilité proportionnelle à sa densité (équation II.1.9) :

ρ (pi )k
prob (k) = Pnb (II.1.17)
l=1 ρ (pi )l

89
Chapitre 1. Description de la méthode

Finalement p0i est simplement déterminé au hasard dans la bande k à l’aide d’un nombre
aléatoire a ∈ [0, 1] :
p0i = binf + (k − 1) δb + aδb (II.1.18)

Les nouveaux individus issus des manipulations précédentes sont ensuite évalués et
inclus dans la population, en remplacement de ceux de la niche dissoute.
Cette technique de gestion des niches est en général efficace pour trouver le mini-
mum global de la fonction ou des optima intéressants, surtout si les optima locaux déjà
localisés ne diffèrent que sur la valeur d’un seul paramètre. L’inconvénient majeur est
le surcoût important en calcul d’évaluations.

1.3.9 Réduction du nombre des évaluations

Le bon rendement d’un algorithme évolutionnaire ne doit pas faire oublier qu’il n’ex-
plore qu’une faible fraction de l’espace Rp . Pourtant, le nombre d’évaluation de la
fonction coût est important et constitue un souci permanent dans les cas où une seule
évaluation requiert un temps non négligeable. Il est donc légitime de tenter d’abaisser
encore ce nombre, à la condition que l’efficacité de l’optimisation n’en souffre pas. Or
justement des économies sont possibles, l’idée repose sur le principe suivant : si une
solution paramétrique, bonne ou mauvaise, a été trouvée au cours des générations, il
ne sert à rien de la redécouvrir à nouveau. La mise en œuvre pratique d’une technique
qui permet d’éviter le gâchis est développée ci-dessous.

La technique de gestion de l’historique suppose, à chaque génération, une connais-

sance complète des points évalués précédemment. Intimement liée à la notion de raffi-
nement de l’optimisation, elle sera susceptible de s’opposer à l’évaluation d’un membre
de la population trop proche d’un autre déjà connu. Dans cet objectif, on introduit le
vecteur δv définissant des petites variations paramétriques :

δv = {δpi , i = 1 (1) p} (II.1.19)

δpi = (bsup − binf ) × εpi (II.1.20)

où εpi est un coefficient de résolution qui peut être différent pour chaque paramètre
afin de tenir compte de leur sensibilité si elle est connue. On définit aussi l’ensemble H,
l’historique des générations, qui contient tous les individus ayant été évalués depuis la
première étape de l’optimisation, à savoir l’initialisation de la population. Le cœur de
la méthode proposée est le test qui autorise ou non l’évaluation d’un individu vi issu

90
 1.3. Présentation des opérateurs

par exemple d’un croisement :

(
si @u ∈ H / vi − δv 6 u 6 vi + δv alors évaluer vi
(II.1.21)
sinon ignorer vi

Si l’évaluation est rejetée, vi n’est pas incorporé à la population. Si elle est effectuée,
alors vi est aussitôt inclus dans H pour que l’algorithme possède un enregistrement de
son existence, même brève, en tant que solution potentielle qui a été évaluée.
La confrontation, avant évaluation, de chaque nouvel individu avec la table de
l’historique est une opération peu onéreuse et procure finalement une substantielle
économie en coût de calcul. Cette technique ne s’apparente pas à une discrétisation
de l’espace paramétrique, comme celle qu’exige l’emploi de la formulation de base des
algorithmes génétiques, car aucunes valeurs discrètes ne sont imposées aux paramètres.
Elle se rapproche plutôt de la stratégie de liste taboue accompagnée d’un effet mémoire
permanent.
Le choix de la constante εpi doit être en accord avec celui de η de l’équation II.1.15 :
il est préférable de prendre εpi < η pour continuer de former des niches tout en filtrant
les individus trop semblables à ceux déjà évalués.

1.3.10 Critères de convergence

Pour finir, on peut se pencher brièvement sur le dernier opérateur mis en œuvre, le test
de convergence. Une des principales difficultés dans l’application d’une programmation
évolutionnaire est en fait de savoir comment l’arrêter. A moins de fonctionner en mode
interactif, il est bon de disposer d’un mécanisme automatique coupant la boucle ité-
rative. Notons que la recherche directe possède le remarquable privilège de ne jamais
diverger car une bonne solution découverte est en principe préservée jusqu’à la fin, on
ne se préoccupe donc pas de dépister une évolution divergente.

• Nombre maximal de générations

Avec cette option, on fixe à l’avance un nombre de générations à atteindre. A

utiliser quand des essais préalables ont déjà été effectués et que le taux de convergence
est relativement stable.

• Critère sur l’évolution du meilleur individu

Le suivi du meilleur membre v1 de la population et de son évaluation fournit aussi un

critère d’arrêt. Si, pendant ng générations consécutives jusqu’à la génération courante

91
Chapitre 1. Description de la méthode

g, le déplacement de v1 dans l’espace Rp ou la variation de f (v1 ) ne dépasse pas un

certain seuil donné, alors l’algorithme doit se terminer :
° ° ¯ ¡ ¢ ¡ ¢¯
si °v1k − v1k−1 ° 6 εv ou ¯f v1k − f v1k−1 ¯ 6 εf , k = (g − ng + 1) (1) g
alors fin (II.1.22)

En particulier, si εf = 0, on décide de s’arrêter si aucune amélioration sur la meilleure

solution trouvée n’est constatée pendant ng générations, quelle que soit sa localisation
dans Rp .

• Critère de diversité

L’examen du contenu génétique de la population courante permet également de

définir un critère de fin. En effet, si tous les individus se ressemblent, l’optimisation
ne progresse qu’à l’aide du relativement inefficace (par comparaison avec le crossover)
opérateur de mutation.

1.3.11 Synthèse
Les mécanismes qui assurent le fonctionnement des algorithmes évolutionnaires abon-
dent dans la littérature sous des formes plus ou moins semblables. C’est pourquoi il
est nécessaire de mettre en relief le contenu de notre contribution. Les innovations
proposées se trouvent principalement dans les points suivants (qui viennent d’être ex-
posés) :

• l’estimation de la distribution des paramètres ;

• l’insertion de l’individu le plus probable ;

• le contrôle des niches par la technique du remplacement optimal ;

• la réduction du nombre d’évaluations par la technique de gestion de l’historique.

92
Chapitre 2

Applications numériques

Le premier chapitre a permis de décrire dans le détail un certain nombre de techniques

courantes ou innovantes dans le domaine de la programmation évolutionnaire. Le pré-
sent chapitre va les appliquer et les confronter à la recherche de solutions minimisant
une fonction coût. Deux applications numériques sont présentées ci-dessous.

Le premier test implique une fonction coût dont l’équation analytique et le mini-
mum sont connus. L’objectif est de qualifier certaines techniques afin d’aboutir à un
algorithme dont on aura choisi chaque étape importante par des mesures objectives.
Le second test est la mise en œuvre d’une méthode d’identification de paramètres de
conception d’une structure mécanique en utilisant l’algorithme optimisé défini précé-
demment. Dans ce deuxième test, la fonction à minimiser n’a pas d’expression analy-
tique connue et constitue un coût en calcul très élevé dont il faut savoir tenir compte
en justifiant de l’utilisation de techniques spécifiques.

2.1 Qualification d’une procédure évolutionnaire

2.1.1 Présentation de la fonction à optimiser

La fonction mathématique qu’on va chercher à minimiser est la suivante :

F : R6 −→ R
F = f (x1 , x2 − 5) + f (x3 , x4 ) + f (x5 , x6 + 5) (II.2.1)

où la fonction f , déjà utilisée par Lin ([65]) comme exemple illustratif sous une forme
légèrement différente, a pour expression :

f : R2 −→ R

93
Chapitre 2. Applications numériques

Figure II.2.1 : Fonction mathématique

© ¡ £ ¤¢
f (κ1 , κ2 ) = 10 − 10 exp − 0, 03 (κ1 − 3)4 + 0, 03 (κ2 − 3)4 (II.2.2)
¡ £ ¤¢
+7 exp − 0, 08 (κ1 − 4)4 + 0, 4 (κ2 + 7)4
¡ £ ¤¢ª
+ 8 exp − 0, 08 (κ1 + 5)4 + 0, 08 (κ2 + 5)4

En outre, on définit une relation entre les variables xi arguments de F et les paramètres
pi d’un membre de la population génétique :
⎡ ⎤ ⎡ ⎤⎡ ⎤
x −1 −1 0 0 0 0 p1
⎢ 1 ⎥ ⎢ ⎥⎢ ⎥
⎢ x ⎥ ⎢ −1 −2 0 0 0 0 ⎥⎢ p2 ⎥
⎢ 2 ⎥ ⎢ ⎥⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢ x3 ⎥ ⎢ 0 0 1 1 0 0 ⎥⎢ p3 ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥ (II.2.3)
⎢ x ⎥=⎢ 0 0 1 2 0 0 ⎥⎢ p4 ⎥
⎢ 4 ⎥ ⎢ ⎥⎢ ⎥
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎢ x5 ⎥ ⎢ 0 0 0 0 2 2 ⎥⎢ p5 ⎥
⎣ ⎦ ⎣ ⎦⎣ ⎦
x6 0 0 0 0 2 4 p6

et les contraintes sont :

−10 6 pi 6 10 i = 1 (1) 6 (II.2.4)

La figure II.2.1 fournit une représentation de la fonction F dans l’espace tridimen-

sionnel, obtenue en faisant varier par exemple x3 et x4 . On y voit la présence de deux
profondes vallées entourées d’une région sans relief.
La sommation dans l’équation II.2.1 permet de créer dans R6 un minimum global et
de nombreux autres minima locaux de moindre importance. La translation sur certains
termes de II.2.1 et les termes de la matrice de passage dans II.2.3 sont choisis de telle
sorte que la recherche des optima ne bénéficie pas d’une symétrie entre les trois paires

94
 2.1. Qualification d’une procédure évolutionnaire

de paramètres pi et soit rendue moins aisée. Le minimum de F est atteint avec les
paramètres suivants :
h i
p̂ = 2 −5 3 0 4 −2, 5 (II.2.5)

lesquels annulent F . Le maximum de F aussi est connu, ce qui permet de construire

une fonction coût bornée entre 0 et 1.

Pour frapper les esprits, voici le nombre d’évaluations de F si on choisissait d’adop-

ter une méthode de recherche systématique pour trouver p̂ dans le sous-ensemble de
R6 défini par les contraintes II.2.4 : 85766121 si le pas de variation des paramètres est
1, et 6,5944×1013 si le pas vaut 0,1 ! Le premier cas peut être traité par un ordinateur
en un temps limité mais la résolution est trop grossière, le second est irréaliste.

2.1.2 Présentation des tests

Il est envisagé d’effectuer 10 tests en tout afin de choisir les opérateurs et les procé-
dures les plus efficaces et de faire ressortir la meilleure structure algorithmique pour
l’optimisation des fonctions multimodales. Le point d’égalité de tous les tests est qu’ils
se déroulent sur un nombre fixé d’itérations, la performance sera alors mesurée sur 3
critères :

• la capacité à trouver une solution la plus proche possible du minimum de la

fonction;

• la découverte du plus grand nombre d’autres solutions intéressantes;

• un prix raisonnable en nombre d’évaluations de fonction coût.

Les résultats des 10 tests vont être confrontés dans le cadre de 6 tours de comparai-
son au terme desquels on doit être en mesure de retenir ou de disqualifier telles ou telles
techniques. Les tests s’appuient sur autant de configurations qui sont progressivement
affinées et sophistiquées. Le thème et les objectifs des comparaisons des tests sont les
suivants :

1. Choix de la technique de crossover : sur la base d’un algorithme évolutionnaire

standard (sélection sur l’adaptation pour le crossover, mutation uniforme), 3 cros-
sovers sont successivement essayés, il s’agit du crossover par permutation à un
point et des crossovers arithmétique et heuristique.

95
Chapitre 2. Applications numériques

2. Choix d’une valeur de probabilité de mutation : en utilisant le crossover vainqueur

du match précédent, on fait varier le coefficient de probabilité de mutation, 0,02,
0,05 puis 0,08.

3. Intégration de l’élément le plus probable : le meilleur crossover et coefficient de

mutation étant choisis, on mesure l’impact de l’intégration dans la population
d’un individu optimal.

4. Choix d’un type de sélection pour le crossover : la sélection basée sur l’adaptation
est confrontée à la sélection par le rang afin de retenir celle qui offre le meilleur
compromis entre diversité et pression de sélection.

5. Efficacité du contrôle des niches et du système de limitation du nombre d’éva-

luations : on recherche la configuration qui donne satisfaction sur les 3 critères
évoqués ci-dessus, en détectant la formation des blocs denses dans l’espace des
paramètres et en activant l’accès à l’historique de la population.

6. Comparaison finale de deux techniques de prise en compte des niches : par pé-
nalisation et par remplacement des membres des niches.

Les modalités des tests sont les suivantes :

nombre de membres dans la population 50
nombre de générations 15
nombre de lancers 10
Puisque les programmes évolutionnaires sont intrinsèquement des méthodes de re-
cherche aléatoire, les performances doivent en partie à la chance. C’est pourquoi chaque
configuration est testée 10 fois de suite, afin que statistiquement les résultats aient un
sens, dégagent une tendance sûre, et qu’ils dépendent largement des techniques choisies
et non du hasard. Les évolutions dévoilées dans le paragraphe suivant sont donc des
moyennes calculées sur les 10 lancers. Les écarts quadratiques moyens correspondant
sont présentés à la fin.
Le nombre de 15 générations est choisi sur la base de quelques essais préliminaires.
Il est suffisant pour atteindre un début de convergence sur la solution optimale.

2.1.3 Résultats
Les tests numériques s’effectuent très rapidement, chacun dure environ 2 minutes, une
seule évaluation de la fonction F dure 10 millisecondes1 .
1
Sur station HP9000 715/75 avec 256 Mo de RAM

96
 2.1. Qualification d’une procédure évolutionnaire

1
test 1 : moyenne
" : meilleur
test 2 : moyenne
0.8 " : meilleur
test 3 : moyenne
" : meilleur
fonction d'adaptation

0.6

0.4

0.2

0
0 5 10 15
générations

Figure II.2.2 : Première comparaison

Le tableau suivant récapitule la configuration des 3 premiers tests :

1ère comparaison
point commun : probabilité de mutation de 5 %
test caractéristiques
test 1 crossover par permutation
test 2 crossover arithmétique
test 3 crossover heuristique

La figure II.2.2 montre pour chaque test l’évolution sur les générations de la moyenne
de la fonction d’adaptation des 50 membres et l’évolution de la meilleure valeur obtenue
jusqu’alors. Il en ressort que le tournoi est à l’avantage du crossover arithmétique, c’est
le moteur d’exploration le plus performant, alors que le crossover heuristique ne donne
pas satisfaction.

2ème comparaison
point commun : crossover arithmétique
test caractéristiques
test 4 probabilité de mutation de 2 %
test 2 probabilité de mutation de 5 %
test 5 probabilité de mutation de 8 %

97
Chapitre 2. Applications numériques

1
test 4 : moyenne
" : meilleur
test 2 : moyenne
0.8 " : meilleur
test 5 : moyenne
" : meilleur
fonction d'adaptation

0.6

0.4

0.2

0
0 5 10 15
générations

Figure II.2.3 : Deuxième comparaison

Le deuxième tournoi compare 3 procédures d’optimisation identiques, mise à part la

probabilité de mutation qui est différente. La figure II.2.3 montre des résultats serrés.
On choisit de retenir la configuration du test 2 car elle permet d’obtenir un bon com-
promis entre vitesse de convergence et diversité dans la population.

3ème comparaison
points communs : crossover arithmétique, probabilité de mutation de 5 %
test caractéristiques
test 6 insertion de l’individu le plus probable
test 2

La troisième comparaison porte sur l’individu spécial créé à partir des valeurs de
paramètres qui reviennent le plus souvent dans la population. Pratiquement, le domaine
[−10, 10] de chaque paramètre est discrétisé en 35 parties, et les 10 meilleurs membres
de la population participent au calcul de la distribution. D’après la figure II.2.4, le fait
d’inclure cet individu artificiel a pour effet d’approcher plus rapidement du minimum
de la fonction.

4ème comparaison
points communs : cross. arithm., prob. de mut. de 5 %, individu le plus prob.

98
 2.1. Qualification d’une procédure évolutionnaire

1
test 6 : moyenne
" : meilleur
test 2 : moyenne
0.8 " : meilleur
fonction d'adaptation

0.6

0.4

0.2

0
0 5 10 15
générations

Figure II.2.4 : Troisième comparaison

test caractéristiques
test 6 sélection sur l’adaptation
test 7 sélection par le rang

Dans le but d’accentuer la découverte de minima locaux, on teste un autre type

de sélection des individus pour le croisement, la sélection par le rang. La figure II.2.5
le confirme, la pression de sélection est moins forte, ce qui entraîne une moyenne plus
élevée et un minimum plus long à localiser. En contrepartie, le nombre moyen de minima
locaux repérés est en augmentation (voir tableau page 102).

5ème comparaison
points communs : cross. arithm., prob. de mut. de 5 %, individu le plus prob.
test caractéristiques
test 6
test 8 contrôle des niches
test 9 contrôle des niches, utilisation de l’historique

Dans le cinquième tournoi, on met en œuvre la technique de détection des niches et

de limitation de la densité de celles-ci par remplacement optimal de leurs membres, ainsi
que le recours à l’historique des populations pour freiner les évaluations de fonction
coût. On opte pour une taille critique de niche égale à 10 % de la taille de la population,
soit 5 membres, pour un seuil de densité de niche η = 3 %, et pour une résolution

99
Chapitre 2. Applications numériques

1
test 6 : moyenne
" : meilleur
test 7 : moyenne
0.8 " : meilleur
fonction d'adaptation

0.6

0.4

0.2

0
0 5 10 15
générations

Figure II.2.5 : Quatrième comparaison

1
test 6 : moyenne
" : meilleur
test 8 : moyenne
0.8 " : meilleur
test 9 : moyenne
" : meilleur
fonction d'adaptation

0.6

0.4

0.2

0
0 5 10 15
générations

Figure II.2.6 : Cinquième comparaison

100
 2.1. Qualification d’une procédure évolutionnaire

1
test 8 : moyenne
" : meilleur
test 10 : moyenne
fonction d'adaptation 0.8 " : meilleur

0.6

0.4

0.2

0
0 5 10 15
générations

Figure II.2.7 : Sixième comparaison

spatiale εpi = 0, 3 % dans le cadre de l’opération de filtrage avec l’historique. La figure

II.2.6 montre des évolutions sensiblement semblables (une remontée de la courbe de la
moyenne signifie qu’une niche a été dissoute au profit d’individus dont l’adaptation est
temporairement moins bonne).
Les données importantes se situent plutôt dans le tableau page 102. La configuration
du test 8 permet de localiser en moyenne nettement plus d’optima dignes d’intérêt que
les autres, mais le prix est plus élevé, près de 15 % d’évaluations en plus. Heureusement,
le processus adopté dans le test 9 permet de récolter presque autant d’optima locaux
pour un coût en calcul du niveau de celui des tests précédents.

6ème comparaison
points communs : cross. arithm., prob. de mut. de 5 %, individu le plus prob.
test caractéristiques
test 8 contrôle des niches
test 10 pénalisation des individus trop groupés

Dans la sixième et dernière comparaison, on oppose deux techniques de gestion

des niches : celle qui détecte et fait éclater les groupes d’individus trop compacts
(configuration du test 8), et celle qui freine la formation des niches dominantes par
pénalisation de la fonction d’adaptation des individus. La pénalisation repose sur les
paramétrages suivants : ζ = 2 et α = 0, 05. La figure II.2.7 et le tableau suivant indique

101
Chapitre 2. Applications numériques

une faible compétitivité de la deuxième technique.

nb d’éval. nb d’opt. meilleure solution trouvée v1 F (v1 )

test 1 800 2,1 2, 37 −5, 21 4, 19 −0, 74 3, 08 −1, 93 0,0034
test 2 800 2,3 2, 57 −5, 14 3, 78 −0, 73 3, 76 −2, 35 0,0026
test 3 800 1,7 1, 15 −4, 92 0, 26 1, 79 3, 88 −2, 41 0,0186
test 4 800 1,2 1, 14 −4, 74 4, 84 −1, 18 2, 80 −1, 73 0,0115
test 5 800 1,8 1, 74 −4, 99 3, 29 −0, 21 4, 52 −2, 82 0,0004
test 6 814 1,5 2, 15 −5, 27 2, 94 0, 00 4, 86 −3, 06 0,0023
test 7 814 1,9 2, 64 −5, 13 4, 71 −1, 13 3, 90 −2, 49 0,0030
test 8 924 3,2 0, 56 −4, 06 2, 33 0, 14 3, 44 −2, 14 0,0024
test 9 815 2,9 1, 84 −5, 02 1, 64 0, 85 4, 54 −2, 82 0,0013
test 10 814 1,8 3, 23 −5, 85 3, 03 −0, 16 3, 14 −1, 95 0,0028

Pour finir, il est intéressant de connaître la dispersion relative aux résultats des 10
lancers de chaque test. La figure II.2.8 affiche l’écart type calculé à toutes les générations
pour les 10 tests. On remarque qu’à la dernière génération, l’écart type des tests 6, 8
et 9 sont parmi les plus bas. Le caractère répétitif de leurs bons résultats est donc
meilleur, on est assuré d’une plus grande reproductibilité des tests avec les algorithmes
correspondants.

2.1.4 Structure de l’algorithme final

L’architecture de la méthode qui va être utilisée en recalage, dans la prochaine applica-

tion numérique, résulte de l’expérience accumulée grâce aux tests d’optimisation de la
fonction mathématique. Des opérateurs ou des paramétrages sont mis hors jeu à cause
de leur faible rendement, d’autres sont retenus parce qu’ils apportent une contribution
positive en terme de vitesse de convergence ou de localisation d’optima. Par consé-
quent, il est maintenant possible de dresser un organigramme complet du programme
évolutionnaire, c’est le contenu de la figure II.2.9.
Le cadre en haut à gauche symbolise les opérations exécutées à chaque fois qu’une
évaluation de l’adaptation pour des paramètres donnés est exigée, ce qui arrive plusieurs
fois au cours des étapes de l’algorithme (cadres en ligne discontinue). Cet organigramme
correspond à l’algorithme utilisé lors du test 9.

102
 2.2. Recalage

0.2

0.15

← test 3
écart-type

0.1 ← test 5
← test 1

← test 10
← test 9
← test 4
0.05 ← test 6
← test 7
← test 2
← test 8

0
0 5 10 15
génération

Figure II.2.8 : Évolutions des écarts type

2.2 Recalage

Le programme évolutionnaire précédent, dont l’architecture spécifique et les variables

de fonctionnement ont été optimisées, va maintenant être soumis au problème de l’iden-
tification paramétrique sur un cas test industriel de grande dimension. On dispose du
modèle éléments finis de la structure et de mesures simulées. Autrement dit, le recalage
va porter sur des modifications du modèle théorique par rapport à un comportement
dynamique calculé qu’on désigne sous le nom de données expérimentales, issu d’une
perturbation connue.

2.2.1 Présentation du modèle

On considère une structure qui est une partie d’un plancher de voiture. Son maillage
en éléments finis, tous de type plaque, est visible dans la vue supérieure de la figure
II.2.10. On présente ci-dessous les caractéristiques principales :

103
Chapitre 2. Applications numériques

Figure II.2.9 : Organigramme du programme évolutionnaire

104
 2.2. Recalage

• Caractéristiques géométriques et matérielles :

longueur 1,11 m
largeur 0,62 m
hauteur 0,19 m
épaisseur de la tôle 0,7 mm
module d’Young 2,1 1011 Pa
masse volumique 6720 kg m−3
coefficient de Poisson 0,3

• Caractéristiques du modèle éléments finis :

nombre de nœuds 7611

nombre d’éléments 6954
nombre de ddl 45666

Comme la plaque utilisée en application numérique dans la première partie du

mémoire, d’ailleurs une sous-structure de ce plancher, onze nœuds sont encastrés sur
chacun des deux petits côtés de la structure.
Dans la suite, l’hypothèse est faite qu’on est seulement intéressé par les 20 premiers
modes du modèle, ce qui conduit à une bande d’intérêt de 200 Hz de large environ
(première fréquence propre à 26,8 Hz, vingtième à 237,2 Hz).

2.2.2 Paramétrisation

Cinq macro-éléments sont créés afin de répondre aux exigences de l’identification pa-
ramétrique. La vue inférieure de la figure II.2.10 donne leur position vis-à-vis du reste
de la structure.
macro-élément (zone) nombre d’éléments
1 (ligne de jonction) 115
2 (traverses) 809
3 18
4 18
5 18

Le total constitue 14,1 % de tous les éléments de la structure, ou encore 15,9 % de

l’ensemble des ddl internes.

105
Chapitre 2. Applications numériques

x y

← zone 3

← zone 2 →

zone 1 → ← zone 4

x y
← zone 5

Figure II.2.10 : Plancher automobile : vue complète et localisation des zones

106
 2.2. Recalage

A ces cinq macro-éléments sont associés autant de paramètres de conception dont

les variations interviennent en accord avec le tableau suivant :

paramètre type macro-élément

1 E 1
2 E 2
3 ρ 3
4 ρ 4
5 ρ 5

Concrètement, une variation du paramètre 1 entraîne une modification du module

d’Young de la ligne de jonction de la structure (macro-élément 1), comme le paramètre
2 intervient sur le module d’Young des traverses (macro-élément 2), alors que les trois
derniers paramètres agissent en terme de masse sur les éléments correspondants par
l’intermédiaire de leur masse volumique.

2.2.3 Perturbation du modèle et simulation des mesures

Le modèle éléments finis initial est caractérisé par ses valeurs propres λm
ν et par ses
modes propres yνm . Un modèle perturbé est obtenu en effectuant une réanalyse exacte
sur le modèle initial avec les cinq valeurs de paramètres suivantes :
h i
p̂ = 0, 25 0, 25 5 5 5

Les solutions modales (λsσ , yσs ) qui en résultent sont considérées comme étant la descrip-
tion modale de la structure réelle. Le recalage proposé dans les paragraphes suivants
aura donc pour principal objectif de trouver p̂.
On suppose qu’on connaît 20 modes du modèle et 20 modes de la structure. La figure
II.2.11 donne une représentation graphique des distances existant entre les paires de
modes yνm et yσs d’une part, et entre les fréquences appariées des deux ensembles d’autre
part (les données incomplètes correspondent à une absence d’appariage pour certains
modes).

2.2.4 Réanalyse approchée

L’extension de la base modale incomplète Y1 du modèle initial avec des vecteurs de
résidus statiques semble être le meilleur compromis entre vitesse d’exécution et préci-
sion des solutions propres obtenues pour des perturbations moyennes à fortes autour
du modèle initial.

107
Chapitre 2. Applications numériques

Matrice de MAC Erreurs en fréquence

1 0
1

-5
4 .8

-10
modes calculés initiaux

7
.6
-15

df / f (%)
10

-20
.4
13

-25
16
.2
-30
19
0 -35
1 4 7 10 13 16 19 1 4 7 10 13 16 19
modes de la structure modes

Figure II.2.11 : MAC et erreurs fréquentielles entre modèle initial et perturbé

h i
Y1 R possède 100
Voici la configuration retenue : la base de projection P =
vecteurs et se compose de 50 modes de Y1 et d’une matrice R de 50 vecteurs résiduels
décomposés, chaque macro-élément ayant permis d’en calculer 10. La base P contient
donc la description exacte des 50 premières formes propres du modèle de départ, ce
qui correspond à une largeur de spectre environ deux fois plus grande que celle de la
bande d’intérêt (la 50éme fréquence vaut 413,2 Hz). Afin de s’assurer que les colonnes
de P sont suffisamment indépendantes les unes des autres pour une représentation
optimale dans l’espace du système réduit, on évalue les valeurs singulières de P . Elles
sont affichées sur la figure II.2.12 : le rapport entre la plus grande et la plus petite est
relativement bas, P constitue donc une base de projection acceptable.

2.2.5 Configuration du programme d’optimisation

Comme dans le test numérique précédent, on tente de niveler les effets positifs et
négatifs du hasard sur le déroulement de l’optimisation en lançant plusieurs procédures
de recalage dans les mêmes conditions. La taille du modèle est importante, ce qui
entraîne un temps d’exécution du recalage relativement long, de l’ordre d’une demi-

108
 2.2. Recalage

8
10

7
valeurs singulières

10

6
10

5
10
1 20 40 60 80 100
modes
Figure II.2.12 : Valeurs singulières de P

journée (sur la même station de travail que précédemment).

nombre de générations 50
nombre de lancers 3
borne inférieure de variation des paramètres binf = 0, 2
borne supérieure de variation des paramètres bsup = 6

On choisit d’autoriser les paramètres de conception à varier entre 0, 2 et 6. Les

autres configurations sont rassemblés dans le tableau suivant :

taille de la population τ = 50
probabilité de mutation µ = 5 %
nombre de bandes d’échantillonnage nb = 24
taille critique de niche 5
seuil de densité de niche η = 3 %
résolution spatiale εpi = 0, 5 %

2.2.6 Fonction coût

La fonction coût doit traduire la distance entre le modèle analytique et les données
expérimentales en une mesure scalaire. Dans notre cas, la fonction coût la plus appro-
priée repose sur des erreurs modales bornées :

109
Chapitre 2. Applications numériques

1. erreur généralisée pour les fréquences

¯ m 2 ¯
¯(fν ) − (fσs )2 ¯
errf (ν, σ) = 2
m 2 s 2
2 si (fν ) + (fσ ) 6= 0 , 0 6 errf 6 1 (II.2.6)
m s
(fν ) + (fσ )

2. erreur sur le MAC pour les vecteurs propres

¡ mT s ¢2
yν yσ
erry (ν, σ) = 1 − , 0 6 erry 6 1 (II.2.7)
kyνm k2 kyσs k2

Les paires (ν, σ) sont formées par une procédure d’appariage avec contraintes basée
sur le calcul des valeurs de MAC (voir annexe C). Les critères d’appariage utilisés sont
de 0, 5 pour la valeur minimum et de 0, 7 pour le rapport maximum. Dans certaines
circonstances, tous les modes expérimentaux ne sont pas appariés avec un mode ana-
lytique, ce qui suppose alors que errf et erry ne sont pas calculables. Afin de pénaliser
cet état de fait, on propose de saturer à 1 la valeur assignée aux erreurs. La fonction
coût à minimiser est finalement définie par :
1 X
f= (εf (σ) + εy (σ)) , 06f 61 (II.2.8)
2σ σ

avec
(
errf (ν, σ) si σ apparié à ν
εf (σ) = (II.2.9)
1 sinon
(
erry (ν, σ) si σ apparié à ν
εy (σ) = (II.2.10)
1 sinon

f n’est bien sûr pas continue et ne peut pas être dérivée en tout point, mais cet aspect
n’intervient pas dans la procédure de recalage proposée.

2.2.7 Présentation des tests

Trois recalages sont effectués. Ils diffèrent essentiellement par la façon dont sont traitées
les données provenant des mesures et permettent de s’approcher des conditions réelles
du recalage de structures industrielles : un nombre limité de capteurs disposés sur la
structure, la présence de bruit de mesure.

1. Le premier recalage se caractérise par l’emploi de tous les ddl des modes me-
surés dans la procédure d’appariage, mais seule la contribution εf des erreurs
fréquentielles est incluse dans la fonction coût.

110
 2.2. Recalage

: mesure selon x
: mesure selon z

x y

Figure II.2.13 : Visualisation des capteurs sur la structure

2. Le deuxième suppose que les déplacements de la structure réelle n’ont été mesurés
que sur un nombre très restreint de ddl : 45 ddl capteurs dont le choix optimal
est basé sur un conditionnement minimal de la matrice modale. Leur position
et direction de mesure sont représentées sur la figure II.2.13. Les erreurs sur
les fréquences et sur les vecteurs propres contribuent maintenant ensemble à la
fonction coût.

3. Le troisième reprend la configuration du deuxième, mais en plus il repose sur

des données mesurées bruitées. Voici les niveaux maximaux de bruit aléatoire
imposés :
bruit sur y s ±10 % sur tous les termes
±50 % sur la norme des modes
bruit sur f s ±5 %

2.2.8 Résultats
La figure II.2.14 affiche, pour chaque recalage effectué et en prenant la moyenne sur
tous les lancers, l’évolution de la moyenne de la fonction d’adaptation des membres de
la population et l’évolution de la meilleure valeur obtenue jusqu’alors. On peut faire
les remarques suivantes :

• La population initiale contient déjà au moins un bon élément presque à chaque

fois. Ceci est dû à la chance et non à l’incorporation du vecteur codant le modèle

111
Chapitre 2. Applications numériques

0.5

: recalage 1
: recalage 2
: recalage 3
0.4 avec : meilleur
sans : moyenne
fonction d'adaptation

0.3

0.2

0.1

0
0 10 20 30 40 50
générations

Figure II.2.14 : Comparaison des résultats de recalage

initial, vm = [1 1 1 1 1], dont voici l’évaluation de fonction coût :

modèle initial
recalage 1 f (v m ) = 0, 436
recalage 2 f (v m ) = 0, 420
recalage 3 f (v m ) = 0, 419

• La moyenne sur tous les membres, d’abord assez élevée, descend rapidement et
suit à une courte distance la tendance à la baisse du meilleur individu de la
population.

Considérons maintenant les valeurs optimales des paramètres qui ont été identifiées.
Le tableau suivant récapitule l’essentiel des résultats.

nb d’éval. meilleure solution trouvée v1 f (v1 )

recalage 1 2296 0, 22 0, 27 5, 54 5, 83 5, 66 0,015
recalage 2 2186 0, 31 0, 26 5, 00 4, 30 4, 84 0,029
recalage 3 2222 0, 81 0, 28 4, 99 4, 77 5, 06 0,061

Il est intéressant de pouvoir comparer les distances modales et fréquentielles avant

et après les recalages. La figure II.2.11 fournit déjà les distances initiales. Les figures

112
 2.2. Recalage

Matrice de MAC Erreurs en fréquence

1 2
1

4 .8
1
modes du modèle recalé

7
.6

df / f (%)
0
10

.4
13
-1

16
.2

-2
19
0
1 4 7 10 13 16 19 1 4 7 10 13 16 19
modes de la structure modes

Figure II.2.15 : Recalage 1 : distances entre structure et modèle recalé

II.2.15, II.2.16 et II.2.17 représentent, pour les trois recalages successifs et sur les 20
premiers modes, la matrice de MAC et les erreurs fréquentielles entre les données
issues de la structure réelle et les données modales du modèle recalé. Ces dernières
sont obtenues par une réanalyse exacte sur la base des paramètres identifiés du tableau
précédent.

L’amélioration des valeurs de MAC est très nette sur presque tous les modes ap-
pariés, bien que des croisements ou des ambiguïtés subsistent encore sur les 5 derniers
modes en recalage 1 et 3. On remarque aussi que le recalage 3 souffre particulièrement
du bruit imposé sur les fréquences mesurées.

Outre le fait que la procédure évolutionnaire ait réussi à identifier des paramètres
situés dans le voisinage immédiat des paramètres exacts de la perturbation, elle a
aussi permis de trouver des optima dignes d’intérêt, et surtout dignes de figurer parmi
les points de départ éventuels d’une méthode de recherche par gradient. Les optima
locaux détectés sont caractérisés par un ou plusieurs paramètres sensiblement différents
de ceux du minimum global. On en donne une liste succincte dans le tableau suivant

113
Chapitre 2. Applications numériques

Matrice de MAC Erreurs en fréquence

1 0
1

4 .8
-0.5
modes du modèle recalé

7
.6

df / f (%)
10 -1

13 .4
-1.5
16
.2

19 -2
0
1 4 7 10 13 16 19 1 4 7 10 13 16 19
modes de la structure modes

Figure II.2.16 : Recalage 2 : distances entre structure et modèle recalé

Matrice de MAC Erreurs en fréquence

1 0
1

4 .8 -2
modes du modèle recalé

7
.6 -4
df / f (%)

10

13 .4
-6

16
.2
-8
19
0
1 4 7 10 13 16 19 1 4 7 10 13 16 19
modes de la structure modes

Figure II.2.17 : Recalage 3 : distances entre structure et modèle recalé

114
 2.2. Recalage

(uniquement ceux qui ont une fonction coût inférieure à 0,1).

vecteurs de paramètre vopt f (vopt )

recalage 1 1, 04 0, 29 3, 97 4, 40 2, 56 0,072
0, 31 0, 27 0, 21 5, 76 5, 72 0,076
0, 31 0, 27 5, 75 5, 47 0, 38 0,083
2, 51 0, 28 3, 34 4, 64 4, 92 0,086
recalage 3 1, 54 0, 27 4, 80 3, 55 5, 05 0,097

L’interprétation des résultats fournit également des informations qualitatives inté-

ressantes au sujet de la sensibilité des paramètres par rapport à la fonction coût.
L’historique des individus évalués, constitué tout au long des générations, rassemble
suffisamment de données pour savoir que lorsque tel paramètre varie, il a ou non une
grande influence sur l’estimation de la fonction coût. Par ce moyen, l’approche vers
la sensibilité des paramètres n’est pas aussi rigoureuse que dans la définition de la
sensibilité modale classique basée sur des dérivées premières. Mais l’effort consenti en
évaluations de la fonction coût trouve dans cette réflexion une nouvelle justification,
et la connaissance de l’influence des paramètres peut permettre un autre recalage plus
ciblé.
écart type de {vs | f (vs ) 6 0, 1}
recalage 1 0, 407 0, 001 0, 953 0, 408 0, 744
recalage 2 0, 317 0, 007 0, 344 0, 344 0, 226
recalage 3 0, 209 0, 000 0, 245 0, 456 0, 140
Afin de présenter des résultats exploitables, on ne considère que les variations des
paramètres dans le voisinage du minimum global. La région concernée est définie par
rapport à la valeur de la fonction coût : tous les individus vs tels que f (vs ) 6 0, 1
sont sélectionnés. Sur cet échantillon, on calcule l’écart type pour tous les paramètres
(tableau ci-dessus). Il apparaît que le deuxième paramètre (raideur des traverses du
plancher) est extrêmement sensible, le choix de sa valeur est prépondérant dans le
succès du recalage.

115
Chapitre 2. Applications numériques

116
Conclusion

La deuxième partie de ce mémoire a décrit la mise en œuvre d’une procédure de re-

cherche directe adaptée aux besoins de l’identification paramétrique de grandes struc-
tures industrielles. La formulation est basée sur les principes de fonctionnement des
méthodes stochastiques à recherche dirigée, en particulier les algorithmes génétiques
et les programmes évolutionnaires. L’intérêt pour ces méthodes est principalement dû
aux caractéristiques suivantes :

• la seule information qu’il est nécessaire de calculer est la valeur de la fonction

coût qui n’a donc pas besoin d’être dérivable ;

• la recherche repose sur une population de solutions potentielles, elle est donc
moins susceptible de converger vers un minimum local ;

• un large domaine de recherche peut être exploré tout en gardant la capacité à

localiser plusieurs optima ;

• la procédure dans son ensemble est compatible avec une application sur machine
à structure parallèle.

La méthode évolutionnaire proposée a été élaborée par une démarche visant à obte-
nir l’algorithme le plus apte à trouver le minimum global et quelques autres optima de
la fonction coût. Une fonction mathématique multimodale a été employée pour qualifier
les opérateurs les plus efficaces. Mis à part les ingrédients standard (sélection basée sur
l’adaptation, crossover, mutation, etc), nous avons introduit un mécanisme d’injection
d’individus spéciaux dans la population par le calcul de la probabilité de distribution
des paramètres. De plus, une attention particulière a été portée sur des techniques spé-
cifiques : préservation des niches centrées sur les optima locaux, limitation du nombre
d’évaluation de la fonction coût.

Aucune preuve mathématique n’est disponible pour montrer que cette méthode
évolutionnaire est transposable pour optimiser d’autres fonctions coûts avec succès. En

117
Conclusion

recalage, la décision de l’utiliser est justifiée par le fait que la fonction coût peut être très
non linéaire et multimodale. Une technique d’optimisation classique utilisant le gradient
mène quelquefois à des solutions peu satisfaisantes. C’est pourquoi un prérecalage par
la méthode globale directe, puis un raffinement des optima par une méthode locale, est
sans doute l’approche à retenir.

L’identification des paramètres de conception d’une grande structure industrielle à

partir de données pseudo-expérimentales a permis de montrer que l’algorithme évolu-
tionnaire trouve des solutions très proches de la solution exacte. La fonction coût était
définie comme la moyenne des erreurs sur les fréquences et sur les MAC. Le recalage
donne encore de bonnes approximations lorsque les modes et les fréquences mesurés
sont sujets à des erreurs causées par du bruit aléatoire. Une augmentation du nombre
de paramètres à identifier (jusqu’à quelques dizaines) ne devrait pas contredire ces
conclusions, mais il faut être patient, à moins d’y associer un rétrécissement significatif
du domaine de variation des paramètres. L’identification de paramètres dissipatifs peut
également être envisagée sans autre modification que celle de la fonction coût qui doit
être adaptée aux données modales complexes.

La recherche d’un algorithme évolutionnaire encore plus performant en identifica-

tion paramétrique constitue un travail prioritaire suite à notre contribution. Différentes
pistes peuvent être explorées :

• l’incorporation, dans la population de chaque génération, d’autres individus spé-

ciaux construits à partir de principes heuristiques ou de méthodes inverses dont
l’estimation nominale est la meilleure solution trouvée à la génération courante ;

• l’application de nouvelles méthodologies concernant les opérateurs classiques

(crossover, sélection, etc), puisées dans certaines recherches orientées sur de ré-
centes motivations biologiques (Willfried [79], Levenick [64]) ;

• l’étude de l’influence des tirages aléatoires sur l’évolution de l’optimisation, en

comparant plusieurs générateurs de nombres pseudo-aléatoires (Moler [69]).

118
 PARTIE III

Logiciel Proto—Dynamique

119
Introduction

Intespace LMARC

PROTO
Version 4.0
© 1997 Intespace

Logo de Proto-Dynamique

Particulièrement destiné aux laboratoires de recherche et aux bureaux d’études,

le logiciel Proto-Dynamique est conçu comme une plate-forme capable de traiter un
certain nombre de problèmes relatifs à l’analyse des modèles éléments finis industriels.
La version actuelle, commercialisée par Intespace, est issue des exigences d’un contrat
européen1 concernant notamment les méthodes de recalage, de réanalyse, et les outils
graphiques associés. Proto se présente sous la forme d’un outil-logiciel (Roy [82] et [83])
écrit entièrement en langage MatlabT M ([85]), ce qui lui assure une grande portabilité
entre différents systèmes informatiques, et offrant des facilités d’importation de données
en provenance des codes de calcul éléments finis les plus répandus. Il fonctionne en
environnement Unix ou MS-Windows.

Proto bénéficie pleinement des avantages numériques et graphiques de son langage

de programmation, orienté matrice en calcul et orienté objet en visualisation. Mais
1
Brite Euram II P7666, contrat BRE2.CT94.0974 (1994-1997)

121
Introduction

Proto a dû subir récemment un changement profond dû à l’évolution de Matlab lui-

même qui est passé de la version 4.2 à 5.0. Le portage dans ce nouvel environnement
(Berthod [81]) a été réalisé conjointement par le LMARC (Besançon) et Intespace (Tou-
louse). En terme de taille, dans sa version 4.0 de base, Proto se caractérise maintenant
par les chiffres suivants :

nombres de fichiers sources ∼ 800

nombres de lignes de code ∼ 40000

L’objectif de cette troisième partie du mémoire est de présenter, de façon synthé-

tique et sans jamais aborder d’ennuyeux détails de programmation, ce qui fait l’origi-
nalité du logiciel. Le premier chapitre concerne l’architecture générale du logiciel. Le
second chapitre donne une description de ses fonctionnalités.

122
Chapitre 1

Architecture

1.1 Installation
Une définition de certains termes doit d’abord être donnée avant de commencer à
expliquer le logiciel. Cette terminologie est directement liée à l’architecture de Proto,
essentiellement organisée autour de cinq pôles :

• Répertoire racine. C’est le noyau de Proto qui contient plusieurs centaines de

fichiers Matlab installés à la livraison du logiciel. Protégés contre toute écriture
accidentelle, ces fichiers sont accessibles par n’importe quel utilisateur.

• Répertoire site. Proto est un environnement de travail où il est assez aisé de

développer une nouvelle méthode numérique ou d’en modifier une déjà existante.
Le site contient les fichiers des contributions ou des modifications à Proto venant
d’un groupe de développeurs et partagées par eux. Ils ne sont pas placés dans
le répertoire racine pour ne pas le polluer, mais sont cependant prioritaires par
rapport à lui.

• Répertoire utilisateur. Ce terme désigne l’espace où chaque utilisateur-

développeur, en fonction de ses besoins, configure, modifie, étend Proto. Cet
apport personnalisé possède une structure parallèle à celle de la racine et du site
et peut même se substituer à eux car il est prioritaire. Son existence, comme celle
du site, est optionnelle.

• Modèle. Le terme modèle fait directement référence aux bases de données analy-
tiques ou expérimentales enregistrées au format binaire de Matlab. La taille des
modèles éléments finis des structures industrielles ne permet pas leur copie pour

123
Chapitre 1. Architecture

Figure III.1.1 : Schéma d’installation et d’extension de Proto

chaque utilisateur, c’est pourquoi les bases de données sont généralement mises
en commun dans un répertoire partagé par un groupe d’utilisateurs.

• Session. La notion de session fait référence à la session de travail que sous-entend

toute utilisation de Proto. En général située dans le répertoire utilisateur car non
partagée avec les autres, une session contient des données de paramétrage ou des
résultats de calcul suite à des opérations effectuées dans Proto.

Proto peut être exécuté simultanément avec d’autres applications dans l’environ-
nement Matlab car le cadre qui régit les échanges de données et les variables de fonc-
tionnement de Proto est hermétique.

1.2 Base de données

1.2.1 Exigences
L’objectif clairement annoncé du développement de Proto version 4.0 était d’arriver
au recalage de grandes structures industrielles d’au moins 60000 ddl, l’équipement
minimum pour ce genre d’opération étant une station de travail équipée de 128 Mo de
mémoire. Cette taille de 60000 ddl correspond approximativement au modèle éléments
finis d’une carrosserie de voiture dont le maillage est peu dense ou à une sous-structure
découpée finement.

124
 1.3. Tables de configurations

Figure III.1.2 : Exemple de stockage et de circulation des données

1.2.2 Organisation
L’organisation de la base de données et la gestion des variables en mémoire permettent
d’atteindre la capacité de traitement exigée. Les points suivants exposent l’essentiel de
la problématique :

• un modèle de grande taille sature rapidement la mémoire centrale d’un ordina-

teur si toutes les matrices qui le définissent (géométrie, modes, K, M, etc) sont
chargées, mais l’accès à ces données lors des calculs est presque immédiat ;

• ces mêmes matrices sont mieux protégées si elles demeurent sur le disque dur et
qu’on les charge en mémoire seulement en cas de besoin, par contre l’accès est
plus lent.

La solution retenue dans Proto est le chargement à la demande, la mémoire est

occupée pendant les calculs puis libérée. De plus, chaque matrice est conservée dans
un fichier binaire qui lui est propre. Le maître mot dans ce contexte est donc souplesse
d’utilisation plutôt que vitesse.

1.2.3 Désignation
Il n’y a pas de distinctions fondamentales entre les modèles éléments finis et les modèles
issus de l’analyse expérimentales, les noms des matrices sont les mêmes, ce qui facilite
grandement un traitement parallèle des données. Pour Proto, choisir un modèle dans
une liste (par exemple en vue de le recaler ou de le comparer à un autre) revient
uniquement à créer un pointeur qui contient son nom et son adresse sur le disque dur.

1.3 Tables de configurations

Presque toutes les composantes du logiciel (les menus, les figures, les messages, les
couleurs, etc), ainsi que toutes les propriétés des objets graphiques (autres que les pro-
priétés classiques régies par Matlab), sont définies dans des tables dont l’édition et la

125
Chapitre 1. Architecture

manipulation ne nécessitent qu’un minimum de connaissance sur Proto. Les tables de

configuration permettent à l’utilisateur-développeur de modifier et d’étendre l’environ-
nement de Proto sans avoir à changer des lignes de programme et sans interférer avec
les autres utilisateurs.

1.4 Interfaces utilisateur

Les fenêtres que l’utilisateur manipule à l’écran sont la partie émergée de Proto et
conditionnent le niveau de confiance dans le logiciel, une attention particulière leur a
été portée. Toutes construites à partir des objets graphiques standard de Matlab, elles
sont relativement homogènes et simples.
Chaque interface, sous la forme d’un module indépendant, est consacrée à une mé-
thode ou une action particulière (exemples : Affichage 3D, Création des paramètres
physiques, . . .). Dans certaines, la validation du choix de l’utilisateur est faite en sau-
vegardant une configuration dans une variable du modèle ou de la session courante. De
façon systématique, un contrôle rigoureux est effectué lors de chaque saisie de données
(détection des erreurs de frappe) et de chaque déclenchement d’actions (absence de
données, oubli d’une étape dans une procédure complexe), une boîte affichant un mes-
sage approprié apparaît s’il le faut.

126
Chapitre 2

Fonctionnalités

Dans la suite, on donne une liste non exhaustive des fonctions offertes par Proto-
Dynamique en matière de méthodes numériques, d’outils de visualisation graphique,
d’interfaces externes, ou encore d’utilitaires.

2.1 Interfaces utilitaires

L’utilisation normale de Proto requiert un certain nombre d’opérations dont la finalité
est de permettre une meilleure maîtrise du logiciel tout en fournissant des services
indispensables. Les utilitaires décrits ci-dessous interviennent sur des tâches précises
dans l’environnement Proto.

• Gestionnaire de modèles : il permet d’indiquer à Proto les noms et les chemins

d’accès des modèles sur lesquels on souhaite travailler, de créer ou d’effacer des
modèles.

• Gestionnaire de sessions : il permet de définir la session de travail courante, de

créer, de sauvegarder ou d’effacer des sessions.

• Sélecteur : il fournit la liste instantanée de toutes les interfaces et fenêtres gra-

phiques ouvertes par Proto, il peut les activer ou les fermer.

• Gestionnaire d’affichages : il contrôle la disposition et les propriétés des sorties

graphiques à l’intérieur d’une même fenêtre.

• Explorateur de tables : il renseigne sur le contenu de toutes les tables de confi-

gurations et de propriétés actives et réinitialise leur lecture si nécessaire.

127
Chapitre 2. Fonctionnalités

2.2 Importation de données

2.2.1 Modèles éléments finis

La nécessité de posséder une compatibilité avec les codes standard de calcul éléments
finis résulte d’un souhait exprimé par les industriels. Mais c’est également la seule
manière de générer un modèle au format Proto. Deux interfaces externes sont présentes,
elles concernent les produits MSC/NASTRAN et ANSYS.
L’importation permet de récupérer les données relatives à la définition des nœuds,
des éléments, des paramètres modaux, et des matrices élémentaires de masse et de rai-
deur. Elle est généralement réalisée dans le but de recaler le modèle. C’est pourquoi elle
prend en compte la définition des propriétés physiques et matérielles, éventuellement
la définition des macro-éléments, que le concepteur a inclues dans le modèle.

2.2.2 Analyse modale expérimentale

L’importation des mesures effectuées sur la structure réelle est l’autre condition né-
cessaire à la réalisation d’un recalage non simulé. Les résultats fournis par les codes
d’analyse modale SDRC/I-DEAS et LMS/CADA peuvent être lus par Proto sous la
forme de fichiers de type universel ou neutre. La récupération des données concerne la
position et la direction de mesure des capteurs, les modes réels et les masses généra-
lisées.

2.3 Réponses fréquentielles

L’information relative aux réponses fréquentielles est essentielle pour de nombreuses
procédures telles que l’identification modale, le recalage par méthode fréquentielle, etc.
Au sein de Proto, on peut considérer le traitement des réponses autour de trois pôles :

• la base de données : elle est assez souple pour pouvoir importer et stocker des
réponses issues de diverses sources (fichiers universels, superpositions modales,
simulations, . . .) ;

• les fonctions de calcul : le calcul des fonctions de transfert est réalisable après
définition des fréquences d’excitation, de l’amortissement modal, des ddl excités
et mesurés ;

128
 2.4. Visualisation graphique

• la visualisation : elle autorise des affichages de plusieurs styles (amplitude et

phase, réel et imaginaire, diagramme de Nyquist, . . .), la définition de bandes
fréquentielles, la saisie de fréquences particulières (résonances, antirésonances).

2.4 Visualisation graphique

En analyse de modèles, l’affichage de figures graphiques simplifie et améliore l’inter-
prétation des résultats, surtout lorsqu’il s’agit de maillages complexes pour lesquels
on souhaite connaître les formes modales, les énergies par éléments, ou la position des
macro-éléments. Notre contribution, en terme d’outils de visualisation graphique de
structure éléments finis, repose sur des interfaces dont les grandes lignes sont données
ci-dessous.

• Affichage de la géométrie
Cette fonctionnalité est disponible aussi bien pour un maillage analytique que
pour un maillage expérimental, elle est uniquement basée sur la description des
nœuds et des éléments. Il y a deux modes d’affichage, treillis ou faces cachées.
De plus, il est possible d’isoler un ou plusieurs macro-éléments parmi la totalité
de la structure.

• Sélection de la vue ou du niveau de zoom

Une vue tridimensionnelle peut être appliquée au choix selon trois critères : une
projection dans un des plans principaux du repère, une vue définie par les trois
angles d’Euler, ou une vue définie par les angles d’azimut et de hauteur. Des rota-
tions par incréments successifs génèrent des vues rapides. Quant aux opérations
de zoom, elles sont effectuées à l’aide de la souris.

• Identification, recherche
Cette fonctionnalité consiste à sélectionner, sur la vue tridimensionnelle et à
l’aide de la souris, un objet appartenant à une des catégories suivantes : nœud,
élément, macro-élément. Proto répond alors en donnant le numéro d’identification
de l’objet. Inversement, à partir d’un objet connu par son numéro d’identification,
il est possible de le localiser de visu sur la géométrie.

• Déformées modales, animation

N’importe quel mode normal peut être représenté sur le maillage géométrique,
qu’il soit issu du modèle initial ou d’un modèle perturbé (après réanalyse). Un

129
Chapitre 2. Fonctionnalités

coefficient de déformation, positif ou négatif, agit sur l’amplitude et la forme

du mode affiché. L’animation du modèle déformé, sous la forme du déroulement
rapide d’une séquence de vues enregistrées, permet de mieux appréhender les
déplacements de la structure.

• Visualisation de données

Des données relatives aux nœuds (translations pour un mode donné) et aux élé-
ments (énergie cinétique et de déformation, appartenance à un macro-élément)
sont visualisables grâce à la coloration indépendante de chaque élément en ac-
cord avec une échelle de couleurs prédéfinie. L’utilisateur peut aussi importer et
visualiser des données externes.

2.5 Paramétrisation

2.5.1 Macro-éléments
Le découpage de la structure en macro-éléments définit les zones, éventuellement
révélées par une méthode de localisation d’erreurs, appelées à subir des corrections
paramétriques. Leur création s’opère à partir d’une interface dans laquelle l’utilisateur
spécifie un identificateur, un nom, et une liste d’éléments. Si cette dernière est trop
longue pour être entrée manuellement, un outil interactif permet de sélectionner les
éléments sur une représentation géométrique du modèle à l’aide de la souris.
En préparation à toute réanalyse du modèle, une procédure de décomposition est
exigée. Cette action consiste à construire les matrices creuses de masse et de raideur
propre à chaque macro-élément en assemblant les matrices élémentaires correspon-
dantes. Une condensation sur les ddl du système réduit intervient éventuellement si on
envisage une réanalyse approchée.

2.5.2 Paramètres physiques

L’association entre un paramètre physique et un ou plusieurs macro-éléments est une
opération indispensable pour pouvoir effectuer des corrections sur le modèle. Elle est
réalisée dans une interface qui inclue aussi la définition de l’identificateur et du type
du paramètre. Un large choix de types de paramètre est proposé, applicables selon le
type d’éléments : module d’Young, masse volumique, diamètre de section, épaisseur de
plaque, etc.

130
 2.6. Repère et ddl communs

La sensibilité des valeurs propres et des vecteurs propres par rapport aux paramètres
peut être calculée et représentée graphiquement. De plus, les valeurs courantes des pa-
ramètres sont modifiables manuellement afin d’effectuer ponctuellement une réanalyse.
En ce qui concerne les bornes de variation des paramètres actifs, elles doivent être
précisées avant le lancement d’une procédure de recalage.

2.6 Repère et ddl communs

L’évaluation de la corrélation entre les données analytiques et expérimentales implique
que les deux ensembles puissent être comparés sur des bases communes et bien identi-
fiées. D’une part, il est important qu’ils soient ramenés dans le même repère (position
de l’origine et direction des trois axes à préciser par l’utilisateur). D’autre part, une
correspondance entre les capteurs et les nœuds du maillage doit être trouvée. La tech-
nique mise en œuvre repose sur une transformation par lien rigide entre un capteur et
le nœud le plus proche.

2.7 Sélection des données modales actives

La matrice modale d’un modèle n’est pas nécessairement utilisée à l’état brut dans les
calculs pour des raisons diverses (bande spectrale d’intérêt, capteurs défectueux, . . .).
Les fonctions suivantes permettent d’opérer un filtrage et de modifier l’importance
relative des données retenues :

• sélection d’une liste active de modes et de fréquences, application d’une pondé-

ration (degré de confiance) indépendante sur chaque mode et chaque fréquence ;

• sélection d’une liste active de ddl, application sur chaque ddl sélectionné d’un
coefficient de correction (gain ou changement de signe systématique) et d’une
pondération (degré de confiance).

2.8 Création de la base de Ritz

En réanalyse approchée, la base de projection qui permet d’obtenir les matrices de
masse et de raideur réduites influe fortement sur la précision des solutions propres.
C’est pourquoi l’utilisateur doit pouvoir contrôler son contenu en assemblant des bases
de vecteurs d’origines diverses. L’interface adéquate autorise une sélection des vecteurs

131
Chapitre 2. Fonctionnalités

de la matrice modale initiale, de la matrice modale issue d’une réanalyse, ou d’une

autre base.
La base de Ritz bénéficie pleinement de l’apport des vecteurs de résidus statiques.
Ceux-ci peuvent être calculés à condition de préciser (selon la méthode présentée dans
ce mémoire) le nombre de vecteurs calculés par macro-élément et un nombre de tolé-
rance pour filtrer les valeurs singulières liées à la décomposition des résidus statiques.

2.9 Réanalyse
Proto propose trois possibilités pour le calcul des solutions propres du modèle per-
turbé :

• la réanalyse approchée par projection sur une base de Ritz ;

• la réanalyse exacte par un algorithme de Lanczos au sein de Matlab ;

• la réanalyse exacte par un algorithme de Lanczos dans MSC/NASTRAN : pen-

dant le recalage, Proto effectue l’exportation automatique des valeurs courantes
des paramètres vers MSC/NASTRAN puis importe les modes propres résultants.

2.10 Outils de comparaison

L’estimation de la distance entre le modèle et la structure est basée sur le calcul des
erreurs modales et fréquentielles. Un large choix de formulations de ces erreurs est
disponible dans Proto : MAC, erreurs relatives, erreurs généralisées, etc. L’affichage
est soit graphique (courbes, matrices de comparaison en couleur) soit sous forme de
tables. Quant à l’appariage des modes, il est configurable par des critères définis par
l’utilisateur. Toutes les techniques présentées en annexe C sont programmées dans le
logiciel.

2.11 Méthodes de recalage

L’identification des paramètres menant à un modèle théorique plus proche de la struc-
ture réelle est une tâche prioritaire dans Proto. Trois méthodes peuvent être employées.
Au delà de leurs différences (interfaces, variables de fonctionnement, programmation),
elles sont caractérisées par une certaine uniformité d’emploi, ce qui facilite l’utilisation
et la compréhension ; la phase de préparation est semblable, les choix concernant la

132
 2.11. Méthodes de recalage

réanalyse sont les mêmes. L’organigramme de la figure III.2.1 montre les grandes étapes
d’une procédure de recalage dans Proto.

2.11.1 Sensibilité modale

• fonction coût : résidu sur les valeurs propres et/ou les vecteurs propres ;

• optimisation : estimation de la variation optimale des paramètres vis-à-vis des

sensibilités par algorithme QP ou moindres carrés.

2.11.2 Recalage modal direct

• fonction coût : résidu sur les valeurs propres et les vecteurs propres ;

• optimisation : recherche directe par algorithme Simplex.

2.11.3 Méthode évolutionnaire

• fonction coût : résidu sur les valeurs propres et les vecteurs propres, ou fonction
coût spécifique à l’utilisateur ;

• optimisation : recherche directe dérivée des algorithmes génétiques.

133
Chapitre 2. Fonctionnalités

Figure III.2.1 : Présentation synoptique d’une procédure de recalage dans Proto

134
Conclusion

Le développement du logiciel Proto-Dynamique s’est étendu sur toute la durée de

préparation de cette thèse. A présent, un certain nombre de conclusions peuvent être
formulées :

• c’est un outil convivial grâce à la conception homogène et simple de ces interfaces

utilisateur ;

• dans l’ensemble, ses fonctionnalités bénéficient d’une bonne robustesse d’emploi

grâce à une gestion rigoureuse des cas d’erreurs ;

• c’est un logiciel ouvert, l’installation des répertoires d’extension (utilisateur et

site) et la présence des tables de configurations permettent de développer ou de
modifier au sein d’un environnement personnalisé ;

• Proto est adapté au recalage de grandes structures : sur une machine possé-
dant les ressources nécessaires, un modèle de plusieurs centaines de ddl n’altère
pas les performances, tant en importation, en visualisation, en réanalyse, ou en
identification paramétrique.

Notre contribution étant intimement liée à celle des autres auteurs de Proto, il
est difficile d’effectuer une distinction dans cet exposé. Cependant, l’effort personnel a
surtout porté sur les thèmes de développement suivants :

• la définition des tables de configuration ;

• la création des interfaces utilitaires ;

• la visualisation graphique au sens large (2D et 3D) ;

• les fonctionnalités relatives à l’extension de la base de Ritz et au recalage par

méthode évolutionnaire.

Les améliorations à venir concernent principalement :

135
Conclusion

• la rédaction d’une documentation complète et la mise en place d’une aide en ligne

accessible à partir des modules ;

• une simplification des démarches à accomplir pour les novices de Proto qui sou-
haitent développer des interfaces et des méthodes numériques avec le moins de
contraintes et le plus rapidement possible ;

• une intégration encore plus poussée des dernières innovations introduites par
Matlab.

136
Conclusion générale
 Conclusion générale

Conclusion générale

La première partie du travail de recherche concernait le développement d’une mé-

thode de réanalyse approchée et son application aux modèles éléments finis des st-
ructures de grande taille. Trois techniques ont été testées, elles se distinguaient par le
contenu de la base de Ritz utilisée pour projeter les matrices d’état du système per-
turbé dans un espace réduit de coordonnées généralisées. Sur des critères de corrélation
et de mesure des distances entre les solutions approchées et exactes, les comparaisons
ont montré un net avantage en faveur d’une base constituée du plus grand nombre de
modes initiaux et de vecteurs représentant la contribution statique résiduelle des modes
de fréquence plus élevée. La technique proposée pour le calcul des résidus statiques ne
dépend pas du nombre de ddl modifiés mais du nombre de macro-éléments concernés
par la perturbation.

Dans la deuxième partie, c’est sur l’élaboration d’une méthode d’optimisation di-
recte adaptée à l’identification paramétrique qu’ont porté les efforts. L’algorithme évo-
lutionnaire qui constitue son fondement est un enchaînement d’opérateurs, pour la
plupart faisant intervenir le hasard dans leur fonctionnement. Des tests de validation
ont permis d’aboutir à une procédure capable de situer les valeurs des paramètres à cor-
riger d’une structure industrielle de taille importante, avec une fonction coût incluant
une réanalyse approchée du type de celle préconisée par les études précédentes.
Il faut noter que la convergence de la méthode évolutionnaire n’est pas démontrable.
Chaque étape, chaque opérateur, possède à son niveau un certain fondement théorique.
Mais l’ensemble, homogène, est dépendant de l’intuition de ces concepteurs qui, par
essais et erreurs et hypothèses successives, en arrivent à ce résultat.

Quelques perspectives potentielles de développements à la suite de nos recherches

sont suggérées dans les conclusions de chaque partie. De façon générale, le travail
contenu dans le présent mémoire peut être jugé comme cohérent dans la mesure où

139
Conclusion générale

les études de la première partie sont déterminantes pour la faisabilité de la méthode

exposée en deuxième partie, et où finalement les outils concrets qui en résultent sont
rendus disponibles dans le logiciel décrit en troisième partie. La contribution qu’il ap-
porte à la mécanique des structures va dans le sens d’une meilleure compréhension
des mécanismes du recalage, sans pour autant que les difficultés liées à l’accroissement
constant de la complexité de la modélisation ne soient levées. Bien prévoir les phé-
nomènes vibratoires des grandes structure, c’est se donner la possibilité de concevoir
des véhicules et appareils plus performants.

140
Références bibliographiques
Références bibliographiques
relatives à la première partie

[1] AITRIMOUCH H., Analyse de structures mécaniques modifiées, Thèse de docto-

rat, Université de Franche-Comté, n◦ d’ordre 350, 1993.

[2] AYER F., Sensibilité sélective : identification paramétrique et condensation de

modèles, Thèse de doctorat, Université de Franche-Comté, n◦ d’ordre 575, 1997.

[3] BALMES E., Optimal Ritz vectors for component mode synthesis using the singular
value decomposition, AIAA Journal, vol. 34, p. 1256, 1996.

[4] BALMES E., CRAWLEY E.F., Experimental / analytical predictive models of

damped structural dynamics, Report, Massachusetts Institute of Technology, 1993.

[5] BATT J.R., GELLIN S., Rapid reanalysis by the force method, Computer Methods
in Applied Mechanics and Engineering, vol. 53, p. 105, 1985.

[6] BENNIGHOF J.K., MULLER M.B., KAPLAN M.F., Computational costs for
large structure frequency response methods, 38th AIAA/ASME Structures, Struc-
tural Dynamics, and Materials Conference and Exhibit, 1997.

[7] BRINKMAN B.A., A quantitative study using residual modes to improve dynamic
models, Proc. of 5th International Modal Analysis Conference, p. 671, 1987.

[8] CAREY C.M.M., GOLUB G.H., LAW K.H., A Lanczos-based method for struc-
tural dynamic reanalysis problems, International Journal for Numerical Methods
in Engineering, vol. 37, p. 2857, 1994.

[9] CATBAS F.N., AKTAN A.E., ALLEMANG R.J., BROWN D.L., A correlation
function for spatial locations of scaled mode shapes, Proc. of 16th International
Modal Analysis Conference, p. 1550, 1998.

143
Références bibliographiques

[10] CHU F.H., WALKER P., Application of reanalysis techniques in dynamic analysis
of spacecraft structures, Symposium on reanalysis of structural dynamic models,
Applied Mechanics Division of the American Society of Mechanical Engineers, vol.
76, p. 95, 1986.

[11] COGAN S., BERTHOD C., Approximate reanalysis algorithms for parametric
identification procedures, Brite Euram Project P7666, Contract BRE2.CT94.0974,
Task 3 Technical Report, 1995.

[12] COGAN S., LALLEMENT G., AYER F., BEN-HAIM Y., Model order reduction
by selective sensitivity, AIAA Journal, vol. 35, p. 557, 1997.

[13] COGAN S., LALLEMENT G., AITRIMOUCH H., An approximate reanalysis

technique for parametric updating using a reduced basis of static residual vectors,
Laboratoire de Mécanique Appliquée R.Chaléat, Besançon.

[14] COGAN S., Réanalyse des structures à partir de données expérimentales, rigidifi-
cation et substitution, Thèse de doctorat, Université de Franche-Comté, n◦ d’ordre
166, 1990.

[15] CRAIG R.R., BAMPTON M.C., Coupling of substructures for dynamic analyses,
AIAA Journal, vol. 6, p. 1313, 1968.

[16] CULLUM J.K., WILLOUGHBY R.A., Lanczos algorithms for large symmetric
eigenvalue computations, Birkhäuser, 1985.

[17] ELLIOTT K.B., MITCHELL L.D., The effect of modal truncation on modal mo-
dification, Proc. of 5th International Modal Analysis Conference, p. 72, 1987.

[18] EMAD N., The Padé-Rayleigh-Ritz method for solving large hermitian eigenpro-
blems, Numerical Algorithms, vol. 11, p. 159, 1996.

[19] ENNAIME S.E., Contribution à l’identification de structures mécaniques : locali-

sation des défauts dominants et réanalyse, estimation des forces extérieures, Thèse
de doctorat, Université de Franche-Comté, 1996.

[20] GERADIN M., RIXEN D., Mechanical vibrations, Wiley-Masson, 1994.

[21] GRIMES R.G., LEWIS J.G., SIMON H.D., A shifted block Lanczos algorithm
for solving sparse symmetric generalized eigenproblems, SIAM Journal on Matrix
Analysis and Applications, vol. 14, p. 228, 1993.

144
 Références bibliographiques

[22] HALL K.C., Eigenanalysis of unsteady flows about airfoils, cascades, and wings,
AIAA Journal, vol. 32, p. 2426, 1994.

[23] HEYLEN W., AVITABILE P., Degree of freedom correlation techniques, Proc. of
16th International Modal Analysis Conference, p. 207, 1998.

[24] HORN R.A., JOHNSON C.R., Matrix analysis, Cambridge University Press, 1985.

[25] IMBERT J.—F., Analyse des structures par éléments finis, Cépaduès-Éditions, 3◦
édition, 1991.

[26] JENNINGS A., On bounds for symmetric eigenvalue problems, Proc. of the confe-
rence on Matrix Pencils, Lecture Notes in Mathematics, vol. 973, p. 195, 1982.

[27] KIRSCH U., LIU S., Structural reanalysis for general layout modifications, AIAA
Journal, vol. 35, p. 382, 1997.

[28] KITIS L., PILKEY W.D., Appendant subsystem design using Ritz vectors, Sym-
posium on reanalysis of structural dynamic models, Applied Mechanics Division
of the American Society of Mechanical Engineers, vol. 76, p. 21, 1986.

[29] KOH C.G., ANG K.K., XU R., An eigen-force method for finite element analysis
and reanalysis, International Journal for Numerical Methods in Engineering, vol.
40, p. 777, 1997.

[30] LEHMANN N.J., On optimal eigenvalue localization in the solution of symmetric

matrix problems, Numerical Mathematics, vol. 8, p. 42, 1966.

[31] LUK Y.W., Reanalysis of modal data using dual modal space structural modifi-
cation method, Symposium on reanalysis of structural dynamic models, Applied
Mechanics Division of the American Society of Mechanical Engineers, vol. 76, p.
45, 1986.

[32] MacNEAL R.H., A hybrid method of component mode synthesis, Computers and
Structures, vol. 1, p. 581, 1971.

[33] MOLER C.B., STEWART G.W., An algorithm for generalized matrix eigenvalue
problems, SIAM Journal on Numerical Analysis, vol. 10, p. 241, 1973.

[34] PAIGE C.C., PARLETT B.N., VAN DER VORST H.A., Approximate solutions
and eigenvalue bounds from Krylov subspaces, Numerical Linear Algebra with Ap-
plications, vol. 2, p. 115, 1995.

145
Références bibliographiques

[35] PRZEMIENIECKI J.S., Theory of matrix structural analysis, Dover Publications

Inc., 1968.

[36] RAM Y.M., BRAUN S.G., BLECH J.J., Structural modifications in truncated
systems by the Rayleigh-Ritz method, Journal of Sound and Vibration, vol. 125,
n◦ 2, p. 203, 1988.

[37] RAM Y.M., BRAUN S.G., Upper and lower bounds for the natural frequencies of
modified structures based on truncated modal testing results, Journal of Sound and
Vibration, vol. 137, p. 69, 1990.

[38] RAM Y.M., BLECH J.J., BRAUN S.G., Eigenproblem error bounds with applica-
tion to symmetric dynamic system modification, SIAM Journal on Matrix Analysis
and Applications, vol. 11, n◦ 4, p. 553, 1990.

[39] RUBIN S., Improved component-mode representation for structural dynamic ana-
lysis, AIAA Journal, vol. 13, p. 995, 1975.

[40] SAAD Y., Numerical methods for large eigenvalue problems, Manchester Univer-
sity Press, Halsted Press, John Wiley & Sons, 1992.

[41] SAAD Y., Projection methods for solving large sparse eigenvalue problems, Proc.
of the conference on Matrix Pencils, Lecture Notes in Mathematics, vol. 973, p.
121, 1982.

[42] SOHANEY R.C., BONNECASE D., Residual mobilities and structural dynamic
modifications, Proc. of 7th International Modal Analysis Conference, p. 568, 1989.

[43] SUN J.G., Perturbation analysis for the generalized eigenvalue and the generalized
singular value problem, Proc. of the conference on Matrix Pencils, Lecture Notes
in Mathematics, vol. 973, p. 221, 1982.

[44] WANG B.P., Structural dynamic optimization using reanalysis techniques, Sym-
posium on reanalysis of structural dynamic models, Applied Mechanics Division
of the American Society of Mechanical Engineers, vol. 76, p. 1, 1986.

[45] WANG B.P., PILKEY W.D., PALAZZOLO A.R., Reanalysis, modal synthesis and
dynamic design, chap. 8 in State-of-the-art surveys on finite element technology,
ASME Publication, 1983.

146
 Références bibliographiques

[46] WEDIN P.A., On angles between subspaces of a finite dimensional inner product
space, Proc. of the conference on Matrix Pencils, Lecture Notes in Mathematics,
vol. 973, p. 263, 1982.

[47] ZENG X., ZHANG K., YANG J., A new dynamic reanalysis method for large
structure modification, Proc. of 16th International Modal Analysis Conference, p.
1598, 1998.

Références bibliographiques
relatives à la deuxième partie

[48] ARORA J.S., ELWAKEIL O.A., CHAHANDE A.I., HSIEH C.C., Global optimi-
zation methods for engineering applications : a review, Structural Optimization,
vol. 9, p. 137, 1995.

[49] CARPINETTI L.C.R., CHETWYND D.G., Genetic search methods for assessing
geometric tolerances, Computer Methods in Applied Mechanics and Engineering,
vol. 122, p. 193, 1995.

[50] CARROLL D.L., Chemical laser modeling with genetic algorithms, AIAA Journal,
vol. 34, p. 338, 1996.

[51] CHAPMAN C.D., SAITOU K., JAKIELA M.J., Genetic algorithms as an ap-
proach to configuration and topology design, Journal of Mechanical Design, vol.
116, p. 1005, 1994.

[52] CHEN T.Y., CHEN C.J., Improvements of simple genetic algorithm in structural
design, International Journal for Numerical Methods in Engineering, vol. 40, p.
1323, 1997.

[53] COGAN S., BERTHOD C., Implementation of a forward estimation procedure for
model updating based on genetic algorithms, Brite Euram Project P7666, Contract
BRE2.CT94.0974, Task 3 Technical Report, 1995.

147
Références bibliographiques

[54] CUNHA J., Application des techniques de recalage en dynamique à l’identification

des constantes élastiques des matériaux composites, Thèse de doctorat, Université
de Franche-Comté, n◦ d’ordre 570, 1997.

[55] FRISWELL M.I., PENNY J.E.T., GARVEY S.D., A combined genetic and eigen-
sensitivity algorithm for the location of damage in structures, Proc. of the confe-
rence on Identification in Engineering Systems, p. 357, 1996.

[56] FURUKAWA T., YAGAWA G., Inelastic constitutive parameter identification

using an evolutionary algorithm with continuous individuals, International Journal
for Numerical Methods in Engineering, vol. 40, p. 1071, 1997.

[57] FURUYA H., HAFTKA R.T., Placing actuators on space structures by genetic
algorithms and effectiveness indices, Structural Optimization, vol. 9, p. 69, 1995.

[58] GALANTE M., Genetic algorithms as an approach to optimize real-world trusses,

International Journal for Numerical Methods in Engineering, vol. 39, p. 361, 1996.

[59] GOLDBERG D.E., Algorithmes génétiques, exploration, optimisation et appren-

tissage automatique, Éditions Addison—Wesley France, 1994.

[60] HASSAS S., Les algorithmes génétiques, Revue française de mécanique, vol. 3, p.
179, 1996.

[61] HOLLAND J.H., Adaptation in natural and artificial systems, University of Mi-
chigan Press, Ann Arbor, 1975.

[62] HUSBANDS P., JERMY G., MacIHLAGGA M., IVES R., Two applications of
genetic algorithms to component design, Proc. of the 3rd AISB Workshop on Evo-
lutionary Computing, p. 50, 1996.

[63] LARSON C.B., ZIMMERMAN D.C., Structural model refinement using a genetic
algorithm approach, Proc. of 11th International Modal Analysis Conference, p.
1095, 1993.

[64] LEVENICK J.R., Inserting introns improves genetic algorithm success rate : ta-
king a cue from biology, Proc. of the 4th International Conference on Genetic
Algorithms, p. 123, 1991.

[65] LIN C.Y., HAJELA P., Design optimization with advanced genetic search strate-
gies, Advances in Engineering Software, vol. 21, p. 179, 1994.

148
 Références bibliographiques

[66] MacKAY B., WILLIS M.J., HIDEN H.G., MONTAGUE G.A., BARTON G.W.,
Identification of industrial processes using genetic programming, Proc. of the confe-
rence on Identification in Engineering Systems, p. 510, 1996.

[67] MICHALEWICZ Z., Genetic algorithms + data structures = evolution programs,

Springer—Verlag, 2◦ édition, 1992.

[68] MICHALEWICZ Z., HINTERDING R., MICHALEWICZ M., Evolutionary algo-

rithms, in [72], 1997.

[69] MOLER C., Random thoughts, Matlab News & Notes, automne 1995.

[70] NAIR P.B., MUJUMDAR P.M., Structural system identification using genetic al-
gorithms, Proc. of the conference on Identification in Engineering Systems, p. 520,
1996.

[71] NELSON K.M., Using evolutionary programming for finite element problems,
Proc. of the 6th International Conference on Evolutionary Programming, p. 397,
1997.

[72] PEDRYCZ W. (edt), Fuzzy evolutionary computation, Kluwer Academic Publi-

shers, 1997.

[73] POHLHEIM H., Genetic algorithms : principles, methods and algorithms, docu-
mentation of the Genetic Algorithm Toolbox for use with Matlab, Daimler Benz
AG, Research and Technology, 1995.

[74] RIBEIRO FILHO J.L., TRELEAVEN P.C., ALIPPI C., Genetic-algorithm pro-
gramming environments, Computer, p. 28, juin 1994.

[75] ROY N., GIRARD A., CHEZZI P., F.E.M. updating via non linear programming,
Brite Euram Project P7666, Contract BRE2.CT94.0974, Task 3 Technical Report,
1996.

[76] SHIM P.Y., MANOOCHEHRI S., Generating optimal configurations in structural

design using simulated annealing, International Journal for Numerical Methods in
Engineering, vol. 40, p. 1053, 1997.

[77] SRINIVAS M., PATNAIK L.M., Genetic algorithms : a survey, Computer, p. 17,
juin 1994.

149
Références bibliographiques

[78] VAN LAARHOVEN P.J.M., AARTS E.H.L., Simulated annealing : theory and
applications, Kluwer Academic Publishers, 1988.

[79] WILLFRIED W., A refined genetic algorithm for parameter optimization problems,
Proc. of the 5th International Conference on Genetic Algorithms, p. 589, 1993.

[80] WORDEN K., DEACON B.P., Genetic parameter estimation, Proc. of the confe-
rence on Identification in Engineering Systems, p. 499, 1996.

Références bibliographiques
relatives à Proto—Dynamique

[81] BERTHOD C., Contribution au développement de PROTO—Dynamique 4.0, rap-

port de stage, INTESPACE, 1997.

[82] ROY N., BUGEAT L.—P., COGAN S., BERTHOD C., An innovative structural
analysis platform for large industrial finite element models, Proc. of 15th Interna-
tional Modal Analysis Conference, p. 593, 1997.

[83] ROY N., BUGEAT L.—P., PROTO—Dynamique 4.0 User’s Guide, INTESPACE,
1997.

[84] ROY N., DUPUIS P.—E., BUGEAT L.—P., IMBERT J.—F., PROTO—Dynamique
3.2, User’s Guide, INTESPACE, 1995.

[85] The MathWorks, Inc., Using MATLAB, December 1996.

150
Annexes
Annexe A

Décomposition en valeurs
singulières

Les stratégies d’extension de la base de Ritz présentées dans ce mémoire dans le cadre de
la réanalyse approchée permettent de calculer des bases de vecteurs dont l’indépendance
les uns vis-à-vis des autres n’est a priori pas assurée, tant les méthodes sont non-
linéaires et tributaires des erreurs d’arrondis numériques. Cette situation engendre les
inconvénients suivants :

• Si les colonnes de la base ne sont pas indépendantes, une procédure d’ortho-

normalisation, de type Gram-Schmidt ou QR, peut mener à des problèmes de
conditionnement.

• Si la base de Ritz est étendue avec une base de vecteurs non orthogonaux, d’une
part un sous-ensemble de ces vecteurs ne participent pas à l’amélioration de
la qualité des solutions propres du système réduit car ils sont une combinaison
linéaire des autres vecteurs, d’autre part la taille du système réduit est inutilement
grande et entraîne des temps de calcul plus long.

La technique bien connue de décomposition en valeurs singulière apporte une so-

lution au problème de dépendance ou d’indépendance de vecteurs. Les paragraphes
qui suivent donnent la définition de cette factorisation de matrices et proposent une
méthode de calcul appropriée aux bases de vecteurs de grande taille.

A.1 Propriétés
Soit A ∈ RN,m , avec N > m. Supposons que A souffre d’une déficience de rang, c’est-
à-dire rang(A) = k avec k < m.

153
Annexe A. Décomposition en valeurs singulières

Théorème 2 Soit une matrice A vérifiant les conditions précédemment définie. Alors
A peut être écrite sous la forme :

A = V ΣW T (A.1)

avec V ∈ RN,N et W ∈ Rm,m matrices unitaires, et Σ ∈ RN,m matrice diagonale. Les

éléments diagonaux de Σ sont tels que :

σ 11 > σ 22 > . . . > σ kk > σ k+1,k+1 = . . . = σ mm = 0 (A.2)

Les termes σ sont appelées valeurs singulières de A. Il est important de noter que
le rang de A est égal au nombre de valeurs singulières non nulles de A. Par conséquent,
une façon élégante de calculer le rang d’une matrice est d’évaluer ses valeurs singulières
et d’associer son rang au nombre de valeurs singulières supérieures à un seuil donné
proche de zéro.

Cependant, si le rapport de la plus petite valeur singulière non nulle sur la plus
grande est petit, c’est-à-dire (σ kk Áσ 11 ) < ε avec ε proche de zéro, la détermination du
rang est peu précise et incertaine.

A.2 Calcul des vecteurs décomposés

Partant de l’équation A.1, on peut obtenir les relations suivants :

AAT = V ΣW T W ΣT V T (A.3)
= V Σ2 V T (A.4)

et

AT A = W ΣT V T V ΣW T (A.5)
= W Σ2 W T (A.6)

Ces égalités signifient que les colonnes de V sont les vecteurs propres de la matrice
AAT , et que les colonnes de W sont les vecteurs propres de la matrice AT A, les valeurs
propres correspondantes étant dans les deux cas égales aux carrés des valeurs singulières
de A.

Revenant maintenant au problème posé en introduction de l’annexe, on souhaite

contrôler l’indépendance des colonnes de A afin de ne garder qu’un sous-ensemble de

154
 Annexe A. Décomposition en valeurs singulières

vecteurs linéairement indépendants. Soit A∗ ∈ RN,? cette nouvelle matrice dont le

nombre de colonnes à déterminer est fonction d’une tolérance donnée.

Les matrices V et W sont toutes deux des ensembles de vecteurs orthogonaux. Seule
V possède le même nombre de lignes que A. Mais l’évaluation de V repose d’après A.4
sur la résolution d’un problème aux valeurs propres de taille N, ce qui est exclu car
N est typiquement le nombre de ddl du modèle éléments finis. Par contre, trouver W
revient à résoudre un problème aux valeurs propres de taille m, qui est par exemple le
nombre de modes résiduels calculés, c’est nettement plus raisonnable.

Le problème A.6 fournit donc les m valeurs singulières de A. Un filtrage basé sur
un nombre de conditionnement maximum γ m donné permet ensuite de ne garder qu’un
sous-ensemble C de r < m valeurs singulières :
½ ¾
σ 211
C (γ m ) = σ i | 2 6 γ m i = 1 (1) m (A.7)
σi

Soit W ∗ ∈ Rm,r la matrice contenant les r premières colonnes de W . En exploitant

la relation
AW = V ΣW T W = V Σ (A.8)

on obtient à partir de A et W ∗ un ensemble de vecteurs décomposés de A, linéairement

indépendants :
A∗ = AW ∗ ∈ RN,r (A.9)

155
Annexe A. Décomposition en valeurs singulières

156
Annexe B

Prise en compte des modes de

corps rigide

La notation adoptée dans cette annexe est celle relative à la première partie du mémoire.

B.1 Rappels
Il arrive fréquemment que les structures étudiées soient affectées par la présence de
modes de corps rigide. C’est le cas pour tous les engins volants puisqu’ils ne sont pas
rattachés à un point fixe, les sous-structures analysées en libre-libre, et en général pour
toutes les structures souffrant d’un manque de contraintes sur au moins une translation
ou une rotation. Concrètement cela se traduit par une matrice K semi-définie positive

xT Kx > 0 ∀x ∈ RN non nul (B.1)

et par le fait que K n’est pas inversible. Le problème aux valeurs propres I.1.2 est
alors associé à une ou plusieurs (6 maximum) fréquences nulles. Soit nr le nombre de
fréquences nulles, et donc de modes de corps rigide de I.1.2.

La matrice modale Y peut être découpée de la façon suivante :

Y = [Yr Ye ] (B.2)

où Yr ∈ RN,nr est l’ensemble des modes de corps rigide de la structure, et Ye ∈ RN,N−nr

l’ensemble des modes élastiques. Les équations suivantes sont alors vérifiées :

KYr = 0 (B.3)
YrT MYe = 0 (B.4)

157
Annexe B. Prise en compte des modes de corps rigide

en d’autres termes le sous-espace des colonnes de Yr est l’espace nul de K.

Pour la plupart des applications en élastodynamique, les modes de corps rigide

ne posent aucun problème et peuvent être ignorés. Mais lors d’une phase de calcul des
déplacements statiques de la structure, il est important que l’algorithme qui utilise K −1
détecte la présence de modes de corps rigide afin de déclencher un processus spécifique
permettant d’éviter les singularités. Les deux méthodes présentées ci-après autorisent,
à des niveaux de complexité et d’efficacité différents, la prise en compte de ces modes.

B.2 Décalage spectral

Une façon de contourner le caractère semi-défini positif de K est d’utiliser la technique
connue du décalage spectral qui consiste à faire glisser les λν vers la droite du spectre
fréquentiel. En notant α la valeur du décalage et d l’indice indiquant les quantités
relatives au système décalé, l’équation I.1.2 devient :

[K − (λν − α) M] yνd = 0 (B.5)

ou encore :
¡ d ¢
K − λdν M y d = 0 (B.6)

avec :
K d = K + αM (B.7)
¤ £
En général la valeur de α est choisie telle que α ∈ 0, ω 2nr +1 où ωnr +1 est la première
pulsation propre non nulle du système I.1.2.

La matrice M est définie positive, donc la nouvelle matrice de raideur K d est définie
¡ ¢−1
positive, K d existe. Les nr modes de corps rigide sont maintenant associés à la
valeur propre multiple α.

Cependant, cette technique a l’inconvénient de ne pas séparer explicitement la cont-

ribution des modes de corps rigide et celle des modes élastiques. De plus, la solution
statique de l’équation KX = F est intrinsèquement différente de celle de l’équation
K d X = F , ce qui revient à avoir une structure ayant K d et non K comme matrice
de raideur, on a perdu le lien physique avec la structure initiale. Le décalage spectral
n’est donc pas recommandé lorsqu’il s’agit de mettre en œuvre une méthode basée sur
les réponses statiques.

158
 Annexe B. Prise en compte des modes de corps rigide

B.3 Filtrage inertiel

Contrairement à la précédente, cette technique, utilisée par de nombreux auteurs (Gé-
radin [20], Balmès [3], Rubin [39]), reste physiquement cohérente avec la structure
initiale et fait intervenir une matrice de projection afin de filtrer les modes de corps
rigide.

Tout d’abord, écrivons l’équation d’équilibre de la dynamique I.1.1 sous sa forme

équivalente de d’Alembert :
Ky = f + ω2 My (B.8)

ou :
Ky = f ∗ (B.9)

L’équation B.8 revient à considérer un problème statique de la structure soumise

à la somme des forces externes et des forces d’inertie. Dans le cas où l’on se place, K
est singulière. On peut énoncer le théorème d’algèbre linéaire 3 pour savoir sous quelle
condition l’équation B.8 admet une solution.

Théorème 3 Soit A ∈ RN,N telle que det (A) = 0, et b ∈ RN . Le système linéaire

Ax = b possède une solution si et seulement si b est orthogonal à la solution du système
linéaire associé AT v = 0, c’est-à-dire si vT b = 0.

En rappelant que K est symétrique, l’analogie entre le théorème 3, l’équation B.3,

et l’équation B.9 fournit la relation :

YrT f ∗ = 0 (B.10)

Cela signifie que les modes de corps rigide doivent être orthogonaux aux vecteurs
de forces. Or f ∗ peut être écrit sous la forme d’une combinaison linéaire des forces
d’inertie associées aux modes de corps rigide et aux modes élastiques :

f ∗ = MYr a + MYe b (B.11)

où a ∈ Rnr et b ∈ RN−nr , kbk 6= 0, sont des vecteurs de coefficients.

Pour que la condition B.10 soit vérifiée, f ∗ doit être modifié de telle sorte que sa
composante due à la structure rigide soit filtrée. On définit ce nouveau vecteur d’entrées
par :
f¯∗ = DT f ∗ (B.12)

159
Annexe B. Prise en compte des modes de corps rigide

et l’opérateur de filtrage D doit satisfaire :

DT f ∗ = MYe b (B.13)

Une valeur possible pour D est :

D = IN − Yr YrT M (B.14)

dDémonstration. B.11 et B.13 donnent :

MYe b = DT (MYr a + MYe b) (B.15)

d’où :
D−T MYe b = MYr a + MYe b (B.16)

Prémultiplions B.16 à gauche par YrT , on obtient :

a = YrT D−T MYe b (B.17)

Si on reporte B.17 dans B.15, on obtient successivement :

¡ ¢
MYe b = DT MYr YrT D−T MYe b + MYe b (B.18)
¡ ¢
IN = DT MYr YrT D−T + IN (B.19)
¡ ¢
DT = DT MYr YrT + DT (B.20)
IN = MYr YrT + DT (B.21)

ce qui est le transposé de B.14.e

Vérifions qu’elle satisfait l’égalité B.13 :

¡ ¢
DT f ∗ = IN − MYr YrT (MYr a + MYe b) (B.22)
= MYr a + MYe b − MYr YrT MYr a − MYr YrT MYe b (B.23)
= MYr a + MYe b − MYr a − 0 (B.24)
= MYe b (B.25)

L’équation B.13 peut fournir une autre solution pour D :

D = Ye YeT M (B.26)

dDémonstration. Multiplions B.16 à gauche par YeT , on obtient :

YeT D−T MYe b = b (B.27)

YeT D−T MYe = IN−nr (B.28)

160
 Annexe B. Prise en compte des modes de corps rigide

d’où :
DT = MYe YeT (B.29)

qui est le transposé de B.26.e

Vérifions que l’égalité B.13 reste vraie :

DT f ∗ = MYe YeT (MYr a + MYe b) (B.30)

= MYe YeT MYr a + MYe YeT MYe b (B.31)
= 0 + MYe b (B.32)

Mais la matrice de filtrage D = Ye YeT M a un inconvénient. Le fait que l’on travaille

par hypothèse avec une matrice modale Ye tronquée ne permet pas de l’utiliser. Car si
f ∗ appartient à l’espace vectoriel de l’ensemble des colonnes de Ye , le filtrage recherché
sera incorrect. On élimine donc cette seconde valeur de D.

Dans les écritures précédentes, on a supposé que la matrice d’inertie généralisée de

la structure rigide est égale à la matrice unité, soit :

Mr = YrT MYr = Inr (B.33)

Si ce n’est pas le cas, l’opérateur D défini en B.14 doit être modifié ainsi :

D = IN − Yr Mr−1 YrT M (B.34)

Vérifions que l’égalité B.13 est encore satisfaite :

¡ ¢
DT f ∗ = IN − MYr Mr−1 YrT (MYr a + MYe b) (B.35)
= MYr a + MYe b − MYr Mr−1 YrT MYr a − MYr Mr−1 YrT MYe b (B.36)
= MYr a + MYe b − MYr Mr−1 Mr a − 0 (B.37)
= MYe b (B.38)

Le choix de l’opérateur de filtrage étant fait, il reste à s’assurer qu’il annule les
modes de corps rigide et dans le même temps qu’il n’altère pas les modes élastiques :
¡ ¢
DYr = IN − Yr Mr−1 YrT M Yr (B.39)
= Yr − Yr Mr−1 Mr (B.40)
= 0 (B.41)

161
Annexe B. Prise en compte des modes de corps rigide

et
¡ ¢
DYe = IN − Yr Mr−1 YrT M Ye (B.42)
= Ye − Yr Mr−1 YrT MYe (B.43)
= Ye (B.44)

Cette technique projette donc bien la base modale de la structure initiale dans
l’espace vectoriel des modes élastiques, et crée ainsi un équilibrage inertiel contraignant
le mouvement de corps rigide, quelle que soit la force appliquée.

Pour finir, il faut souligner que le calcul explicite de D peut causer quelques pro-
blèmes d’allocation de la mémoire de l’ordinateur dans le cas de gros modèles. En effet
D ∈ RN,N et D est peu ou pas du tout creuse, contrairement à M.

162
Annexe C

Analyse corrélationnelle des

solutions modales

Il est quelquefois nécessaire de connaître la distance qui sépare deux modèles caracté-
risés par leur vecteurs et valeurs propres. C’est le cas par exemple quand on souhaite
estimer le degré d’exactitude de solutions propres approchées par rapport aux solutions
exactes supposées connues, ou quand on évalue la ressemblance d’un modèle recalé vis-
à-vis des données modales identifiées lors d’un test réel.

On dispose pour cela de différents critères de comparaison qui consistent en un calcul

d’erreurs, soit entre les modes, soit entre les fréquences de chacun des deux modèles.
Ces critères mettent en jeu à chaque fois une paire de solutions propres, un mode ou une
fréquence de l’un contre un mode ou une fréquence de l’autre. Un appariage préalable
est donc requis afin de définir des paires.

Considérons un modèle c ayant pour solutions propres yic , fic , i = 1 (1) nc , et un

modèle m dont les solutions propres sont yjm , fjm , j = 1 (1) nm . Les deux modèles
possèdent le même nombre de ddl, et les modes yic sont regroupés dans la matrice Y c
et les yjm dans Y m .

C.1 Appariage des modes

L’appariage consiste à trouver les paires de modes (ν, σ), avec ν et σ entiers tels que
ν ∈ [1 nc ] et σ ∈ [1 nm ], qui se ressemblent suffisamment pour être considérés comme
homologues.

163
Annexe C. Analyse corrélationnelle des solutions modales

C.1.1 Appariage par calcul de coefficients de projection

La méthode d’appariage la plus simple est mise en œuvre en calculant, pour un mode
yνc donné, le vecteur de coefficients cν tels que :

yνc = Y m cν (C.1)

Il suffit ensuite d’examiner cν pour déterminer σ :

cνσ = max (cνj , j = 1 (1) nm ) (C.2)

yσm est alors le mode qui se projette le mieux sur yνc .

L’inconvénient de cette méthode de projection est d’aboutir à des situations d’ap-
pariage multiple : un même mode yσm se trouve apparié avec plusieurs modes de la base
Y c.

C.1.2 Appariage par optimisation avec contraintes

En général, par exemple dans les cas où l’appariage intervient pour associer un mode
calculé à un mode mesuré dans le calcul d’une fonction coût, un appariage unique
est préférable. C’est pourquoi des méthodes ont été développées afin de fournir des
paires d’indices (ν, σ) sans multiplicité, ce qui implique que certains modes ne sont pas
appariés si nc 6= nm .

L’une d’elles présentée ci-dessous repose sur l’obtention d’une matrice binaire Θ ∈
nc ,nm c ,nm
R à partir d’une matrice de corrélation C ∈ Rn . C est calculée sur la base d’un
critère de comparaison tels que ceux détaillés dans le paragraphe C.3 ci-après (MAC,
etc), en considérant tous les nc × nm couples possibles de vecteurs propres.

Supposons qu’avec le critère de comparaison retenu, un terme Ci,j est d’autant plus
grand que les modes se ressemblent. La matrice Θ est alors obtenue par optimisation
linéaire en résolvant l’équation
" Ã nc nm !#
XX
Θ = arg max Θi,j Ci,j (C.3)
i=1 j=1

avec les contraintes suivantes :

Pnc Pnm
si nc > nm : i=1 Θi,j = 1 ∀j et j=1 Θi,j 6 1 ∀i
Pnm Pnc (C.4)
sinon : j=1 Θi,j = 1 ∀i et i=1 Θi,j 6 1 ∀j

164
 Annexe C. Analyse corrélationnelle des solutions modales

et (
0
Θi,j = ∀i, ∀j (C.5)
1
Dans les relations C.4, si nc > nm , les contraintes signifient que tous les modes du
modèle m doivent trouver un homologue, mais que les modes du modèle c ne doivent
pas être choisis plus d’une fois. Finalement les indices en ligne et colonne des termes
égaux à 1 dans Θ définissent les paires (ν, σ) recherchées.

C.1.3 Critères d’appariage

Des conditions supplémentaires peuvent être énoncées pour éviter les appariages faibles
(quand les modes appariés ne se ressemblent pas suffisamment) ou les appariages liti-
gieux (quand la méthode d’appariage hésite entre deux modes). Elles sont basées sur
la valeur des termes appariés de la matrice de comparaison C définie précédemment.

• Valeur minimum : la paire (ν, σ) est retenu si le critère de comparaison est

supérieur à un seuil α donné, c’est-à-dire si Cν,σ > α

• Rapport maximum : la paire (ν, σ) est retenu si le rapport entre le meilleur critère
de comparaison (d’indices (ν, σ)) et le deuxième meilleur (d’indice µ en ligne ou
colonne) est supérieur à un seuil β donné, c’est-à-dire si Cν,σ /Cµ,σ > β , µ 6= ν,
quand nc > nm , ou si Cν,σ /Cν,µ > β , µ 6= σ, quand nc < nm .

C.2 Critères de comparaison des fréquences

propres
On souhaite calculer un critère d’erreur, une distance, à partir des paires de fréquences
issues de l’appariage.

C.2.1 Distance relative

Généralement, l’erreur est obtenue en évaluant la distance relative par rapport à la
fréquence la plus élevée :
|fνc − fσm |
df = (C.6)
max (fνc , fσm )
on peut aussi utiliser la demi-somme des fréquences comme diviseur :
|fνc − fσm |
df = 1 (C.7)
2
(fνc + fσm )

165
Annexe C. Analyse corrélationnelle des solutions modales

C.2.2 Erreur généralisée

La comparaison peut également se faire en termes quadratiques :

¯ c 2 ¯
¯(fν ) − (fσm )2 ¯
df = , si (fνc )2 + (fσm )2 6= 0 (C.8)
(fνc )2 + (fσm )2

et l’erreur écrite sous cette forme a l’avantage d’être bornée : 0 6 df 6 1.

C.3 Critères de comparaison des vecteurs propres

La comparaison de deux vecteurs est plus délicate que celle de deux scalaires, car en
plus des non-colinéarités il faut éventuellement mettre en évidence des différences de
norme. Un certain nombre de critères d’erreur répond à ce problème (voir Heylen [23],
Catbas [9]).

C.3.1 Distance relative

Lorsque la norme des modes à comparer est sensiblement identique, un calcul direct
de leur différence est possible. Le caractère adimensionnel du coefficient d’erreur est
obtenu en divisant par la demi-somme des normes :

kyνc − yσm k
dy = 1 (C.9)
2
(kyνc k + kyσm k)

C.3.2 Critère d’assurance modale

Le MAC, modal assurance criterion, permet de traduire la colinéarité des modes à

comparer tout en fournissant un coefficient d’erreur borné :
¡ cT m ¢2
yν yσ
MAC = (C.10)
kyνc k2 kyσm k2

0 6 MAC 6 1 (C.11)

Notons que le MAC vaut 1 quand yνc = c yσm , avec c scalaire, et 0 quand les vecteurs
sont orthogonaux.

166
 Annexe C. Analyse corrélationnelle des solutions modales

C.3.3 Erreur généralisée

Un facteur d’erreur peut être dérivé de l’expression du MAC en considérant son com-
plémentaire à 1 : s
(yνcT yσm )2 √
dy = 1− 2 2 = 1 − MAC (C.12)
kyνc k kyσm k

0 6 dy 6 1 (C.13)

La racine carrée sert à renforcer l’effet de distance entre les modes fortement colinéaires.

C.3.4 Facteur d’échelle

L’écart de norme entre deux vecteurs peut être évalué par un facteur tel que le MSF,
modal scale factor :
yνcT yσm
MSF = (C.14)
kyσm k2
Notons que la valeur obtenue minimise kyνc − MSF yσm k.

C.3.5 Critère d’assurance modale sur les coordonnées

Le COMAC, coordinate modal assurance criterion, renseigne sur la corrélation des
modes appariés pour chaque degré de liberté i :
hP i2
c m
ν,σ (yν (i) yσ (i))
COMAC (i) = P 2 P 2 (C.15)
c m
ν [yν (i)] σ [yσ (i)]

Le nombre de termes dans les sommations est égal au nombre de paires de modes
révélées par la procédure d’appariage, le COMAC vaut 1 à chaque ddl s’il n’y a qu’une
seule paire. Pratiquement, il est nécessaire d’être prudent en ce qui concerne la nor-
malisation des modes car le COMAC est sensible aux différences d’échelle, le MSF est
alors un moyen de minimiser cet effet en ramenant les modes appariés à une norme
proche.

167
 RÉSUMÉ

Identification paramétrique de grandes structures : réanalyse et méthode évolutionnaire

Les travaux présentés dans ce mémoire ont pour Deuxième partie : Application d’une méthode
objectif d’apporter une contribution au domaine de évolutionnaire d’optimisation au recalage de
l’élastodynamique linéaire et plus particulièrement modèles
aux méthodes dites de recalage chargées de Dans cette partie, on propose d’adapter une
réconcilier le modèle analytique d’une structure méthode évolutionnaire au problème de
avec les données expérimentales. Les techniques l’identification paramétrique. Inspiré par les
proposées, en matière de réanalyse et principes d’évolution des algorithmes génétiques,
d’identification paramétrique, sont susceptibles son fonctionnement repose sur l’information
d’être appliquées à des modèles industriels de fournie par une fonction coût représentant la
grande taille. distance entre un modèle recalé et la structure
réelle. Des opérateurs heuristiques sont introduits
Première partie : Étude de méthodes de réanalyse afin de favoriser la recherche des solutions qui
approchée de structures mécaniques modifiées minimisent la fonction.
Lorsque les paramètres de conception du modèle
varient, il est nécessaire d’effectuer une réanalyse Troisième partie : Logiciel Proto–Dynamique
afin d’obtenir les solutions propres (modes et Cette partie vise à présenter l’environnement de
fréquences) du système modifié. Une stratégie de travail qui a servi à programmer les techniques
réanalyse approchée de type Rayleigh-Ritz est formulées dans le mémoire et à réaliser les tests
présentée : elle est plus rapide et moins coûteuse numériques. Proto, écrit en langage Matlab, est une
qu’une réanalyse exacte, tout en offrant une plate-forme de développement regroupant des
précision satisfaisante grâce à l’apport des vecteurs outils d’analyse et des méthodes de recalage.
de résidus statiques.

ABSTRACT

Parametric identification of large structures : reanalysis and evolutionary programming

The main objective of the present research works is Second part : Implementation of a forward
to propose a contribution in the elastodynamic estimation procedure for model updating based
domain by addressing the updating methods. The on genetic algorithms
innovations proposed here lie in the formulation of We propose to adapt an evolutionary computation
strategies for the reanalysis and parametric method to the parametric identification of large
identification problems, practicable for large models. Given a cost function (eg model-structure
industrial models. distances), the procedure is able to search
throughout the parameter space. Additional
First part : Approximate reanalysis algorithms heuristic mechanisms are added to localize minima.
When design parameter values are modified, it is
necessary to recalculate the output behavior Third part : Proto–Dynamique software
(eigenvalues and modes) of the new model, but This part has for objective to present the
large industrial models preclude the exact environment which allowed to develop the
reanalysis. Our strategy is based on the Rayleigh- techniques and to perform the numerical tests.
Ritz method and includes the contribution of the Proto is a Matlab application and is organized as an
static residual vectors. These terms improve the opened platform containing a various number of
precision of the predicted eigensolutions. analysis tools and updating methods.

UNIVERSITÉ DE FRANCHE–COMTÉ • U.F.R. DES SCIENCES ET TECHNIQUES

Laboratoire de Mécanique Appliquée R.Chaléat
Unité Mixte de Recherche • CNRS Université
24 rue de l’Épitaphe
25000 BESANÇON