Définition du plan de criblage ou screening
Métamodèles et applications industrielles

BM5033 v1 Article de référence

Définition du plan de criblage ou screening
Métamodèles et applications industrielles

Auteur(s) : Abdelkhalak EL HAMI

Date de publication : 10 juin 2025 | Read in English

Cet article est réservé aux abonnés

Pour explorer cet article plus en profondeur Consulter l'extrait gratuit

Déjà abonné ?Se connecter

Présentation

1 - Notion de métamodèle

Quiz d'entraînement

2 - Définition du plan de criblage ou screening

3 - Création du plan d’expérience

3.1 - Plans centraux composites

Tableau 1 Tableau 2 Tableau 3
3.2 - Plans de Box et Behnken

Tableau 4
3.3 - Plans D-optimaux
3.4 - Plans de Doehlert

Tableau 5
3.5 - Plan hypercube latin
- Quiz d'entraînement
Tableau 6

4 - Modélisation de la surface de réponse

4.1 - Régression PLS

Tableau 7
4.2 - Krigeage

Figure 7 - Exemple graphique
4.3 - Comparaison des modèles
- Quiz d'entraînement
Tableau 8

5 - Analyse de sensibilité du modèle

5.1 - Principe
5.2 - Application à un modèle de krigeage

Figure 9 - Indice total de Sobol

6 - Méthode probabiliste basée sur les métamodèles pour l’évaluation de la fiabilité

7 - Application à un boîtier à échelle de puce (CSP)

7.1 - Introduction
7.2 - Description du packaging CSP étudié

Figure 17 - Boîtier T-CSP
7.3 - Simulation déterministe par MEF du CSP

Tableau 9
7.4 - Propriétés des matériaux

Tableau 10 Tableau 11 Tableau 12 Tableau 13 Tableau 14
7.5 - Modèle de prédiction de la durée de vie de fatigue

Figure 20 - Cycle de température Tableau 15
7.6 - Résultats déterministes et discussion

Tableau 16
7.7 - Incertitudes dans les T-CSP

Tableau 17
7.8 - Validation du métamodèle
7.9 - Simulation de Monte-Carlo basée sur le métamodèle
- Quiz d'entraînement

8 - Analyse d’incertitudes basée sur des métamodèles pour la micro-pompe

8.1 - Introduction
8.2 - Description du micro-actionneur en AMF
8.3 - Simulation numérique de l’actionneur en AMF

Tableau 18
8.4 - Résultats déterministes et discussion
8.5 - Analyse d’incertitude proposée basée sur un métamodèle

Tableau 19 Tableau 20

9 - Conclusion

10 - Glossaire

Bibliographie & annexes

Présentation

RÉSUMÉ

Pour obtenir une solution numérique en calcul des structures, on utilise généralement une approximation par éléments finis. Parfois, la prévision du comportement d’un système peut être difficile à cause des incertitudes. La prise en compte de ces dernières dans l’analyse est un domaine complexe qui comprend l’identification et la modélisation des sources d’incertitudes, leur propagation et le post-traitement pour mesurer leur influence sur le comportement général. Cet article s’intéresse à la modélisation probabiliste en mécanique en utilisant des métamodèles et propose des modèles robustes tenant compte des aléas : propriétés des matériaux, conditions aux limites et chargement et des applications industrielles.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

Auteur(s)

Abdelkhalak EL HAMI : Professeur des universités - LMN, INSA Rouen Normandie, France

INTRODUCTION

La simulation par éléments finis est un outil précieux pour estimer le comportement de systèmes mécaniques. Cependant, les incertitudes liées à ces systèmes (matériaux, géométrie, conditions, etc.) complexifient considérablement les prévisions. Pour améliorer la fiabilité des simulations, les chercheurs s'intéressent de plus en plus à la modélisation probabiliste, qui permet de prendre en compte la variabilité inhérente à ces systèmes.

La précision numérique et le contrôle d’erreur ont été utilisés dans des simulations pour des réponses dynamiques de structures. Parmi ces méthodes probabilistes, la plus fréquemment utilisée est l’approche statistique ou la technique d’échantillonnage, comme Monte-Carlo. Dans cette méthode, un grand nombre d’échantillons de variables d’entrée est requis pour une précision raisonnable. Le problème est alors résolu pour chaque réalisation. Cette technique est largement utilisée car elle est la plus facile à mettre en œuvre et très robuste. Toutefois, le nombre de réalisations doit être suffisant, c’est-à-dire que des FES déterministes de 10⁵ ou de 10⁶ doivent être exécutées afin d’obtenir des résultats précis.

En règle générale, lorsqu’on utilise des codes de simulation coûteux en calcul dans des problèmes d’ingénierie complexes, il devient peu pratique d’effectuer un grand nombre de simulations pour la quantification de l’incertitude ou l’optimisation de la conception. Une meilleure alternative consiste à utiliser des approximations des modèles originaux, souvent appelées métamodèles (ou modèles de substitution). Ces métamodèles visent à construire les modèles mathématiques afin de définir la relation entre les entrées et les sorties de systèmes spécifiques. Les modèles de substitution ont été principalement développés pour approximer les simulations déterministes. Les développements récents ont exploré leur utilisation dans l’analyse probabiliste et l’optimisation de la conception. Les méthodes de métamodélisation les plus populaires sont la méthodologie de surface de réponse polynomiale (PRS), le krigeage, la fonction de base radiale (RBF) et les machines à vecteurs de support (SVM).

Dans cet article, on présente des méthodes qui permettent d’écarter de la modélisation les facteurs n’ayant pas de poids sur la modélisation. Une fois cette sélection réalisée, on présente les plans d’expériences pour surface de réponse numérique, les plans de Doehlert et les plans Latin Hypercube. Après déroulement du plan d’expériences, on ajuste une surface de réponse sur la réalisation des essais par l’intermédiaire de régression PLS ou par krigeage. Une analyse de sensibilité est réalisée afin de connaître les facteurs qui apportent le plus de variabilité à la réponse. Une méthode de conception robuste par compensation de facteurs est ensuite appliquée, puis illustrée dans un système mécatronique.

On présente trois applications des métamodèles : analyse des sensibilités, étude d’un système mécatronique et étude d’un actionneur en alliage à mémoire de forme.

Le lecteur trouvera en fin d’article un glossaire des termes utilisés.

Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.

Pour explorer cet article Consulter l'extrait gratuit

Déjà abonné ? Se connecter

MOTS-CLÉS

Incertitudes méthodes des éléments finis métamodèle

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-bm5033

Lecture en cours
Présentation

Page
suivante

Création du plan d’expérience

Article inclus dans l'offre

"Fonctions et composants mécaniques"

(212 articles)

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques.

Des contenus enrichis

Quiz, médias, tableaux, formules, vidéos, etc.

Des modules pratiques

Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.

Des avantages inclus

Un ensemble de services exclusifs en complément des ressources.

Voir l'offre

2. Définition du plan de criblage ou screening

La technique du screening permet de déterminer les éléments influents dans un ensemble initial de facteurs. Il s’agit d’un procédé de sélection ou de criblage. De manière générale, toute variation de facteur induit des modifications des valeurs de la réponse. Cela est vrai pour tous les facteurs, mais à des échelles différentes. On compare les variations de la réponse suscitée par deux sources :

les variations du facteur étudié ;
les variations de grandeurs considérées comme n’ayant pas d’effet sur la réponse (bruit).

On effectue un test statistique permettant de rejeter ou non l’hypothèse selon laquelle le facteur n’induit pas de variations de la réponse significativement plus importantes que celles engendrées par le bruit. De manière équivalente, un facteur est jugé influent (ou déterminant) si son action sur la réponse étudiée est statistiquement supérieure à un certain niveau fixé par l’expérimentateur.

Par extension, le criblage permet de classer les facteurs entre eux, relativement à leur influence propre. Cette technique permet d’avancer dans la compréhension de tout système. Elle donne la possibilité de ne retenir que les grandeurs dignes d’intérêt. L’expérimentateur a tout intérêt à tester l’influence d’un grand nombre de facteurs, même s’il présuppose que certaines grandeurs ne sont pas influentes.

Pour tester l’influence d’une variable sur une autre, deux expériences suffisent. On fait varier la première avec le maximum d’amplitude, de sa borne inférieure à sa borne supérieure. On relève ensuite les deux valeurs correspondantes de la deuxième variable (la réponse en général). Cette stratégie est la plus couramment employée.

Lorsque plusieurs facteurs interviennent, l’application du principe statistique d’orthogonalité conduit à répéter l’opération précédente pour chacune des variables, lorsque les autres sont fixées successivement à leurs 2 valeurs possibles. Pour k facteurs, cela représente 2^k expériences à réaliser. Ce processus calculatoire correspond au plan factoriel complet. Le principal inconvénient d’une telle méthode réside dans le nombre d’expériences nécessaires, vite dissuasif lorsque k devient important. Cependant,...

Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.