Optimisation fiabiliste des structures : méthodes et applications au contrôle des vibrations

Abstract

En conception de produits ou de systèmes, les approches d'optimisation déterministe sont de nos jours largement utilisées. Toutefois, ces approches ne tiennent pas compte des incertitudes inhérentes aux modèles utilises, ce qui peut parfois aboutir à des solutions non fiables. Il convient alors de s'intéresser aux approches d'optimisation stochastiques. Les approches de conception robuste à base d'optimisation stochastique (Reliablity Based Robust Design Optimization, RBRDO) tiennent compte des incertitudes lors de l'optimisation au travers d'une boucle supplémentaire d'analyse des incertitudes(Uncertainty Anlysis, UA). Pour la plupart des applications pratiques, l'UA est réalisée par une simulation de type Monte Carlo (Monte Carlo Simulation, MCS) combinée avec l’analyse structurale. L'inconvénient majeur de ce type d'approche réside dans le coût de calcul qui se révèle être prohibitif. Par conséquent, nous nous sommes intéressés dans nos travaux aux développements de méthodologies efficaces pour la mise en place de RBRDO s'appuyant sur une analyse MCS. Nous présentons une méthode d'UA s'appuyant sur une analyse MCS dans laquelle la réponse aléatoire est approximée sur une base du chaos polynomial (Polynomial Chaos Expansion, PCE). Ainsi, l'efficacité de l'UA est grandement améliorée en évitant une trop grande répétition des analyses structurales. Malheureusement, cette approche n'est pas pertinente dans le cadre de problèmes en grande dimension, par exemple pour des applications en dynamique. Nous proposons ainsi d'approximer la réponse dynamique en ne tenant compte que de la résolution aux valeurs propres aléatoires. De cette façon, seuls les paramètres structuraux aléatoires apparaissent dans le PCE. Pour traiter le problème du mélange des modes dans notre approche, nous nous sommes appuyés sur le facteur MAC qui permet de le quantifier. Nous avons développé une méthode univariable permettant de verifier quelle variable générait un mélange de modes de manière à le réduire ou le supprimer. Par la suite, nous présentons une approche de RBRDO séquentielle pour améliorer l'efficacité et éviter les problèmes de non-convergence présents dans les approches de RBRDO. Dans notre approche, nous avons étendu la stratégie séquentielle classique, visant principalement à découpler l'analyse de fiabilité de la procédure d'optimisation, en séparant l'évaluation des moments de la boucle d'optimisation. Nous avons utilisé une approximation exponentielle locale autour du point de conception courant pour construire des objectifs déterministes équivalents ainsi que des contraintes stochastiques. De manière à obtenir les différents coefficients pour notre approximation, nous avons développé une analyse de sensibilité de la robustesse basée sur une distribution auxiliaire ainsi qu'une analyse de sensibilité des moments basée sur l'approche PCE. Nous montrons la pertinence ainsi que l'efficacité des approches proposées au travers de différents exemples numériques. Nous appliquons ensuite notre approche de RBRDO pour la conception d'un amortisseur dans le domaine du contrôle passif vibratoire d'une structure présentant des grandeurs aléatoires. Les résultats obtenus par notre approche permettent non seulement de réduire la variabilité de la réponse, mais aussi de mieux contrôler l'amplitude de la réponse au travers d'un seuil choisi par avance.

Cite this work

No public copy is stored for this record, so only the metadata is cited.

Stored only when both papers are in the corpus — 6 citations exist upstream.

Papers that cite the same references — the relational fallback while embeddings are still backfilling.