These E Gildemyn

N: 2008 ENAM 0019
cole doctorale n 432 : Sciences des Mtiers de lIngnieur

T H S E

pour obtenir le grade de
Docteur
de
lcole Nationale Suprieure d'Arts et Mtiers
Spcialit Mcanique Matriaux
Jury :

M. Jean-Claude GLIN, Professeur, ENSMM, Besanon................................................................ Prsident
M. Grard BERNHART, Professeur, CROMeP, cole des Mines, Albi ................................ Rapporteur
M. Guillaume RACINEUX, Professeur, cole Centrale de Nantes ............................................................. Rapporteur
M. Philippe DAL SANTO, PRAG HDR, LPMI, ENSAM, Angers ............................................................. Examinateur
M. Lionel FOURMENT, CR1 HDR, CEMEF, cole des Mines de Paris................................ Examinateur
M. Alain POTIRON, Professeur mrite, LPMI, ENSAM, Angers ............................................................. Examinateur
M. Serge BOUDE, Docteur, LPMI, ENSAM, Angers ................................................................ Invit
M. Bertrand MOUTAULT, Directeur secteur automobile, DEVILL S.A., Baug ................................ Invit

Laboratoire Procds Matriaux Instrumentation
E.R.T. 1055 "ENDOFORM"
ENSAM, CER d'Angers

LENSAM est un Grand Etablissement dpendant du Ministre de lEducation Nationale, compos de huit centres :
AIX-EN-PROVENCE ANGERS BORDEAUX CHLONS-EN-CHAMPAGNE CLUNY LILLE METZ PARIS

prsente et soutenue publiquement
par
ric GILDEMYN
le 19 novembre 2008

CARACTERISATION DES PROCEDES DE FABRICATION DE
PIECES DE SECURITE AUTOMOBILE. OPTIMISATION
MULTIOBJECTIFS DE LA MISE EN FORME

Directeur de thse : Alain POTIRON

Co-encadrement de la thse : Philippe DAL SANTO

N: 2008 ENAM 0019

cole doctorale n 432 : Sciences des Mtiers de lIngnieur

T H S E

pour obtenir le grade de
Docteur
de
lcole Nationale Suprieure d'Arts et Mtiers
Spcialit Mcanique Matriaux
Jury :

M. Jean-Claude GLIN, Professeur, ENSMM, Besanon................................................................ Prsident
M. Grard BERNHART, Professeur, CROMeP, cole des Mines, Albi ................................ Rapporteur
M. Guillaume RACINEUX, Professeur, cole Centrale de Nantes ............................................................. Rapporteur
M. Philippe DAL SANTO, PRAG HDR, LPMI, ENSAM, Angers ............................................................. Examinateur
M. Lionel FOURMENT, CR1 HDR, CEMEF, cole des Mines de Paris................................ Examinateur
M. Alain POTIRON, Professeur mrite, LPMI, ENSAM, Angers ............................................................. Examinateur
M. Serge BOUDE, Docteur, LPMI, ENSAM, Angers ................................................................ Invit
M. Bertrand MOUTAULT, Directeur secteur automobile, DEVILL S.A., Baug ................................ Invit

Laboratoire Procds Matriaux Instrumentation
E.R.T. 1055 "ENDOFORM"
ENSAM, CER d'Angers

LENSAM est un Grand Etablissement dpendant du Ministre de lEducation Nationale, compos de huit centres :
AIX-EN-PROVENCE ANGERS BORDEAUX CHLONS-EN-CHAMPAGNE CLUNY LILLE METZ PARIS

prsente et soutenue publiquement
par
ric GILDEMYN
le 19 novembre 2008


Directeur de thse : Alain POTIRON

Co-encadrement de la thse : Philippe DAL SANTO

Si le fou persistait dans sa folie, il deviendrait sage
William BLAKE

Remerciements

Ce travail de thse a t effectu dans le cadre dun contrat CIFRE accord par
lAgence Nationale de la Recherche et de la Technologie. Ce contrat a t conclu en
collaboration avec lentreprise DEVILL S.A. et lquipe de Recherche Technologique
1055 ENDOFORM du Laboratoire Procds Matriaux Instrumentation des Arts et
Mtiers ParisTech.

Je tiens, dans un premier temps, remercier Mrs Antoine DEVILL, prsident du
directoire de lentreprise DEVILL S.A. et Marian RESZKA ancien Directeur de
lENSAM dAngers de mavoir accueilli dans leurs tablissements respectifs pour
mener bien ce travail. Je remercie galement Monsieur Bernard MOREIRA-MIGUEL,
actuel directeur du centre des Arts et Mtiers ParisTech dAngers.

Dans un second temps, je remercie Mr Jean-Claude GLIN davoir bien voulu
prsider mon jury de thse, Mrs Grard BERNHART et Guillaume RACINEUX davoir
accept dtre rapporteurs sur ce travail et Mr Lionel FOURMENT davoir bien voulu
tre examinateur dans mon jury.

Je remercie tout particulirement Mr Alain POTIRON pour avoir dirig ces
travaux, ainsi que Mr Philippe DAL SANTO pour les avoir codirigs. Jexprime ici
toute ma gratitude Mme Delphine SADANE pour avoir encadr ces travaux pour
lentreprise DEVILL S.A.

Jai t trs sensible, pendant ces trois ans, au suivi quont pu effectuer Mr
Bertrand MOUTAULT, Directeur du secteur composant de lentreprise DEVILL S.A.
et Mr Herv VIMONT, Directeur technique.

Je suis trs reconnaissant envers Mr Jean-Lou LEBRUN responsable de lERT
ENDOFORM , envers Mrs Serge BOUDE, Daniel BADIE-LEVET et Franck MOREL,
professeurs lENSAM dAngers pour laide quils mont apport lors de mes travaux.
Un grand remerciement Mme Anne MOREL pour son soutien et son aide,
notamment sur quelques prsentations.

Un grand merci toute lquipe de lENSAM dAngers : Alexandre, Ali, Anis,
Camille, Cdric, Cyril, Danny, Etienne, Gunal, Huyen, Imade, Malek, Pierre, Riadh,
Tarek qui mont soutenu, encourag, log parfois et beaucoup appris pendant trois
ans.

Je noublie pas de remercier lensemble des techniciens de lENSAM : Claude,
Daniel, Giles, Sbastien, Xavier,

Je remercie, de plus, Mme Elsa LEMOINE-TROTESEIL, Mme Batrice LENEZET
et Mme Batrice FERAMUS pour stre occup du ct administratif lentreprise.

Je finirai par remercier ceux sans qui ce travail naurait jamais pu avoir lieu, mes
Parents qui nont eu de cesse de me soutenir et envers qui je tiens exprimer la plus
grande gratitude tant je suis conscient des nombreux sacrifices quils ont eu faire
pendant toutes ces annes. Merci ma Sur Hlne, Frdric, Antoine et lisa pour
leur soutien depuis toujours. Merci ma chre Aurlie de mavoir support et appuy
pendant ces trois longues annes. Merci Nicolas, Arnaud, Sandra, Justin et lisa.

Table des matires

Introduction----------------------------------------------------------------------------------------- 1
CHAPITRE I tat de l'Art ----------------------------------------------------------------------- 3
I.1. Introduction----------------------------------------------------------------------------------- 3
I.2. Bilan de l'existant ---------------------------------------------------------------------------- 3
I.2.1. Problmatique industrielle------------------------------------------------------------------------------3
I.2.2. Procds de fabrication tudis ------------------------------------------------------------------------5
I.2.3. Mthodes d'optimisation en mise en forme-------------------------------------------------------- 13
I.3. Conclusion et objectifs de la thse ------------------------------------------------------ 15
CHAPITRE II Les Matriaux et leur modlisation ----------------------------------------17
II.1. Introduction--------------------------------------------------------------------------------- 17
II.2. Les matriaux utiliss --------------------------------------------------------------------- 17
II.2.1. Les aciers Haute Limite d'lasticit----------------------------------------------------------- 17
II.2.2. Recherche prospective----------------------------------------------------------------------------- 19
II.3. La plasticit --------------------------------------------------------------------------------- 21
II.3.1. Modles mcaniques------------------------------------------------------------------------------- 21
II.3.2. Les critres dcoulement plastique------------------------------------------------------------- 22
II.3.3. crouissage isotrope ------------------------------------------------------------------------------- 26
II.3.4. crouissage cinmatique -------------------------------------------------------------------------- 32
II.3.5. crouissage mixte ---------------------------------------------------------------------------------- 34
II.3.6. Comportement viscoplastique-------------------------------------------------------------------- 34
II.4. Modles d'endommagement-------------------------------------------------------------- 38
II.4.1. Modle de Lematre Chaboche ---------------------------------------------------------------- 38
II.4.2. Modle de Gurson Tvergaard Needleman------------------------------------------------- 41
II.5. Conclusion----------------------------------------------------------------------------------- 45
CHAPITRE III Procd de rayonnage -------------------------------------------------------46
III.1. Introduction--------------------------------------------------------------------------------- 46
III.2. Aspect exprimental ----------------------------------------------------------------------- 47
III.2.1. Reproduction du procd en laboratoire-------------------------------------------------------- 47
III.2.2. Microstructure et Microduret ------------------------------------------------------------------- 48
III.2.3. Contraintes rsiduelles ---------------------------------------------------------------------------- 50
III.3. Aspect numrique-------------------------------------------------------------------------- 54
III.3.1. Modle numrique --------------------------------------------------------------------------------- 54
III.3.2. Rsultats de la simulation Validation--------------------------------------------------------- 55
III.4. Conclusion----------------------------------------------------------------------------------- 59
CHAPITRE IV Mthodes d'Optimisation et d'Approximation. Gnralits.-----------60
IV.1. Introduction--------------------------------------------------------------------------------- 60
IV.2. Bibliographie Gnralits -------------------------------------------------------------- 61
IV.2.1. Mthodes classiques ------------------------------------------------------------------------------- 61
IV.2.2. Les algorithmes gntiques ----------------------------------------------------------------------- 67
IV.2.3. Les rseaux de neurones artificiels (RNA)----------------------------------------------------- 74
IV.2.4. Les surfaces de rponses -------------------------------------------------------------------------- 81
IV.3. Choix des mthodes utilises ------------------------------------------------------------- 82
IV.3.1. Choix d'un algorithme gntique appropri---------------------------------------------------- 82
IV.3.2. Les Rseaux de Neurones------------------------------------------------------------------------- 90
IV.4. Conclusion----------------------------------------------------------------------------------- 95

CHAPITRE V Conception des modles numriques ---------------------------------------96
V.1. Introduction--------------------------------------------------------------------------------- 96
V.2. Phase de conception ----------------------------------------------------------------------- 96
V.2.1. Paramtrage de la pice --------------------------------------------------------------------------- 96
V.2.2. Paramtrage du poinon de rayonnage --------------------------------------------------------- 99
V.3. Simulation numrique des procds--------------------------------------------------- 100
V.3.1. Implmentation de l'endommagement selon Lematre Chaboche ----------------------100
V.3.2. Procd de dcoupe -------------------------------------------------------------------------------103
V.3.3. Procd de rayonnage ----------------------------------------------------------------------------104
V.3.4. Procd de pliage----------------------------------------------------------------------------------106
V.3.5. Dpliage en traction-------------------------------------------------------------------------------108
V.3.6. Squence de simulation et scripts---------------------------------------------------------------109
V.4. Couplage Principe ---------------------------------------------------------------------- 110
V.5. Conclusion---------------------------------------------------------------------------------- 112
CHAPITRE VI Analyse et Validation------------------------------------------------------- 113
VI.1. Introduction-------------------------------------------------------------------------------- 113
VI.2. Utilisation des mthodes d'optimisation pour la mthode inverse --------------- 113
VI.2.1. Objectif de ltude---------------------------------------------------------------------------------113
VI.2.2. Paramtres identifier----------------------------------------------------------------------------114
VI.2.3. Principe ---------------------------------------------------------------------------------------------114
VI.2.4. Courbes exprimentales --------------------------------------------------------------------------116
VI.2.5. Algorithmes ----------------------------------------------------------------------------------------117
VI.2.6. Rsultats obtenus ----------------------------------------------------------------------------------118
VI.2.7. Bilan -------------------------------------------------------------------------------------------------122
VI.3. Optimisation de la ferrure dancrage de ceinture de scurit -------------------- 122
VI.3.1. Objectif de l'tude ---------------------------------------------------------------------------------122
VI.3.2. Premier cas d'tude--------------------------------------------------------------------------------122
VI.3.3. Deuxime cas d'tude-----------------------------------------------------------------------------127
VI.3.4. Approximation par rseaux de neurones ------------------------------------------------------128
VI.3.5. Bilan -------------------------------------------------------------------------------------------------130
VI.4. Conclusion---------------------------------------------------------------------------------- 131
Conclusion et Perspectives -------------------------------------------------------------------- 132
Rfrences bibliographiques------------------------------------------------------------------ 135
Liste des figures --------------------------------------------------------------------------------- 140
Liste des tableaux ------------------------------------------------------------------------------- 143
Annexes------------------------------------------------------------------------------------------- 144
Notations principales

A% Allongement relatif rupture
r
Coefficient de Lankford pour l'angle de prlvement

Coefficient de frottement de la loi de Coulomb
E
0
Module d'lasticit du matriau vierge
E Module d'lasticit du matriau
Coefficient de Poisson
f Taux de porosits volumique
Fonction de charge
Tenseur des contraintes de Cauchy
J
1
, J
2
Invariants du tenseur des contraintes
s Tenseur dviateur des contraintes
C
el
Tenseur de rigidit lastique
el
Tenseur des dformations lastiques
pl
Tenseur des dformations plastiques
e0
Seuil d'coulement plastique du matriau vierge
e
Seuil d'coulement plastique du matriau
eq
Contrainte quivalente au sens de Von Mises
H
Contrainte hydrostatique
m
Contrainte maximale en traction uniaxiale
oc
Contrainte de cisaillement octadrale
pl
Dformation plastique quivalente
( )
pl
R Variable interne d'crouissage isotrope
r Variable associe l'crouissage isotrope
K Module d'crouissage isotrope
n Exposant des lois d'crouissage isotrope de Ludwick et Hollomon
C
s
Coefficient de la loi d'crouissage isotrope de Swift
Coefficient de la loi d'crouissage isotrope de Voce
Q
0
Valeur de saturation de l'crouissage isotrope de Voce
Matrice d'anisotropie plastique de Hill
X Variable interne d'crouissage cinmatique
Variable associe l'crouissage cinmatique
C Module d'crouissage cinmatique linaire
D Variable scalaire du dommage isotrope de Lematre-Chaboche
Y Variable associe au dommage isotrope
Contrainte effective
Incrment du correcteur plastique de Lagrange

*
D
Potentiel de dissipation du dommage
H
G
Pente de la loi de dommage de Lematre-Chaboche
D
c
Valeur critique du dommage rupture
D
Valeur de dformation seuil d'endommagement
R
Valeur de dformation rupture
g f = Gradient de la fonction f
( ) J x Matrice Jacobienne de la fonction f au point x
( ) H x Matrice Hessienne de la fonction f au point x

1
Introduction
Les constructeurs automobiles sont aujourd'hui confronts d'une part une
hausse des prix des diffrentes matires premires ncessaires la fabrication d'une
voiture, et d'autre part la ncessit de dvelopper des vhicules propres. Ce dernier
point passe par le dveloppement de nouvelles technologies pour la motricit mais
galement par l'allgement de la voiture et de ce fait des pices dont elle est constitue.
Ce contexte conduit une hausse du cot de revient d'un vhicule. C'est pour cette
raison que les constructeurs cherchent aujourd'hui concevoir des produits qui
permettent de conserver ou de dvelopper les caractristiques actuelles tout en
rduisant le cot et la masse.

DEVILL S.A. est un quipementier automobile de rang 1 et 2 spcialis dans les
pices de scurit, notamment les ferrures d'ancrage et les renvois de ceintures de
scurit, mais aussi les enveloppes d'airbags. L'entreprise travaille en troite
collaboration avec les diffrents acteurs du secteur automobile et cherche proposer
ses clients de nouveaux produits moins coteux et rpondant aux exigences du march
international. Dans ce cadre, l'entreprise travaille avec l'ENSAM d'Angers depuis plus
de 25 ans sur des problmatiques diverses et les deux tablissements ont sign en 1986
un contrat d'assistance permanent. En 2005, le lien entre l'entreprise et l'ENSAM s'est
toff avec la mise en place d'une quipe de Recherche Technologique (ERT 1055
"ENDOFORM") sur la thmatique "ENDOmmagement en mise en FORme de Matriaux
hautes caractristiques mcaniques ; Fiabilisation de pices de scurit et des outillages
associs". L'objectif de cette ERT tant de fournir un outil numrique l'entreprise lui
permettant la fois de prdire le comportement de la pice l'usage tout en prenant en
compte les contraintes induites par sa mise en forme, mais aussi d'optimiser l'ensemble
du processus en ajustant les paramtres de forme, du matriau et des procds. C'est
dans ce cadre que se situe cette thse.

Le support d'tude fourni par l'entreprise est une ferrure d'ancrage de ceinture
de scurit automobile. Cette pice est utilise pour le maintien de la ceinture de
scurit et est directement fixe sur le chssis de l'automobile. L'outil numrique doit
nanmoins tre transposable l'tude de plusieurs gammes de pices.

Plusieurs disciplines interviennent dans la ralisation de cette tche. Les aspects
Mcaniques et Matriaux et plus particulirement la mcanique des milieux continus
constituent le cur de la comprhension des phnomnes mis en jeu. Cet aspect
prendra notamment place ici dans la caractrisation des matriaux utiliss pour la
fabrication des pices. La comprhension des mthodes d'optimisation sera galement
un enjeu majeur la russite de ce projet. Cet aspect implique de matriser les langages
de dveloppement avec lesquels sont programmes ces mthodes. Enfin, la matrise
des logiciels de conception et de calcul par lments finis est galement indispensable
pour le couplage avec les mthodes d'optimisation.
Introduction

2

Dans un premier chapitre, nous tudions l'tat de l'art concernant les diffrents
aspects cits plus haut, la fois dans la communaut internationale, mais aussi au sein
de l'quipe de travail du laboratoire LPMI (Laboratoire Procds Matriaux
Instrumentation EA 1427) de l'ENSAM d'Angers. Nous procdons galement dans ce
chapitre une revue des procds de fabrication dj tudis et dtaillons les objectifs
de ces travaux de thse.

Le second chapitre est pour sa part consacr la caractrisation de paramtres
lis des lois de comportement et d'endommagement pour deux aciers Haute Limite
d'lasticit : le S500MC aujourd'hui utilis pour la fabrication de la pice et le S420MC
trs proche du S500MC en terme de caractristiques mcaniques.
Nous proposons dans ce chapitre des perspectives d'volution concernant les
matriaux utiliss par une tude bibliographique des proprits connues de matriaux
plus rcemment dvelopps par les aciristes et prsentant des caractristiques
intressantes.

Ensuite, nous prsentons l'tude prliminaire du procd de rayonnage des
artes de dcoupe dans le troisime chapitre. Nous tudions notamment l'influence du
procd en utilisant un outil spcialement conu pour reproduire le rayonnage sur des
prouvettes. L'crouissage induit par le procd sera mis en vidence par des analyses
de contraintes rsiduelles et par des mesures de microduret. Une comparaison est
expose avec la simulation par la mthode des lments finis du rayonnage d'une
prouvette.

Le quatrime chapitre propose une tude bibliographique des mthodes
d'optimisation aujourd'hui utilises dans les diffrentes problmatiques de mise en
forme ainsi qu'une justification des mthodes choisies dans notre cas et des rglages
associs.

Les modles numriques utiliss sont prciss dans le chapitre 5. Nous
prsentons notamment l'utilisation de fichiers script pour le couplage des logiciels de
CAO et de simulation numrique. Le paramtrage de la pice et des outils utiliss pour
la simulation des procds est explicit. Les conditions limites ainsi que les lments
utiliss lors de la simulation des procds sont indiqus et l'implmentation du modle
d'endommagement de Lematre-Chaboche est galement dtaille.

Enfin, le sixime et dernier chapitre prsente les rsultats obtenus en utilisant
l'outil, dans un premier temps pour l'amlioration de l'identification des paramtres
des lois de comportement, puis pour l'optimisation globale qui constitue l'objectif
principal de cette thse.

La conclusion porte ensuite sur l'intrt et l'efficacit de l'outil obtenu, la suite
de quoi nous proposons des perspectives qui nous semblent en accord avec les
thmatiques que la communaut scientifique internationale propose aujourd'hui.

3
CHAPITRE I
tat de l'Art
I.1. Introduction
Connatre les proprits mcaniques d'une pice aprs sa fabrication est aujourd'hui
essentiel. Si cette tche est trs dlicate en termes d'exprimentation, elle l'est autant en
termes de simulation numrique. S'il n'est pas ncessaire de rappeler que l'volution de
l'informatique a grandement particip dvelopper les possibilits offertes par ces
simulations, il n'en reste pas moins aujourd'hui un grand nombre de zones d'ombre relatives
l'historique des sollicitations que la matire aura subi avant l'utilisation de la pice finale.

Cet historique est en effet ncessaire pour connatre l'tat physique actuel de la pice et
toute la problmatique de l'tude rside dans la prise en compte de l'influence de cet
historique sur le comportement de la pice mise en situation. Cela passe par l'utilisation de
lois de comportement incluant l'endommagement de la matire, de plus en plus complexes
la fois dans leur utilisation et dans leur identification. Aujourd'hui dans le cadre de la mise
en forme des matriaux, les mcaniciens du monde industriel s'orientent vers le couplage de
diffrentes lois permettant de modliser la rponse d'un matriau une gamme de
sollicitations.

C'est dans ce cadre que s'inscrit les travaux de l'quipe de Recherche Technologique
1055 "ENDOFORM" (ENDOmmagement en mise en FORme de Matriaux hautes caractristiques
mcaniques; Fiabilisation de pices de scurit et des outillages associs) labellise sur la base d'un
partenariat entre Arts et Mtiers ParisTech d'Angers et l'entreprise DEVILL S.A.
I.2. Bilan de l'existant
I.2.1. Problmatique industrielle
La scurit est un thme porteur depuis quelques annes sur le march automobile et a
engendr la multiplication et la sophistication des dispositifs lis la protection des
occupants du vhicule, en particulier les airbags et ceintures de scurit. Les exigences de
qualit sur les sous-ensembles classifis R/S (Rglementation Scurit), tels les freins, la
direction, les systmes de retenue de personnes, sont devenues extrmes avec un objectif de
non qualit infrieur 5 pices par million. Tout ceci dans un contexte conomique qui incite
allger et simplifier tous les composants utilisant des alliages ferreux. Pour en avoir une
ide, nous avons repris sur la figure I.1 le graphique de l'volution du prix des aciers de base
jusqu'en 2007 tout en sachant qu'en 2008 leur augmentation sera encore plus grande avec les
demandes des pays dits mergents. Le march europen des systmes de retenue de
personnes est estim environ 75 millions de ceintures de scurit et 30 millions d'airbags, ce
qui suscite la dtermination des industriels tre prsents sur ce secteur.
CHAPITRE I - tat de l'Art

4

Figure I.1 volution du prix de l'acier [Web01]

La socit DEVILL S.A. est une PMI de 600 personnes dont l'usine principale est
situe Baug dans le Maine-et-Loire. Elle fait partie des principaux fabricants europens de
composants mtalliques pour ce march et fabrique notamment les pices suivantes :
- Composants de ceintures de scurit : - Botiers mtalliques dairbags :
Ferrures dancrage Conducteur
Renvois surmouls Passager
Feuillards de boucle Latral
Bases denrouleur Autres en dveloppement
Rglages en hauteur
Divers

Afin de garantir une conformit statistique, 2 pices sur 1000, en moyenne, subissent
des essais destructifs statiques. Un mouton de Charpy permet de simuler un choc
dynamique sur la pice de retenue, qui est le mode de rupture normal d'une pice de
scurit. Si elles sont thoriquement surdimensionnes, le risque de trouver des lots
dfectueux ne peut tre totalement nul. Sachant que le cot du rappel dune srie de 100.000
ferrures serait suprieur 15 Millions dEuros, une fois montes sur les vhicules, l'intrt
qui est port par les fabricants sur la fiabilit des pices qu'ils fournissent l'industrie
automobile est comprhensible.

Les contraintes associes la fabrication des ferrures d'ancrage des ceintures de
scurit, qui sont les pices principalement tudies ici sont lies essentiellement :

- Au matriau : principalement des aciers Hautes Limites d'lasticit (HLE) avec
Re > 500 MPa le plus souvent mais aussi des aciers mi-durs tremps et plus rcemment des
aciers HLE 350 avec Re > 350 MPa.
- son mode dlaboration en acirie : des campagnes dessais sur plusieurs annes
ont montr que les lments daddition utiliss, les modes dlaboration, les types de coule
et les types de laminage ont, rsistance mcanique gale, une influence sur la formabilit et
la rsilience du demi-produit
- son mode de transformation sous presse et l'influence des sollicitations subies
lors de l'laboration des pices.

La matrise de tous ces paramtres constitue aujourdhui un verrou technologique pour
lentreprise qui cherche, dans un march qui se globalise, accrotre ses parts de march
europen.
Il est essentiel pour cela quelle puisse disposer doutils de simulation et de calcul
fiables qui intgrent lendommagement subi par la pice lors de son laboration par
dcoupage, pliage et rayonnage afin doptimiser le composant en terme de fiabilit et de cot
lors des phases de conception puis d'industrialisation.

5
De plus le savoir-faire acquis doit permettre darbitrer entre les diverses gammes
opratoires possibles pour sa fabrication en fonction des caractristiques mcaniques finales
requises.

L'intgration d'algorithmes d'optimisation dans une plateforme logicielle doit
permettre la prise de dcision sur la faisabilit d'une pice envisage par un donneur d'ordre.
Elle doit galement permettre le contrle chaque tape du choix de la solution optimale,
tant du point de vue de la conception que du point de vue du procd.
I.2.2. Procds de fabrication tudis
La pice utilise comme support d'tude ce travail est une ferrure d'ancrage de
ceinture de scurit. Cette ferrure est fabrique par la mise en uvre de trois procds
diffrents : le dcoupage, le rayonnage des artes et le pliage. Elle prsente un trs bon
support d'tude pour l'optimisation de sa forme, du choix des matriaux et des procds. Il
est possible d'observer les diffrentes tapes de fabrication de la pice sur la mise en bande
de la figure I.2. Aprs dbobinage, la bande mtallique passe dans un redresseur rouleaux
puis elle est successivement soumise des dcoupages et des pliages avec un rayonnage des
artes coupantes. Pour mieux comprendre les phnomnes mcaniques auxquels la matire
est soumise, nous allons passer en revue les phases essentielles de la fabrication sous presse.

Figure I.2 Procd de fabrication de la pice
I.2.2.1 Dcoupage
Le procd de dcoupage des tles est trs rpandu dans le monde de l'industrie et
demande un grand savoir faire pour tre parfaitement matris. En effet, la dcoupe influe
sur le respect des diffrentes cotes de la pice, ainsi que sur la tenue de la pice. Le bord de
dcoupe est invitablement le sige de contraintes rsiduelles importantes qui peuvent tre
responsables dun amorage de fissures pouvant conduire la rupture de la pice.

Le procd de dcoupe s'effectue sur presse avec un outillage constitu d'une matrice
(utilise comme contre lame), d'un poinon mobile (utilis comme lame de dcoupe) ainsi
que d'un systme de serre flan utilis pour maintenir la tle en place au moment de la
dcoupe et surtout de la remonte du poinon. En effet, l'opration de dcoupe de tles
soumet les outillages de fortes contraintes qui dtriorent l'outillage dans le temps. L'usure
du poinon est donc moindre si la tle est maintenue lors de sa remonte. Le dispositif est
visible sur la figure I.3 ci-dessous.

6

Figure I.3 Schma de l'outillage de dcoupe

Les donnes prendre en compte lors du procd de dcoupe sont:

L'paisseur de la tle
Le jeu entre le poinon et la matrice
La nature du matriau
La vitesse de descente du poinon
La gomtrie de l'outillage.

Ces paramtres influent la fois sur la qualit du bord dcoup, mais aussi sur la
dgradation de l'outillage dans le temps. Les valeurs optimiser sont la taille de la bavure, la
hauteur de la zone lisse et l'effort maximum du poinon.

Le procd de dcoupe correspond au cisaillement de la tle entre la matrice de
dcoupe et le poinon. Ce cisaillement est suivi d'une dchirure de la tle laissant apparatre
une zone lisse, une zone arrache et une zone bombe comme illustr ci-dessous. Une faon
de modliser cette opration consiste supposer que cest lendommagement de la matire
qui atteignant sa valeur critique amne la rupture du matriau et la propagation de la fissure
rsultante.

L'lment important rsultant de la dcoupe pour ce qui concerne lutilisation
ultrieure de la pice est la bavure. Outre quelle est le sige de contraintes rsiduelles des
plus gnantes, cette bavure peut induire un cart sur les tolrances de la pice et la rendre
impropre lors de son intgration finale au vhicule. La figure I.4 montre les diffrentes zones
prsentes sur un bord de dcoupe daprs R. Hambli [Ham 96].

Figure I.3 Bord de dcoupe [Ham96]

Le comportement de la tle au cours du procd de dcoupe peut tre reprsent par
les diffrentes phases de la figure I.5 qui ont t proposes par Maillard [Mai91].


7
0
200
400
600
800
1000
1200
1400
1600
1800
0 0.5 1 1.5 2
Pntration (mm)
E
f
f
o
r
t

(
d
a
N
)
P
h
a
s
e

1
Phase 2 Phase 3
Phase 4
Phase 5
Effort maximum

Figure I.5 Effort Pntration lors du procd de dcoupe [Mai91]

Ces phases se prsentent ainsi:

Phase 1 : Comportement lastique du matriau
Phase 2 : Comportement lastoplastique du matriau
Phase 3 : Plastification, cisaillement et endommagement du matriau
Phase 4 : Initiation et propagation des fissures
Phase 5 : Expulsion de la pice dcoupe, l'effort est du au frottement entre le
poinon et la tle, la matrice et la pice dcoupe ainsi qu'entre la pice
dcoupe et la tle.

L'influence de ces diffrentes phases sur le bord dcoup peut tre schmatise de la
faon suivante en fonction de la pntration du poinon dans la matire :

Figure I.6 Relation entre aspect du bord dcoup avec l'effort de dcoupe (d'aprs [Ham96])

Le jeu entre poinon et matrice et considr comme dpendant principalement de la
gomtrie de l'outillage et surtout de l'paisseur de la tle. Les fabricants savent par
exprience que le jeu entre la tle et la matrice est le principal facteur qui conditionne une
bonne dcoupe et en gnral ils choisissent la valeur empirique : J = 0,1e ; e tant
l'paisseur de la tle. Les diffrents auteurs [Mar95], [Ham96], parlent le plus souvent de jeu
relatif, dfini comme suit :

100 100
= =
e
R R
e
J
J
p m
R
(I.1)


8
J et J
R
sont respectivement le jeu absolu et le jeu relatif, R
m
et R
p
, le rayon de matrice et
le rayon de poinon.
Afin d'optimiser le jeu de dcoupe, il convient de trouver le couple (Rm ; Rp) qui est
adapt pour une paisseur e et un matriau donns. Il reste nanmoins dfinir ce qu'est un
jeu optimal. Hambli [Ham96] propose dans son travail trois dfinitions du jeu optimal:

Dfinition 1 : Le jeu optimal est le jeu qui permet d'avoir un trajet de
fissuration suivant au mieux le cne reliant les bords tranchants du poinon et
de la matrice
Dfinition 2 : Le jeu optimal est celui qui permet d'obtenir les sollicitations
minimales sur l'outillage
Dfinition 3 : Le jeu optimal correspond au jeu qui donne la hauteur de
bavure rsultante la plus faible.

Il est vident que dans un cas industriel, le jeu optimal est celui qui vrifie au mieux les
dfinitions 2 et 3. Avec gnralement une condition minimum sur la dfinition 3 relative la
hauteur de bavure provenant du cahier des charges. Le jeu optimal sera donc celui qui induit
une bavure suffisamment petite et les sollicitations les plus faibles sur l'outillage. En effet, ces
sollicitations vont gouverner l'usure de l'outillage qui est essentielle pour rduire le cot de
fabrication des pices. Toutefois ces dfinitions ne sont bien sr pas dcouples. En se basant
sur de nombreux essais et sur des simulations numriques Hambli [Ham96] a montr que le
matriau devait tre pris en compte dans le choix du jeu optimal et il propose une relation
permettant d'obtenir le jeu relatif optimal prenant en compte les trois dfinitions
prcdentes :

( )
( )
2
1, 8 exp 1
(%) 100
3, 6 exp
R
op
R
J

=
(

(I.2)

O
R
est la dformation vraie rupture soit :
R
=Ln(A%+1) avec A% l'allongement
relatif rupture lors d'un essai de traction.

Dans la suite de notre travail, lopration de dcoupage sera occulte en ce sens que
nous ngligerons son influence sur le comportement des pices en supposant que les
altrations apportes au matriau restent limites une zone de trs faible dimension au
voisinage des bords. Ainsi, la matire dans la zone fissure ayant t totalement
endommage ne participera pas au comportement global en service.

L'objectif de l'entreprise vis--vis du dcoupage est de constituer une base de donnes
regroupant le jeu de dcoupe idal pour chaque lot de matire, c'est--dire un matriau dans
une paisseur donne (voir V.3.6).
I.2.2.2 Pliage
Le procd de pliage de tles est l'un des procds les plus rpandus dans l'industrie. Il
a fait l'objet d'un grand nombre d'tudes tant sur le plan thorique [Mar02] qu'exprimental
[Mka03] ou numrique [Bah05], ces deux derniers ayant tudi les cas du pliage par tomb de
bord. Cette opration consiste dformer la tle au-del de sa limite d'lasticit, de telle sorte
qu'elle conserve la forme impose par la matrice de pliage.

Il existe plusieurs types de pliage illustrs sur la figure I.7 sur laquelle peuvent tre
distingus le pliage en V, le pliage en U et enfin le pliage par tomb de bord. Cest ce dernier
cas de pliage qui sera retenu dans notre tude.

9

a ) b) c)
Figure I.7 Pliage a) en V b) en U c) en tomb de bord

La raison principale pour laquelle les industriels se proccupent damliorer le procd
de pliage est la prdiction du retour lastique. Ce phnomne conscutif au dchargement
du matriau entrane une redistribution des contraintes rsiduelles dans la pice forme et
une modification de sa forme. La figure I.8 reprsentant la courbe d'crouissage d'un acier,
met en vidence les deux facteurs qui influent sur le retour lastique : le module de Young et
la limite d'coulement. D'une part, plus le module de Young est petit plus le retour lastique
sera important puisque la dformation lui est inversement proportionnelle ; d'autre part,
plus la limite d'lasticit est grande et plus le retour lastique sera grand puisque la
dformation lui est proportionnelle.

Sachant qu'au cours de sa dformation plastique un matriau subit un phnomne dit
d'endommagement, caractris notamment par une perte de rigidit et qui se traduit par
l'affaiblissement de son module d'lasticit. Il est alors prvisible que le retour lastique sera
d'autant plus important que la dformation plastique sera leve.

2
AB CD

Figure I.8 Variations du module de Young et de la limite d'coulement pour un acier

Avec un module de Young lev de l'ordre de 210 GPa, le retour lastique des aciers
sera plus faible que celui obtenu pour la plupart des autres matriaux. Il sera d'autant plus
intressant que la limite d'lasticit du matriau vierge est faible et n'augmente que trs
faiblement avec la dformation plastique et que son module d'lasticit reste peu sensible
l'endommagement.

Le phnomne de retour lastique est illustr schmatiquement sur la figure I.9 dans le
cas d'une poutre soumise un moment flchissant et un effort de traction.

10

Figure I.9 Phnomne du retour lastique [Mei08]

La rpartition des dformations et des contraintes dans ce cas est donne sur la figure
I.10 suivante:

Figure I.10 Distribution des dformations et des contraintes en flexion traction combine [Mei08]

La fibre neutre est dcale et les distributions de contraintes en situation lastique puis
plastique montrent comment la matire est sollicite.

Dans le cas d'une poutre soumise uniquement de la flexion sans traction, la fibre
neutre ne se dcale pas et la distribution des contraintes prend la forme reprsente sur la
figure I.11 suivante dans le cas dun matriau avec une loi d'crouissage de type puissance
[Mar02]:

Figure I.11 Distribution des contraintes en flexion pure

Le retour lastique est souvent caractris par le rapport entre le rayon de pliage avant
retour R sur le rayon aprs retour r (voir Figure I.9). G. Marron et C. Bouchlier [Mar95] ont
montr que les paramtres les plus influents sur le retour lastique sont le jeu entre le
poinon et la matrice et l'paisseur de la tle. Ils ont de plus mis en vidence que le retour
lastique tait minimal pour un rapport jeu/paisseur gal 1. Ce dernier point a fait l'objet
d'une confirmation par R. Bahloul [Bah05a] dans le cas du pliage par tomb de bord faisant
lobjet de notre tude. Dans ce cas, le retour lastique sera dfini par la diffrence :

90 = (I.3)

11

Formule dans laquelle est langle rel de la pice. tant donn l'importance du
phnomne du retour lastique dans la fabrication de pices mtalliques, plusieurs
formulations ont t proposes, dont celle de Gardiner [Gar57] :

3
0 0
0 0
4 3 1
e e
R R R
r e E e E
| | | |
= +
| |
\ \
(I.4)

Avec R le rayon avant retour lastique, r le rayon aprs retour lastique,
e0
la limite
d'lasticit du matriau vierge, E
0
le module de Young du matriau vierge et e l'paisseur de
la tle. Mais comme l'ont fait remarquer Marron et Bouchlier [Mar95], cette formule ne
prend en compte que la limite d'lasticit du matriau vierge et le module de Young du
matriau vierge. La formule propose par Queener [Que68] rend mieux compte du
comportement plastique en intgrant dans sa formulation la loi d'crouissage du matriau.
Elle scrit :

( )
( )
( )
2
1
1
2
0
3 1
2
1
2 0, 75
n
n
K
R R
r e
E n

+

| |
=
|
\
+
(I.5)

Avec K le coefficient de la loi d'crouissage de Hollomon et n l'exposant de cette mme
loi quon crit :

( )
n
eq pl
K = (I.6)

eq
est la contrainte quivalente et
pl
est la dformation plastique cumule.

Monfort et Bragard [Mon84] postulent que la tle se dforme plastiquement dans la
zone en contact avec la matrice et lastiquement dans le jeu poinon-matrice ce qui est
illustr figure I.12.

Figure I.12 Modes de dformation en pliage

Ils considrent donc que l'angle du retour lastique observ possde deux
composantes, une due la zone plastique l'autre la zone lastique:

el pl
= + (I.7)

12

Ils utilisent la loi d'crouissage saturante de Voce pour modliser le comportement
plastique du matriau :

( )
0 0
1 exp
pl
eq e
Q
(
= +

(I.8)

Avec, Q
0
=
m

e0 o
m
est la valeur de contrainte maximale en traction uniaxiale et C
est un paramtre caractristique du matriau. La formulation de Monfort et Bragard s'crit :

0
540
2
el
J e
E e
= (I.9)

( ) ( )
0
2 2
270
exp 1 1
2
pl m
Q
F F
E F F
| |
( = + +
|

\
(I.10)

Le coefficient F est donn par F=(e/2)/(R
m
+e/2), o R
m
est le rayon de la matrice de
pliage.

A. Mkaddem [Mka03] propose quant lui de prendre en compte un critre
d'endommagement de type Lematre [Lem88] pour le calcul du retour lastique. Il obtient
pour la partie plastique (la partie lastique restant inchange) :

( ) ( )
0
1 1
pl pl
pl z zD
D
D D

= +

(I.11)

Avec D valeur scalaire du dommage isotrope reli la dformation plastique
quivalente par l'expression:

( )
Pl G
H D = (I.12)

O HG est la pente de la loi de dommage. De plus :

( ) ( )
0
0 2 2
0
3
exp 1 1
2
pl m
z
Q
F F
E F F

| |
( = + +
|

\
(I.13)

On retrouve ici la loi de Monfort-Bragard avec l'angle de pliage et les coefficients :

2
3
m m
= ;
0 0
3
2
Q Q = ;
2
3
= (I.14)

Et enfin :

3
3 3
2 0
0 3 2
0
48 2 1 2 2
3 3 3
pl F G e
zD
H F R F
Q e F F
E e

(
( | |
| |
= + + + +
( ( | |

\ ( \

(I.15)

Avec R=R
m
+e/2.


13
Les rsultats obtenus par Mkaddem avec cette formulation sont prsents sur la Figure
I.13 pour un angle de pliage de 90 avec un acier haute limite d'lasticit S500MC.

Figure I.13 Comparaison de la prdiction du retour lastique entre le modle original de Monfort-Bragard et
modifi par Mkaddem [Mka03]

Un autre aspect du pliage prendre en compte est le contact outils/pice. Les
proprits du contact ont fait l'objet de nombreuses tudes et il reste aujourd'hui encore
difficile caractriser avec prcision. Dans notre tude, le modle de frottement statique de
Coulomb a t choisi pour simuler le contact entre les outils et la tle. Cette loi est dfinie
comme suit : tant que la composante tangentielle n'atteint pas une certaine limite T
0

proportionnelle la pression de contact N, le glissement ne se produit pas. L'expression
mathmatique de cette loi est :
N T
0
(I.16)

est le coefficient de frottement dpendant du type de matriaux en contact et de leur
tat de surface. La Figure I.14 illustre les propos prcdents.

a) b)
Figure I.14 Loi de Coulomb [Sim01]

La valeur du coefficient de frottement gnralement admise pour un contact acier-acier
avec lubrification est proche de 0,1. Cest cette valeur que nous retiendrons dans la suite pour
la simulation numrique.
I.2.3. Mthodes d'optimisation en mise en forme
Le monde de l'optimisation des procds de mise en forme de pices complexes a
connu un grand essor ces dernires annes, notamment d l'augmentation trs rapide des
capacits de calcul des ordinateurs. Nanmoins, l'optimisation couple aux mthodes de
simulation numrique comme le calcul par lments finis prend toujours autant de temps

14
car, comme le font remarquer Venkataran et al. [Ven02], la complexit des modles suit la
mme tendance.
Les procds de mise en forme quels qu'ils soient ont un cot de mise en uvre trs
important et c'est principalement pour cette raison qu'ils font l'objet d'un grand nombre
d'tudes associes leur optimisation. Ces procds tant bien sr relis la forme de la
pice concerne, cette dernire doit galement tre optimise et cest une des investigations
que nous avons menes dans ce travail.
Il ne s'agit pas ici d'exposer un recueil des diffrentes techniques d'optimisation et de
leurs thories associes tant elles sont nombreuses, mais plutt de montrer l'importance
grandissante de ces mthodes dans le cadre de la mise en forme des matriaux et des
thmatiques adjointes.
Le domaine d'tude le plus rpandu, couplant des mthodes numriques
d'optimisation avec un procd de mise en forme de tles, est sans aucun doute celui du
contrle du retour lastique en emboutissage associ au respect des paisseurs. De faon plus
gnrale, l'emboutissage des tles est sans ambigut le procd ayant le plus amen les
scientifiques du monde industriel dvelopper ce type de couplage. Nous pouvons
notamment citer T. Meinders qui lors de sa thse [Mei00] a travaill sur la simulation
numrique du procd d'emboutissage et qui aujourd'hui travaille son optimisation
[Mei08]. A. Delamzire [Del02] a galement tudi l'optimisation des paramtres
d'emboutissage en utilisant l'approche inverse dveloppe l'Universit de Technologie de
Compigne par J.L Batoz et Y.Q. Guo [Guo90]. S. Ben Elechi [Ben04] a lui aussi contribu
amliorer ces modles dans sa thse.
Dans le domaine des procds de forgeage un grand nombre de travaux ont t
dvelopps au Centre de Mise en Forme de Matriaux de lcole des Mines de Paris. Citons
entre autre D. Vieilledent [Vie99] qui tudia lors de sa thse l'optimisation des outils de
forgeage chaud en utilisant une mthode inverse et T. Tho Do [Tho06] qui travailla sur
l'optimisation de forme en forgeage en utilisant des mta-modles base d'algorithmes
gntiques.
Dans le cadre des travaux prsents ici, R. Bahloul et al. [Bah04], [Bah05a], [Bah05b],
[Bah06] ont notamment tudi diffrentes mthodes d'optimisation appliques au retour
lastique lors du procd de pliage, ainsi qu' la forme des pices de scurit automobile. Ils
ont en particulier estim l'efficacit de mthodes telles que les plans d'expriences coupls
avec des surfaces de rponses, ou encore la prdiction du retour lastique et de l'effort
maximal de dpliage en utilisant des rseaux de neurones entrans partir d'essais
exprimentaux. Enfin R. Bahloul a utilis une mthode d'approximation diffuse pour
l'optimisation des paramtres du procd tels que les rayons doutils et le jeu entre la tle et
les outils. La figure I.15 montre les surfaces de rponses obtenues pour la valeur du retour
lastique en fonction du rayon de matrice et du jeu poinon-matrice. Les valeurs prsentes
ici sont normalises par rapport l'paisseur.

a) b)
Figure I.15 Valeur du retour lastique en fonction du rayon de la matrice de pliage et du jeu poinon-matrice
a) Valeurs exprimentales b) Valeurs issues de la simulation. [Bah05]

15
Nous pouvons citer quelques exemples de mthodes d'optimisation frquemment
utilises directement ou indirectement :

La mthode du simplexe
La mthode de descente du gradient
La mthode du gradient conjugu
La mthode de Newton
Les mthodes de Quasi-Newton
Les stratgies volutionnaires

Ces mthodes sont utilises, directement pour traiter des problmes modliss
mathmatiquement sappuyant sur des modles mcaniques ou autres, indirectement par
exemple dans les squences dapprentissage des rseaux de neurones artificiels.

Toutes les mthodes utilises en mise en forme doivent imprativement tre associes
des lois de comportement et d'endommagement du matriau suffisamment prcises pour les
rendre robustes. En effet, si l'erreur commise sur l'estimation de la fonction en simulation est
trop grande, alors toutes ces mthodes risquent de diverger ou bien de converger vers un
"faux" optimum. C'est pourquoi plusieurs travaux ont t et sont encore mens dans ce sens.
Citons en particulier Mkaddem et al. [Mka04a] qui ont tudi l'influence de
l'endommagement de tles soumises un pliage en utilisant le modle de Lematre &
Chaboche [Lem88]. Ils ont galement compar ce modle avec celui de Gurson-Tvergaard-
Needleman [Gur77], [Tve84] dans le cas du procd de pliage [Mka04b] et tir la conclusion
que le modle de Lematre rendait mieux compte du comportement dans ce cas de
sollicitation. Les recherches et les applications quon peut en faire sont encore en cours et
nous citerons les travaux de K. Saanouni sur l'endommagement de Lematre [Saa89], [Saa06].
Dun point de vue plus systmatique, dans sa thse, Hammi [Hamm00] sest attach dfinir
par des considrations thermodynamiques les relations liant les diffrents phnomnes qui
prennent naissance dans les procds de mise en forme. Des modles robustes en ressortent
permettant de simuler assez finement le comportement de la matire. D'autres auteurs se
sont plus intresss linfluence de l'anisotropie du matriau sur la prdiction du
comportement comme la fait F. Barlat [Bar91]. Peuvent galement tre cites, les tudes sur
les lois d'volution de la matire lors de llaboration de pices mcaniques, qui prennent en
considration la microstructure du matriau comme la propos Teodosiu [Teo95], [Teo98].
I.3. Conclusion et objectifs de la thse
Jusqu'ici, les procds de dcoupe et de pliage des ferrures d'ancrage ont t tudis
indpendamment, mais aucune recherche n'a encore considr le procd dans son ensemble
dans le but d'obtenir les paramtres optimaux tant sur le matriau ou la forme de la pice
que sur le procd.

L'enjeu principal de la thse a t clairement identifi. Il consiste apporter
l'entreprise une solution globale qui soit la foi un outil d'aide la dcision et un dispositif
de prdiction du comportement des pices l'usage en tenant compte de l'ensemble du
procd de fabrication.

Pour cela, la dmarche retenue a pour but d'optimiser dans un processus global les
paramtres de conception de la pice (matriau et forme) et les paramtres de fabrication
(procd) en s'appuyant sur une ferrure dancrage de ceinture de scurit labore dans
l'entreprise. Loutil qui en rsultera devra par la suite tre utilis par le bureau dtudes dans
l'entreprise et devra donc tre suffisamment accessible aux projeteurs.

16
Loutil informatique est dvelopp sur la base d'un algorithme gntique (NSGA2) qui
a t ralis au laboratoire KanGal de Kanpur par le professeur K. Deb [Deb00] pour traiter
l'optimisation globale, et intgre des mthodes d'approximation comme les rseaux de
neurones artificiels ou les surfaces de rponses qui seront construits l'aide du logiciel
MatLab [Mat01]. Cette approche a t choisie pour diminuer le temps de calcul total (temps
CPU) rsultant des simulations numriques par lments finis qui seront effectues laide
du logiciel ABAQUS
[Sim02]. Les couplages CAO-calculs ainsi que la conception de certains

outils de presse et de la pice se feront avec le logiciel CATIA
[Das01].

17
CHAPITRE II
Les Matriaux et leur modlisation
II.1. Introduction
Comme nous l'avons voqu au chapitre prcdent, la comprhension du
comportement du matriau et sa modlisation sont deux points cls pour la simulation
numrique et son utilisation dans les processus d'optimisation. Il existe dans la littrature de
nombreuses lois permettant de dcrire l'volution du comportement d'un matriau en
fonction du chargement qui lui est appliqu. Ces lois macroscopiques sont en gnral valides
sous la condition de rester dans un intervalle dfini par plusieurs critres : le type de
matriau, la vitesse de dformation applique, la temprature, l'application d'un chargement
statique, cyclique, etc.

Le but de ce chapitre n'est pas d'effectuer une bibliographie complte de ce type de
mthodes, mais plutt d'voquer les lois communment rencontres dans les problmatiques
de mise en forme. La premire partie de ce chapitre prsentera les aciers hautes
caractristiques mcaniques utiliss aujourd'hui pour concevoir et fabriquer la ferrure
dancrage de ceinture de scurit, ainsi que quelques aciers faisant partie des perspectives de
ce travail. La seconde partie traitera de la plasticit, o nous prsenterons succinctement les
diffrents types d'crouissage et l'identification pour deux aciers que nous avons tudis.
Enfin, les modles d'endommagement de Lematre-Chaboche et Gurson-Tvergaard-
Needleman seront exposs car ils seront mis en uvre dans la suite.
II.2. Les matriaux utiliss
II.2.1. Les aciers Haute Limite d'lasticit
La ferrure dancrage de ceinture de scurit utilise comme support d'tude est
aujourd'hui fabrique en acier Haute Limite d'lasticit (HLE) sous la dnomination
S500MC, dont la signification est la suivante :

Les aciers HLE sont des aciers faiblement allis dont la composition rpond la norme EN 10149. Les normes
auxquelles rpond la composition de l'acier S500MC sont reportes dans le tableau II.1.
CHAPITRE II - Les Matriaux et leur modlisation

18

Elments
C
(%max)
Mn
(%max)
Si
(%max)
P
(%max)
S
(%max)
Al
(%min)
Nb
(%max)
V
(%max)
Ti
(%max)
Valeur 0,12 1,70 0,50 0,025 0,015 0,015 0,09 0,20 0,15
Tableau II.1 Norme pour la composition chimique du S500MC

La figure II.1 montre la courbe rationnelle et conventionnelle dun acier S500MC tablie
sur une machine de traction SWICK, lors d'un essai de traction monotone.

Essai de traction sur acier S500MC
0
100
200
300
400
500
600
700
800
0 0.05 0.1 0.15 0.2 0.25
Dformation
C
o
n
t
r
a
i
n
t
e

(
M
P
a
)
Courbe conventionnelle
Courbe rationnelle

Figure II.1 Essai de traction sur un acier HLE S500MC

Cet acier prsente une plage de plasticit assez importante qui le rend apte une mise
en forme froid sur presse.

Les lots de matires utiliss pour la fabrication de la ferrure dancrage se prsentent
sous les dimensions 110 mm de largeur par 4 mm d'paisseur. Les pices sont produites 2
par 2 pour chaque tape (dcoupe, rayonnage et pliage) du procd de fabrication (Cf. Figure
I.2).
Dans un souci d'amlioration constante et de rduction des cots, l'entreprise
DEVILL S.A. envisage l'utilisation d'aciers diffrents pour la fabrication de ce type de pice.
Pour rester dans la mme gamme d'acier, dans un premier temps les aciers HLE S420MC et
S315MC ont t choisis. Les compositions chimiques de ces deux aciers sont prsentes dans
les tableaux II.2 et II.3.

Elments
C
(%max)
Mn
(%max)
Si
(%max)
P
(%max)
S
(%max)
Al
(%min)
Nb
(%max)
V
(%max)
Ti
(%max)
Valeur 0,12 1,60 0,50 0,025 0,015 0,015 0,09 0,20 0,15

Elments
C
(%max)
Mn
(%max)
Si
(%max)
P
(%max)
S
(%max)
Al
(%min)
Nb
(%max)
V
(%max)
Ti
(%max)
Valeur 0,12 1,30 0,50 0,025 0,020 0,015 0,09 0,20 0,15

En terme de caractristique mcanique, les courbes des trois matriaux HLE
(provenant du fournisseur CORUS [Cor] de l'entreprise DEVILL S.A.) sont compares sur
la figure II.2. Il peut tre remarqu que la baisse de la limite d'lasticit Re s'accompagne
dune augmentation de la ductilit. Laugmentation de la limite d'lasticit et la diminution
de l'allongement rupture de ce type de matriau sont conscutives l'augmentation du
taux de Manganse, qui passe de 1,3 pour le S315MC 1,7 pour le S500MC. Lutilisation

19
d'autres aciers est actuellement envisage dans le cadre de ces fabrications, et un partenariat
avec l'entreprise Arcelor-Mittal nous a conduits tudier d'autres matriaux.

0
100
200
300
400
500
600
700
800
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 0.22
Dformation rationnelle
C
o
n
t
r
a
i
n
t
e

r
a
t
i
o
n
n
e
l
l
e

(
M
P
a
)
S500MC
S420MC
S315MC

Figure II.2 Comparaison des aciers HLE utiliss par l'entreprise DEVILL S.A.
II.2.2. Recherche prospective
Dans les perspectives d'emploi de matriaux diffrents de celui actuellement utilis, il
convient tout d'abord de citer la gamme des aciers HLE. Cette gamme de produits trs vaste
devrait permettre d'enrichir considrablement les possibilits de fabrication de pices de
scurit dans une large tendue de limite d'lasticit et de ductilit.

La figure II.3 montre les principaux aciers prsents dans cette gamme (Donnes
provenant du site de l'aciriste SSAB, www.ssabdirekt.com [Web02]). La figure confirme
bien les remarques prcdentes sur les tendues des plages de ductilit et les valeurs des
diffrentes limites dlasticit.

Aciers HLE
0
100
200
300
400
500
600
700
800
900
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18
C
o
n
t
r
a
i
n
t
e

r
a
t
i
o
n
n
e
l
l
e

(
M
P
a
)
S315MC
S420MC
S460MC
S500MC
S550MC
S600MC
S700MC

Figure II.3 Gamme d'aciers HLE [Web02]

Dautre part, il a pu tre constat dimportantes diffrences entre les caractristiques
des aciers qui proviennent de deux fournisseurs o mme de deux lots diffrents du mme
fournisseur. Ce point peut tre intressant pour largir encore la gamme de caractristiques
mcaniques disponibles.

L'entreprise SSAB, fournisseur de l'entreprise DEVILL S.A. a propos rcemment de
fournir l'entreprise un acier HLE S700MC et un acier Dual Phase (DP) le DP1000 pour
tude. Pour largir le cadre des collaborations industrielles, dans un partenariat avec l'E.R.T.
"ENDOFORM" Arcelor-Mittal a fourni trois nouveaux aciers : le DP980 (un acier dual phase),

20
le M1000 (un acier Haute Rsistance (HR)), ainsi que l'USIBOR. Ce dernier est un acier
particulier puisqu'il ncessite un traitement thermique lors du procd de mise en forme.

Tous ces matriaux font actuellement l'objet d'une tude approfondie dans le cadre
d'une autre thse CIFRE l'entreprise DEVILL S.A.

Afin dillustrer les possibilits demploi de nouveaux aciers comme les Dual Phase, les
courbes de traction monotone de quelques aciers DP sont prsentes sur la figure II.4.

Aciers Dual-Phase
0
200
400
600
800
1000
1200
0 0.02 0.04 0.06 0.08 0.1 0.12
C
o
n
t
r
a
i
n
t
e

r
a
t
i
o
n
n
e
l
l
e

(
M
P
a
)
DP600
DP800
DP1000

Figure II.4 Aciers Dual-Phase [Web02]

Daprs la source de la figure II.4, le DP600 et le DP800 exhibent des plages de
plasticit tendues et des limites dlasticit comparables aux HLE. Le DP1000 semble assez
particulier avec une zone de ductilit rduite mais aussi avec une limite lastique trs leve.
Des simulations numriques associes des essais sur pices types sont ncessaires ce
stade de dveloppement du produit.

Pour complter notre tude prospective, nous avons report sur la figure II.5 les aciers
fournis par Arcelor-Mittal.

Aciers proposs par Arcelor-Mittal
0
200
400
600
800
1000
1200
1400
1600
0 0.05 0.1 0.15 0.2 0.25
C
o
n
t
r
a
i
n
t
e

r
a
t
i
o
n
n
e
l
l
e

(
M
P
a
)
Usibor1500 Non Trait
DP980
M1000

Figure II.5 Aciers proposs par l'entreprise Arcelor-Mittal

Si les comportements du M1000 et du DP 980 sont rapprocher du DP600 et du DP
1000 prcdents, il peut tre not que la plage de ductilit parat plus grande sur la figure
II.5. Par contre, les caractristiques de lUSIBOR non trait sont au dessus de tous les aciers
prsents sur les deux figures.

Le diagramme de la figure II.6 [Arc01] reprsente les domaines demploi possibles des
principaux aciers utiliss dans le secteur automobile. Lapparente profusion de loffre

21
industrielle montre la tendance qui conduit amliorer la fois la rsistance maximale et
l'longation maximale. Ce diagramme permet de reprer les positions relatives des aciers
HLE (HSLA), DP et l'USIBOR (trait et non trait).

Figure II.6 Diagramme prsentant les principaux aciers du domaine automobile [Arc01]

Laxe des ordonnes diffrencie ainsi le passage des hautes (HSS) trs hautes (VHSS)
puis ultra hautes (UHSS) rsistances mcaniques de ces matriaux.
II.3. La plasticit
L'tude de la dformation plastique des matriaux est capitale en mise en forme
puisqu'elle constitue leur aptitude cette mise en forme. L'origine microscopique de la
plasticit peut tre multiple mais est globalement gouverne par le mouvement, la cration et
le blocage des dislocations. Il en existe de trois sortes : les dislocations vis, les dislocations
coins et les dislocations mixtes, chacune correspondant un dfaut d'empilement du rseau
cristallin. La dformation prend place lorsque l'on atteint une valeur critique d'nergie
capable de mettre en mouvement ces dislocations.

a) b) c)
Figure II.7 Types de dislocations a)Vis b) Coin c) Mixte
II.3.1. Modles mcaniques
Macroscopiquement dans le cadre de la Mcanique des Milieux Continus, plusieurs
modlisations sont utilises pour caractriser le comportement plastique de diffrents types
de matriaux. Une reprsentation schmatique des comportements les plus frquemment
rencontrs est propose sur la figure II.8.

22

Figure II.8 Diffrentes reprsentations macroscopiques du comportement plastique

Six comportements caractristiques peuvent modliser un matriau plastique ainsi que
propos dans [Lem88]:
Solide rigide parfaitement plastique figure II.2.a:
La dformation est nulle (ou ngligeable) en dessous d'un seuil d'coulement
e
et
reste contrainte constante ensuite, le modle analogique est le patin
Solide lastique parfaitement plastique figure II.2.b:
La dformation en de du seuil
e
n'est plus nglige, le modle analogique est le
modle de Saint-Venant (un ressort linaire est un patin en srie)
Solide lastoplastique crouissable figure II.2.c:
La contrainte volue au-del du seuil, le modle analogique est le modle de Saint-
Venant gnralis
Solide parfaitement viscoplastique figure II.2.d:
Le seuil d'coulement plastique
e
volue avec la vitesse de dformation impose ,
la dformation en dessous de ce seuil est nglige
Figure II.2.e: Solide lastique parfaitement viscoplastique
Mme chose que prcdemment, mais la dformation lastique n'est plus
considre comme nulle
Solide lasto-visco-plastique crouissable figure II.2.f:
Cette fois, tous les phnomnes sont pris en compte, c'est le cas des matriaux rels.

En ce qui concerne la mise en forme froid des matriaux mtalliques envisags dans
notre tude, dans un premier temps il y a deux aspects de la loi prendre en compte qui
sont : le seuil d'coulement plastique du matriau vierge et l'crouissage du matriau qui va
dfinir l'volution du seuil d'coulement plastique avec la dformation. Cela permettra de
modliser le comportement du matriau dans le domaine plastique.
Le phnomne d'endommagement sous charge sera discut plus loin au paragraphe
II.3.
II.3.2. Les critres dcoulement plastique
Les critres tridimensionnels de modlisation de la limite d'coulement plastique pour
les mtaux sont de deux ordres : les critres isotropes et les critres anisotropes. Parmi tous
ceux qui ont t proposs et frquemment utiliss dans la mise en forme en dformation
plastique sont le critre isotrope de Von Mises et le critre anisotrope de Hill [Hil90].


23
On considre gnralement pour les matriaux mtalliques qu'ils sont plastiquement
incompressibles et que la dformation est iso-volume, ce qui revient ngliger l'influence de
la contrainte hydrostatique dans le comportement. C'est pourquoi dans les expressions, le
dviateur des contraintes s est utilis plutt que le tenseur des contraintes de Cauchy . Le
dviateur s est dfini par :
1 s
1
3
1
J = (II.1)

O J
1
est le premier invariant homogne du tenseur des contraintes :

( )
H
Tr J 3
1
= = (II.2)

H
est la contrainte hydrostatique. Le deuxime invariant du tenseur des contraintes
qui joue un grand rle dans les modles mcaniques scrit :

( )
1
2
2
2
3 3
:
2 2
eq
J Tr
| |
= = =
|
\
s s s (II.3)

J
2
sidentifie la contrainte quivalente
eq
au sens de Von Mises. Cette contrainte peut
tre calcule de la faon suivante :
- dans l'espace des contraintes 6 dimensions :

( ) ( ) ( ) ( ) [ ]
2
13
2
23
2
12
2
11 33
2
33 22
2
22 11
6
2
1
+ + + + + =
eq
(II.4)

- dans l'espace des contraintes principales :

( ) ( ) ( ) [ ]
2
1 3
2
3 2
2
2 1
2
1
+ + =
eq
(II.5)

Le critre d'coulement plastique isotrope de Von Mises est alors dfini laide de la
fonction de charge ( ) suivante :

( )
eq e
= (II.6)

On a not e la limite lastique initiale du matriau. Ainsi :
- Tant que eq e , f < 0 et le matriau reste dans le domaine lastique
- Ds que eq > e , f = 0 et le matriau entre en coulement plastique

Lcoulement plastique prend donc naissance ds que la contrainte quivalente atteint
la valeur de la contrainte seuil. Le critre de Von Mises dans l'espace des contraintes
principales est schmatis par le cylindre de la figure II.9 ci-dessous, dont laxe est constitu
par ce quon pourrait appeler la trisectrice du tridre (direction 1, 1, 1).

On montre aussi que cette contrainte eqvM est relie la contrainte de cisaillement
octadrale [Lar74] oc par la relation :

eq oc

9
2
= (II.7)

24

Figure II.9 Reprsentation du critre de Von Mises dans l'espace des contraintes principales

Cette remarque montre que le critre de Von Mises caractrisera bien les matriaux
ductiles plutt sensibles aux effets du cisaillement.

Dans le cas de comportement anisotrope, le critre d'coulement plastique le plus
souvent utilis que lon associe aux matriaux mtalliques est le critre de Hill [Hil90]. Il
permet de prendre en compte une variation de comportement du matriau dans les
directions transverse la direction de laminage. Pour modliser cette variation, Hill introduit
une matrice d'anisotropie qui permet le calcul de la contrainte quivalente comme suit :

3
2
H
eq
= s : : s (II.8)

Dans les axes dorthotropie, lexpression retenue pour la matrice est :

2
2
2
G H H G
H F H F
G F F G
N
M
L
+ | |
|
+
|
|
+
=
|
|
|
|
|
\
(II.9)

Dans le cas orthotrope, la contrainte quivalente associe devient lorsque les indices 1,
2 et 3 correspondent respectivement au sens du laminage, sens travers et paisseur :

( ) ( ) ( )
2 2 2
2 2 2
22 33 33 11 11 22 23 31 12
2 2 2
H
eq
F G H L M N = + + + + + (II.10)

Remarquons que lon retrouve la contrainte de Von Mises lorsque F = G = H =
2
1
et L =
M = N =
2
3
. La fonction de charge est ainsi :

H
eq e
= (II.11)

oc

H


25
Les coefficients du critre de Hill peuvent tre dtermins l'aide des coefficients
exprimentaux de Lankford, qui sont dfinis comme le rapport de la dformation transverse
la dformation longitudinale lors d'un essai de traction monotone :

33
11
= r (II.12)

Pour caractriser compltement le comportement, il faut alors dterminer les
coefficients de Lankford 0, 45 et 90 par rapport au sens de laminage de la tle. Les
valeurs des coefficients du critre de Hill peuvent alors tre calcules comme il l'a t
indiqu plus loin (quation II.13).

Des essais ont t raliss pour caractriser l'anisotropie de deux matriaux haute
limite d'lasticit, le S500MC et le S420MC. Cela consiste charger en traction jusqu'
rupture des prouvettes normalises (voir figure II.10) dcoupes 0, 45 et 90 par rapport
au sens de laminage dans une tle de 110 mm de largeur pour le S500MC et de 130 mm pour
le S420MC les deux avec une paisseur 4 mm.

Figure II.10 prouvette de traction normalise

Note : Pour respecter les accords de confidentialit entre lENSAM et DEVILL S.A., les
diffrentes ctes des prouvettes prsentes napparatront pas dans ce rapport.

Ces essais ont t effectus sur une machine de traction ZWICK mcanique de type
Z100 visible figure II.11 avec des mors hydrauliques.

Figure II.11 Machine de traction Zwick Z100

Les rsultats obtenus sont prsents dans le Tableau II.4 ci-dessous et leurs volutions
reprsentes sur la figure II.12.


26

S500MC S420MC
r0 0,74 0,82
r45 1,1 1,3
r90 1 0,95
Tableau II.4 Coefficients de Lankford du S420MC et du S500MC

Il est possible de dterminer partir de ces valeurs les coefficients de Hill pour ces
deux matriaux l'aide des relations suivantes [Alv03] :

90
H
F
r
= ;
0
1
1
G
r
=
+
;
0
H r G = ;
( ) ( )
( )
0 90 45
90 0
2 1
1
2 1
r r r
N
r r
+ +
=
+
(II.13)

0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
1.5
0 20 40 60 80 100
Angle par rapport au sens de laminage ()
C
o
e
f
f
i
c
i
e
n
t

d
e

L
a
n
k
f
o
r
d
S500MC S420MC

Figure II.12 volution des coefficients de Lankford du S420MC et du S500MC

Les coefficients L et M ne peuvent tre dtermins par cette mthode. Pour les
dterminer, il faudrait par exemple utiliser des figures de ples. Nous les considrerons avec
des valeurs neutres dans notre tude, c'est--dire que L = M =
2
3
.
Les coefficients du critre de Hill sont donc :

F G H L M N
S500MC 0,425 0,575 0,425 1,5 1,5 1,6
S420MC 0,474 0,549 0,451 1,5 1,5 1,843
Tableau II.5 Coefficients d'anisotropie de Hill pour les aciers S500MC et S420MC

Les critres de Von Mises et de Hill dfinissent la limite d'coulement, mais il faut
galement modliser l'volution des proprits plastiques du matriau pour dfinir les
domaines dlasticit et de plasticit. Les deux phnomnes prpondrants dont nous
tiendrons compte sont l'crouissage et l'endommagement de la matire.
Deux types diffrents d'crouissage peuvent tre observs macroscopiquement :
l'crouissage isotrope et l'crouissage cinmatique. Un matriau rel prsente en gnral une
combinaison de ces deux types d'crouissage dsign comme tant un crouissage mixte.
II.3.3. crouissage isotrope
II.3.3.1 Gnralits
Les lois considrant l'crouissage comme isotrope sont des lois dans lesquelles
l'volution de la surface de charge constate exprimentalement est gouverne par une seule
variable scalaire. Dans notre cas nous supposerons que cette variable scalaire est la

27
dformation plastique cumule
pl
. En considrant le critre d'coulement de Von Mises, la
fonction de charge scrit :

eq e
= (II.14)

Expression dans laquelle
e0
dsigne le seuil d'coulement plastique :

( )
0 e e pl
R = + (II.15)

R est une fonction de la dformation plastique cumule dcrivant l'crouissage du
matriau et e0 la limite dlasticit initiale. D'un point de vue phnomnologique,
l'crouissage isotrope provoque une dilatation de la surface de charge. La courbe contraintes
dformations en traction-compression prsente une symtrie par rapport l'axe des
dformations ainsi quon la illustr sur la figure II.13.

Figure II.13 crouissage isotrope dans l'espace des contraintes et en traction compression

La fonction
e0
base sur des constations exprimentales peut tre modlise de
diffrentes faons :

- la plus simple est de la considrer comme une constante gale la limite
d'coulement initiale du matriau. Il s'agit du cas de la plasticit parfaite,
l'crouissage est considr comme inexistant. On a :

0 R = et
0 e e
= (II.16)

- Pour certains matriaux dont l'volution de R est linaire, l'crouissage peut tre
modlis par :
0 e e pl
K = + (II.17)

La pente K est alors appel module d'crouissage.

- Ludwick [Lud09] a propos de modliser l'volution de l'crouissage suivant une
loi puissance telle que :

0
n
e e pl
K = + (II.18)
Lexposant n tant infrieur 1.

28
- Si le domaine lastique n'est pas dissoci du domaine dcrouissage comme le
propose Hollomon [Hol44], la limite d'lasticit initiale nintervient plus et il vient
l'expression :
n
e pl
K = (II.19)

- Swift [Swi47] a reformul la loi de Ludwick en l'exprimant en termes de
dformation :
( )
0
n
e s pl
C = + (II.20)

- Enfin, Voce [Voc48] propose non plus une loi puissance mais exponentielle avec
saturation, ce qui prsente comme avantage de limiter les contraintes une valeur
maximum :
( ) 0 0
1
pl
e e
Q e

= + (II.21)

Le module Q
0
est en gnral suppos gal
0 0 m e
Q = , o
m
est la contrainte
maximum atteinte lors d'un essai de traction monotone.
II.3.3.2 Identification des coefficients des lois dcrouissage isotrope
Lidentification des coefficients des lois dcrouissage peut tre mene au moins de
deux faons : directement ou indirectement.
Directement par transformation logarithmique et indirectement par la minimisation
dune erreur entre le modle et lexprience.
II.3.3.2.1. tude directe
Les courbes exprimentales sont modifies par transformation logarithmique pour
l'identification des coefficients.

Dans le cas de la formulation de Ludwick il vient :

0
( ) ( ) ( )
e e pl
Ln Ln K nLn = + (II.22)

De cette manire, il suffit de tracer la fonction
0
( ) ( ( ))
e e pl
Ln f Ln = jusqu'
striction, pour dterminer les coefficients K et n. La figure II.14 montre cette volution pour
l'acier HLE S500MC :

y = 0.4731x + 6.0975
R
2
= 0.9663
0
1
2
3
4
5
6
-12 -10 -8 -6 -4 -2 0
L
n
(
e
)
Ln(
pl
)

Figure II.14 Dtermination des paramtres de la loi de Ludwick pour l'acier S500MC

29

De mme, la loi de Hollomon s'crit :

( ) ( ) ( )
e pl
Ln Ln K nLn = + (II.23)

La figure obtenue est la suivante :

y = 0.0515x + 6.6825
R
2
= 0.8547
6.15
6.2
6.25
6.3
6.35
6.4
6.45
6.5
6.55
6.6
6.65
-12 -10 -8 -6 -4 -2 0
L
n
(
)
Ln(
pl
)

Figure II.15 Dtermination des paramtres de la loi de Hollomon pour l'acier S500MC

La loi de Swift s'crit :

0
( ) ( ) ( )
e s pl
Ln Ln C nLn = + + (II.24)


y = 0.0713x + 6.7365
R
2
= 0.9576
6.3
6.35
6.4
6.45
6.5
6.55
6.6
6.65
-7 -6 -5 -4 -3 -2 -1 0
L
n
(
)
Ln(
0
+
pl
)

Figure II.16 Dtermination des paramtres de la loi de Swift pour l'acier S500MC

La loi de Voce s'crit :

0
0
1
e e
pl
Ln
Q

| |
=
|
\
(II.25)


30

y = -27.73x
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
L
n
(
1
-
(
Y
-
e
)
/
Q
0
)

Figure II.17 Dtermination des paramtres de la loi de Voce pour l'acier S500MC

En dfinitive, nous avons obtenu les paramtres suivants pour caractriser l'acier
S500MC :

Loi de Ludwick Loi de Hollomon Loi de Swift Loi de Voce
K (MPa) 444,75 K (MPa) 798,31 Cs (MPa) 842,6 m (MPa) 726,4
n 0,4731 n 0,0515 n 0,0713 27,73
Tableau II.6 Coefficients d'crouissage pour le S500MC dtermins avec la mthode directe
II.3.3.2.2. Identification optimale
La mthode consiste minimiser l'erreur quadratique moyenne sur la courbe de
traction l'aide d'une mthode d'optimisation. La fonction "lsqcurvefit" de MatLab [Mat07]
a t utilise pour cette tude. Cette fonction permet de trouver les coefficients x qui
minimisent l'erreur quadratique entre une fonction F(x) et des valeurs exprimentales xdata
et ydata. x est le vecteur des paramtres des lois prcdentes. Ce problme peut tre formul
de la faon suivante :

( ) ( )
2 2
2
1
1 1
( , ) ,
2 2
min
m
i i
x i
F x xdata ydata F x xdata ydata
=
=
(II.26)

La fonction "lsqcurvefit" utilise l'algorithme de Levenberg-Marquardt pour la
minimisation de lerreur. Lalgorithme est bas sur la squence de recherche dfinie de la
faon suivante :
( ) ( )
( )
( ) ( )
T T
k k
F + =
k k k k
J x J x I d J x x (II.27)

J(x
k
) est la matrice Jacobienne des paramtres l'itration k, d
k
est le vecteur direction
de recherche des paramtres,
k
est un scalaire dfinissant l'amplitude et la direction de d
k
,
F(x
k
) tant la fonction minimiser.
Cette mthode a permis de rduire lerreur moyenne entre les courbes dfinies par les
lois dvolution vues ci-dessus et la courbe exprimentale. Les coefficients que nous avons
obtenus sont regroups dans le tableau II.7 :

K (MPa) 504.97 K (MPa) 808.79 Cs (MPa) 847.54 m (MPa) 739.34
n 0.5142 n 0.0555 n 0.0732 22.19
Tableau II.7 Coefficients d'crouissage pour le S500MC dtermins avec la mthode optimise

31
II.3.3.2.3. Comparaison des rsultats fournis par les deux mthodes
Dans le tableau II.8, nous avons mis en regard les valeurs des erreurs quadratiques
moyennes obtenues dans les deux cas didentification, par rapport aux courbes
exprimentales.

Ludwick Hollomon Swift Voce
Mthode directe 31.24 158.39 64.87 42.26
Mthode optimise 20.50 123.23 63.83 25.65
Tableau II.8 Erreur quadratique moyenne sur les lois d'crouissage du S500MC

Au vu de ces rsultats, nous pouvons conclure que la mthode optimise donne de
meilleurs rsultats sur toutes les lois dcrouissage tudies, la loi de Hollomon tant la
moins bien adapte la modlisation du comportement plastique de cet acier.
Lillustration de ce commentaire est reprsente sur la figure II.18.a pour la loi de
Ludwick et sur la figure II.18b pour la loi de Voce.

Identification des paramtres pour la loi de Ludwick
550
570
590
610
630
650
670
690
710
730
750
0 0.02 0.04 0.06 0.08 0.1 0.12
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Courbe exprimentale
Ludwick_Optimise
Ludwick_Directe

- a -
Identification des paramtres pour la loi de Voce
550
570
590
610
630
650
670
690
710
730
750
0 0.02 0.04 0.06 0.08 0.1 0.12
Dforamtion plastique quivalente
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Courbe exprimentale
Voce_Optimise
Voce_Directe

- b
Figure II.18 Courbe d'crouissage pour le S500MC, a- loi de Ludwick et b loi de Voce

La mme dmarche a t effectue pour lacier S420MC, pour lequel nous avons obtenu
les rsultats suivants :

K (MPa) n K (MPa) n Cs (MPa) n m (MPa)
402.03 0.4510 716.2110 0.0595 743.4471 0.0746 652.7031 21.1386
Tableau II.9 Coefficients d'crouissage pour le S420MC dtermins avec la mthode optimise


32
Comme dans le tableau II.7, nous pouvons constater ici aussi que lerreur commise sur
lidentification des coefficients est plus faible pour les lois de Ludwick et Voce que pour les
deux autres. Nous privilgierons donc lutilisation de ces deux lois dans la suite de notre
tude.
II.3.4. crouissage cinmatique
Lcrouissage cinmatique correspond une translation de la surface de charge dans
lespace des contraintes. Pour tenir compte de ce phnomne, il a t introduit une variable
dcrouissage X qui traduit la position de la surface de charge.
Le critre dcoulement de Von Mises est alors modifi comme suit :

( ) ( ) ,
e
J = X X (II.28)

Avec lexpression du second invariant des contraintes dfini par :

( ) ( ) ( )
3
:
2
J = X s X s X (II.29)

Suivant Lematre [Lem88] dans le cas du critre isotrope de Von Mises lvolution de la
variable tensorielle X est le plus souvent reprsente par une loi linaire :

2
3
C =
pl
X . (II.30)

C est un coefficient identifi exprimentalement

Figure II.19 crouissage cinmatique dans l'espace des contraintes et en traction compression [Lem88].

Des essais de traction compression ont t mens sur le S500MC dans le but d'identifier
le paramtre C.

Ces essais ont t raliss sur la machine de traction Zwick avec des prouvettes dont
les dimensions sont donnes sur la figure II.21.


33

Figure II.20 prouvette utilise pour les essais de traction compression


Dans un premier temps les essais sont alls jusqu 0,67% de dformation figure II.21.a,
puis jusqu 0,83% de dformation figure II.21.b.

Cycle 0,67% - S500MC
-800
-600
-400
-200
0
200
400
600
800
-0.008 -0.006 -0.004 -0.002 0 0.002 0.004 0.006 0.008
Dformation vraie
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)

- a -
Cycle 0,83% - S500MC
-800
-600
-400
-200
0
200
400
600
800
-0.01 -0.008 -0.006 -0.004 -0.002 0 0.002 0.004 0.006 0.008 0.01
Dformation vraie
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)

- b -
Figure II.21 Cycle de traction compression stabilis a- 0,67% et b- 0,83% de dformation pour le S500MC

Les rsultats que nous avons trouvs sont les suivants :

- Pour le S500MC : C = 32000 MPa
- Pour le S420MC : C = 22000 MPa.

Remarque : Il pourrait tre judicieux d'utiliser une loi d'crouissage cinmatique non
linaire, mais l'identification des constantes ncessite des cycles dont l'amplitude de
dformation conduit la ruine de l'prouvette par flambage. tant limits en paisseur de
tle (4 ou 5 mm), ce type d'essai reste dlicat avec de telles prouvettes.
Nanmoins, pour complter lidentification du comportement des aciers prcdents,
des essais de cisaillement sont actuellement en cours pour complter leur caractrisation.

34
II.3.5. crouissage mixte
La majeure partie des matriaux rels rpond en fait aux deux types d'crouissage et la
surface de charge subit en mme temps une dilatation et une translation de son centre. Le
critre d'coulement dans ce cas est obtenu par une combinaison des deux formulations :

( ) ( )
2
,
e
X J X = (II.31)

La fonction Y qui sera retenue dans la suite est celle donne par (II.18).
II.3.6. Comportement viscoplastique
Le cahier des charges de la ferrure dancrage de ceinture de scurit ne demande
qu'une validation en essai de dpliage quasi-statique, nanmoins le comportement de la
pice est frquemment caractris lors d'un essai de choc sur un mouton de Charpy.

Pour simuler le comportement d'un matriau haute vitesse, il convient d'utiliser des
lois qui prennent en compte la vitesse de dformation dans la fonction d'crouissage. C'est
notamment le cas pour la loi de Johnson-Cook [Joh83] frquemment utilise qui prend la
forme suivante :

( )
0
0 0
1 ln 1
m
pl n
e pl
m
T T
A B C
T T
(
(
| |
| |
( = + + ( | |
|

(
( \
\

(II.32)

0
est une vitesse de dformation de rfrence, T0 est la temprature de rfrence et Tm

est la temprature de fusion du matriau. Le premier terme caractrise le comportement
lastoplastique de la loi de Ludwick. Le second terme prend en compte la viscoplasticit et
enfin, le troisime terme quantifie l'influence de la temprature sur le comportement du
matriau. Les pices concernes tant formes froid, nous ne conserverons que les deux
premiers termes pour modliser la loi de comportement :

( )
0
1 ln
pl n
e pl
A B C

( | |
= + + ( |
|
(
\
(II.33)

Les coefficients identifier seront les constantes A, B, n, C auxquels nous ajouterons
0
.
Lexprimentation ncessite donc une machine capable de produire des vitesses de
dformation sur une plage suffisamment leve. Nous disposons pour cela dune machine
GLEEBLE
sur laquelle a t effectue une srie d'essais de bipoinonnement diffrentes

vitesses de dformation pour identifier les diffrents coefficients de l'acier S500MC.

Le principe de l'essai de bipoinonnement, encore appel essai de compression en
dformation plane, est schmatis sur la figure II.22.


35

-a- -b-
Figure II.22 Gomtrie de l'essai de bipoinonnement -a- avant et -b- aprs dformation [Gel95]

Lors des essais, les prouvettes ont une paisseur initiale h0 gale 4mm, une largeur b0
mesure chaque essai de l'ordre de 10mm. La largeur des marteaux de bipoinonnement w
est gale 5mm.
6 vitesses ont t imposes lors des essais dans la gamme : 0,01s
-1
; 0,1s
-1
; 1s
-1
; 25s
-1
;
125s
-1
et 250s
-1
. Le tableau II.10 montre les correspondances des vitesses de dformation (s
-1
)
et de traverse en m.s
-1
.

Vitesses en s
-1
0,01 0,1 1 25 125 250
Vitesse en m.s
-1
0,00004 0,0004 0,004 0,1 0,5 1
Tableau II.10 Correspondance des vitesses en s
-1
et m.s
-1
pour les essais de bipoinonnement

Aprs traitement des rsultats, pour chaque vitesse a t identifie la courbe
dvolution base sur la loi de Ludwick (II.17). La mthode utilise ici est une mthode de
moindres carrs non linaires. Le problme peut tre formul de la faon suivante :

( ) ( ) ( ) ( )
2 2 2
1 2
min ...
m
x
f f f f ( = + + +

x x x x (II.34)

x est le vecteur des coefficients dont la valeur optimale est cherche. Chaque fonction f
i

donne l'cart entre la valeur de la contrainte prdite par la loi de Ludwick et la valeur
exprimentale pour un couple de taux de dformation et de dformation plastique cumule
donn. L'objectif de l'algorithme tant de minimiser cet cart, la fonction "lsqnonlin" de
MatLab a t utilise en choisissant l'algorithme de Levenberg-Marquardt. Un jeu de
coefficients qui permettent de rduire l'erreur commise peut ainsi tre obtenu. Pour avoir
plus de prcision, il peut tre prfrable d'utiliser une loi identifie pour une vitesse donne.
Les valeurs obtenues pour les diffrents paramtres de la loi de Ludwick sont regroups
dans le tableau II.11.

0,01 s
-1
0,1 s
-1
1 s
-1
25 s
-1
125 s
-1
250s
-1
e
552.79 600.42 648.02 664.24 675.72 692.05
K 467.59 399.21 385.84 257.75 216.44 239.83
n 0.4139 0.4599 0.4907 0.3120 0.1722 0.1252
Tableau II.11 Paramtres d'identification de la loi de Ludwick pour chaque taux de dformation

La figure II.23 montre le rsultat de cette identification pour chacune des vitesses. Il
peut tre remarqu sur cette figure que la courbe correspondant la loi de Ludwick propose
une bonne solution pour lapproximation des valeurs exprimentales. Par consquent, les
valeurs des diffrentes approximations peuvent tre utilises pour recaler le modle de
Johnson-Cook.

36

Ainsi, une fois cette caractrisation effectue, il est possible d'identifier les paramtres
de la loi de Johnson-Cook en utilisant une mthode inverse analogue (II.34), base sur la
minimisation de l'erreur commise entre la prdiction de la loi (II.33) et les rsultats du
recalage des courbes obtenues avec lhypothse de Ludwick.

Pour rester dans un ordre de grandeur proche de la rupture en traction, l'identification
des coefficients de la loi de Johnson-Cook a t ralise jusqu' une valeur de dformation
plastique cumule gale 0,2. Les valeurs des coefficients pour l'acier S500MC sont
regroupes dans le tableau II.12.

A (MPa) B (MPa) n C
0

553,24 376,68 0,2681 0,04879 0,16927
Tableau II.12 Coefficients de la loi de Johnson Cook pour un acier S500MC

Identification Ludwick - taux de dformation de 0,01s
-1
0
200
400
600
800
1000
1200
0 0.2 0.4 0.6 0.8 1 1.2
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)
Exprimentale
Ludwick

Identification Ludwick - taux de dformation de 0,1s
-1
0
200
400
600
800
1000
1200
0 0.2 0.4 0.6 0.8 1 1.2
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)
Exprimentale
Ludwick

-a- -b-
Identification Ludwick - taux de dformation de 1s
-1
0
200
400
600
800
1000
1200
0 0.2 0.4 0.6 0.8 1 1.2
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)
Exprimentale
Ludwick

Identification Ludwick - taux de dformation de 25s-1
0
100
200
300
400
500
600
700
800
900
1000
0 0.2 0.4 0.6 0.8 1 1.2
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)
Exprimentale
Ludwick

-c- -d-
Identification Ludwick - taux de dformation de 125s-1
0
100
200
300
400
500
600
700
800
900
1000
0 0.2 0.4 0.6 0.8 1 1.2
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)
Exprimentale
Ludwick

Identification Ludwick - taux de dformation de 250s
-1
0
100
200
300
400
500
600
700
800
900
1000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
C
o
n
t
r
a
i
n
t
e

v
r
a
i
e

(
M
P
a
)
Exprimentale
Ludwick

-e- -f-
Figure II.23 Identification des paramtres de Ludwick pour chaque taux de dformation
-a- 0,01s
-1
-b- 0,1s
-1
-c- 1s
-1
-d- 25s
-1
-e- 125s
-1
-f- 250s
-1


37
Les comparaisons des rsultats sur les lois de comportement de Ludwick et Johnson-
Cook sont illustres sur les graphiques suivants de la figure II.24.

On voit bien sur la figure II.24 que la loi de Johnson-Cook ne permet pas une bonne
approximation de la valeur de la contrainte lorsque l'on travaille sur une large gamme de
vitesses de dformation. En effet, si le modle semble bien adapt pour les taux de
dformation de 0,1s-1 et de 1s-1, l'erreur engendre est beaucoup plus importante pour les
autres taux de dformation. Ce problme est d'autant plus important qu'en terme de scurit,
le modle de Johnson Cook aura tendance survaluer la rsistance du matriau.

D'autres modles de viscoplasticit sont actuellement l'tude, notamment pour
prendre en compte l'adoucissement du matriau.

Taux de dformation de 0.01s
-1
- Essai de Bi-Poinonnement sur S500MC
0
100
200
300
400
500
600
700
800
900
0 0.04 0.08 0.12 0.16 0.2 0.24
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Ludwick
Johnson-Cook

Taux de dformation de 0.1s
-1
0
100
200
300
400
500
600
700
800
900
0 0.04 0.08 0.12 0.16 0.2 0.24
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Ludwick
Johnson-Cook

-a- -b-
Taux de dformation de 1s
-1
0
100
200
300
400
500
600
700
800
900
1000
0 0.04 0.08 0.12 0.16 0.2 0.24
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Ludwick
Johnson-Cook

-1
0
200
400
600
800
1000
1200
0 0.04 0.08 0.12 0.16 0.2 0.24
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Ludwick
Johnson-Cook

-c- -d-
-1
0
200
400
600
800
1000
1200
0 0.04 0.08 0.12 0.16 0.2 0.24
C
o
n
t
r
a
i
n
t
e

q
u
i
v
a
l
e
n
t
e

(
M
P
a
)
Ludwick
Johnson-Cook

-1
0
200
400
600
800
1000
1200
0 0.04 0.08 0.12 0.16 0.2 0.24
Dformation plastique quiavlente
C
o
n
t
r
a
i
n
t
e

q
u
i
a
v
l
e
n
t
e

(
M
P
a
)
Ludwick
Johnson-Cook

-e- -f-
Figure II.24 Comparaison entre la prdiction de Johnson Cook globale et Ludwick individuelle sur les essais de
bipoinonnement

38
II.4. Modles d'endommagement
L'endommagement d'un matriau caractrise son volution entre son tat vierge et la
ruine atteinte par fissuration. Il est souvent difficile de distinguer ce phnomne de celui de
la dformation puisqu'il l'accompagne. Lematre et Chaboche [Lem88] distinguent 4 grands
types d'endommagement :
- L'endommagement plastique ductile li aux dformations plastiques des mtaux
autour de la temprature ambiante
- L'endommagement viscoplastique fragile, li au temps
- L'endommagement de fatigue, d un chargement cyclique
- L'endommagement macrofragile.

Dans le cas des aciers utiliss pour les pices de scurit, l'endommagement
considrer est un endommagement plastique ductile ( l'exception des pices soumises des
chargements cycliques).
Les deux modles les plus utiliss dans les diffrents domaines de la mise en forme
sont le modle de Lematre-Chaboche [Lem88] et le modle de Gurson-Tvergaard-
Needleman [Tve84]. Il convient nanmoins de citer d'autres modles de rupture trs utiliss
comme le modle de Rousselier [Rou86], Johnson-Cook [Joh83], Rice et Tracey [Ric69], etc.
II.4.1. Modle de Lematre Chaboche
Le modle de Lematre et Chaboche est bas sur une approche thermodynamique. Il
dfinit l'volution locale du dommage. Pour comprendre l'effet du dommage sur les
proprits macroscopiques, il convient de parler de surface effective S
. La surface effective
est l'aire d'une section d'un lment de volume S de normale n
de laquelle est retranche

l'aire de la trace des dfauts
D
S . Soit :

D
S S S =
(II.35)

La mesure de l'endommagement local dans le cas isotrope sera donc par dfinition :

D
S
D
S
= (II.36)

Figure II.25 lment endommag

Dans le cadre de lhypothse dquivalence en dformation, la contrainte effective
qui prend naissance sur la surface effective peut tre dfinie par :

1
e
S
E
D S
= = =
(II.37)


39
D'o il peut tre tir la relation liant contrainte et dformation :

( ) 1
e
E D = (II.38)

Si E est le module de Young du matriau vierge, il peut tre considr que
( ) 1 E E D =
est le module effectif du matriau. Il sensuit que la valeur scalaire de

l'endommagement isotrope peut tre dduite en connaissant l'volution du module de
Young par la formule :

1
E
D
E
=

(II.39)

Il est donc possible d'identifier le dommage en effectuant des cycles de chargement
dchargement sur des prouvettes dont la forme permet de localiser le dommage. Les
prouvettes utilises pour la caractrisation du dommage sont prsentes sur la figure II.26.
Les dimensions ont t choisies pour rendre possible l'usinage dans le sens travers des tles
de largeur imposes, aussi bien que dans le sens longitudinal.

Figure II.26 prouvette utilise pour les essais de charge dcharge


D'autre part, Lematre et Chaboche postulent que l'volution du dommage suit
l'volution de la dformation plastique suivant la formule [Lem88] :

( ) ( )
2
2
1 3 1 2
3
c H
pl
R D eq
D
D

(
| |
(
= + +
|
|
(
\

(II.40)

est le coefficient de Poisson et la triaxialit des contraintes est prise en compte dans le
rapport entre la contrainte hydrostatique
H
et la contrainte quivalente au sens de Von
Mises
eq
.
pl
reprsente lincrment de dformation plastique cumule. Pour que cette

quation soit oprationnelle, il faut identifier les paramtres apparaissant dans (II.38) : D
c
le
dommage critique rupture,
R
la dformation rupture et
D
la dformation seuil en
dessous de laquelle l'endommagement est nul.
Lors d'un essai de traction uniaxiale monotone ralis sur les prouvettes prcdentes,
le rapport
eq
H
exprimant le taux de triaxialit est sensiblement constant gal

3
1
. En
consquence, l'volution du dommage en fonction de la dformation plastique quivalente
devrait tre linaire.


40
La caractrisation du dommage est alors entreprise en se basant sur la loi dvolution
(II.37). Sur la figure II.27 est reprsent le rsultat dun essai de charge-dcharge ralis sur
un acier S500MC :

0
100
200
300
400
500
600
700
800
0 0.04 0.08 0.12 0.16 0.2 0.24 0.28 0.32
Dformation
C
o
n
t
r
a
i
n
t
e

(
M
p
a
)

Figure II.27 Cycles de charge dcharge sur acier S500MC

L'volution du dommage correspondante est alors celle schmatise par le graphe de la
figure II.28 qui permet didentifier la pente de la reprsentation linaire :

R
2
= 0.8937
0
0.05
0.1
0.15
0.2
0.25
0 0.04 0.08 0.12 0.16 0.2 0.24 0.28 0.32
Dformation plastique cumule
D

Figure II.28 volution du dommage pour un S500MC

partir des essais, il est aussi possible didentifier les valeurs des coefficients
caractristiques apparaissant dans la loi dvolution.

Les mmes essais ont t raliss avec l'acier S420MC.

coefficients dendommagement ne sont pas fournis dans ce rapport.


41
II.4.2. Modle de Gurson Tvergaard Needleman
Gurson [Gur77] a bas ses travaux concernant l'endommagement sur l'tude de la
croissance d'une cavit sphrique dans une matrice rigide parfaitement plastique. Ses
travaux ont dbouch sur l'expression suivante de la fonction de charge :

( )
2
2
3
2 cosh 1 0
2
eq
H
e e
f f

| | | |
= + + =
| |
\ \
(II.41)

O f correspond la fraction volumique de porosit, qui est gale au rapport du
volume des porosits sur le volume total du matriau. Y qui est la limite d'coulement du
matriau est une fonction de la dformation plastique quivalente.
Tvergaard et Needleman [Tve82] ont propos une modification du modle de Gurson
de manire rendre compte de la coalescence des porosits. Le modle modifi de Gurson-
Tvergaard-Needleman (GTN) est le suivant :

( )
2
* *2
1 2 3
3
2 cosh 1 0
2
eq
H
e e
q f q q f

| | | |
= + + =
| |
\ \
(II.42)

f* est une fonction qui modlise la perte rapide de rigidit induite par la coalescence
des porosits au-del d'une valeur seuil f
c
. Cette fonction est dfinie de la faon suivante :

( )
*
si
si
si
c
F c
c c c F
F c
F F
f f f
f f
f f f f f f f
f f
f f f

= + < <
(II.43)

Expressions dans lesquelles
2
1 1 3
3
F
q q q
f
q
+
= est la porosit effective rupture et
F
f est la porosit rupture.
Le tenseur des dformations plastiques est driv de la fonction de charge et la
prsence du premier invariant du tenseur des contraintes dans la condition d'coulement
induit la prsence de dformations plastiques non dviatoriques. La trace du tenseur n'est
pas nulle et l'hypothse de travail volume constant n'est plus valable :

1 3
3 2
H eq eq

| |

= = + |
|

\
p
I S

(II.44)

La prise en compte de l'crouissage, qui est suppos isotrope, est effectue de la faon
suivante :
( ) 1
e pl
f =
p
:
(II.45)

L'volution de la fraction volumique de porosit est due en partie la croissance des
porosits existantes et la germination de nouvelles porosits. La croissance des porosits est
base sur la conservation de la masse :
( ) 1
cr
f f =
p
: I
(II.46)

42

Chu et Needleman [Chu80] dcrivent la germination des nouvelles porosits comme
une fonction de la dformation plastique de la forme suivante :

ger pl
f A =

(II.47)

O A est une loi normale dfinie par la relation :

2
1
exp
2 2
pl N
N
N N
f
A
s s

(
| |
( =
|
(
\

(II.48)

N
est la valeur moyenne, s
N
est l'cart type et f
N
est la fraction volumique de porosit
pouvant participer la germination si une valeur de dformation suffisante est atteinte.
L'volution du taux de porosits sera donc donn par :

cr ger
f f f = +

(II.49)

Le modle GTN ncessite donc la connaissance de 6 paramtres : q
1
, q
2
, q
3
,
N
, s
N
et f
N

et exprimentalement, il faudra observer l'volution du taux de porosit en fonction de la
dformation plastique quivalente cumule. Ces observations sont trs dlicates raliser en
terme de volume. La tomographie rayon X est trs utilise dans la littrature et une tude
sur la dtermination surfacique des porosits lors d'un essai de traction monotone est
actuellement en cours [Sar08]. Nous nous contenterons ici de reprendre les valeurs avances
par Mkaddem [Mka03] recales par mthode inverse sur les donnes d'un essai de traction.

L'algorithme d'optimisation utilis pour la mise en uvre de la mthode inverse est
une mthode de rgion de confiance [Mat07]. Le principe est simple, l'objectif est encore une
fois de minimiser f(x). Se situant au point x, l'algorithme cherche aller au point x+s qui doit
minimiser f, soit :

( ) ( ) f f + < x s x (II.50)

L'ide est d'approximer la fonction f l'aide d'une fonction q, qui soit suffisamment
proche de f dans un intervalle N. N est la rgion de confiance. L'algorithme cherche donc
rsoudre :

( ) min
s
q s N (

s (II.51)

Le point x est donc mis jour par x+s si la condition de minimisation est vrifie,
sinon, x reste inchang.
La mthode de rgion de confiance standard sous MatLab dfinit la fonction
d'approximation quadratique q par les deux premiers termes de l'approximation de Taylor
de f au point x.
Le sous problme peut tre pos comme suit :

1
min . . . .
2
avec

+
`
)
T T
s Hs s g Ds (II.52)


43
Avec, g le gradient de la fonction f au point x, H la matrice Hessienne, D une matrice
diagonale multiplicatrice et un scalaire positif.
Dans MatLab, le principe de rsolution rduit le sous problme de la rgion de
confiance un sous espace deux dimensions , =
1 2
S s s , avec s
1
la direction du gradient g
et s
2
est :
- Soit une direction d'approximation de Newton telle que :

. =
2
Hs g (II.53)

- Soit une direction de courbure ngative dfinie par :

. . 0 <
T
2 2
s Hs (II.54)

S est dtermin en utilisant la mthode du gradient conjugu prconditionn. Le
principe est de trouver une matrice symtrique dfinie positive M appele prconditionneur
de H telle que : =
2
M C et que . .
-1 -1
C HC ait un conditionnement plus faible avec des valeurs
propres mieux rparties. Le choix pour la dfinition de s
2
est contrl par une valeur de
tolrance dans l'algorithme du gradient conjugu prconditionn.

La fonction f est ici dfinie au sens de moindres carrs non linaires :

( ) ( ) ( ) ( )
2 2 2
1 2
min ...
m
x
f f f f ( = + + +

x x x x (II.55)

Pour une valeur de dformation plastique donne, chaque fonction f
i
reprsente l'cart
entre la valeur de l'effort (en Newtons) provenant de la simulation d'un essai de traction et
celui exprimental provenant d'un essai de traction :

( ) ( ) ( )
sim exp
i i i
f f f = x x x (II.56)

Le problme se rsume donc rduire l'erreur quadratique cumule sur la courbe
efforts-dplacements.
Pour rduire au maximum l'erreur commise sur la courbe, l'algorithme optimisera les 9
paramtres suivants :
- la limite d'lasticit
e
,
- le module d'crouissage K,
- l'exposant d'crouissage n,
- les 6 paramtres du modle GTN.
La mthode ncessitant de partir dun point faisable, les paramtres utiliss pour le
point de dpart de l'optimisation sont donns dans le tableau II.14. Les paramtres rsultant
de la mthode doptimisation sont donns dans le tableau II.15.

e
K n q
1
q
2
q
3

N
s
N
f
N
569,5 504,97 0,5142 1,5 1 2,25 0,1 0,05 0,04
Tableau II.13 Paramtres utiliss comme point de dpart pour l'optimisation sur acier S500MC

e
K n q
1
q
2
q
3

N
s
N
f
N
563,18 584,09 0.5076 1,56 1,20 1,62 0,101 0,052 0,037
Tableau II.14 Paramtres obtenus aprs optimisation pour l'acier S500MC

44
La comparaison entre les rsultats fournis par les tableaux II.14 et II.15 et lexprience
est illustre sur la figure II.29. Il apparat nettement quil vaut mieux prendre en compte tous
les coefficients du modle comme paramtres optimiser pour que la solution soit la plus
proche possible des rsultats exprimentaux. Ceci devrait viter de longues et coteuses
investigations pour dterminer individuellement chaque valeur de paramtre.

Mthode inverse du critre GTN sur acier S500MC
0
5000
10000
15000
20000
25000
30000
35000
0 1 2 3 4 5 6
Allongement (mm)
E
f
f
o
r
t

(
N
)
Exprimentale
Gurson - Origine
Gurson - Optimise

Figure II.29 Identification inverse du modle GTN pour l'acier S500MC

Cette mthode d'identification a galement t applique au cas de l'acier S420MC. Le
point de dpart de l'optimisation est donn dans le tableau II.16 et les paramtres optimiss
sont donns dans le tableau II.17.La figure II.30 illustre ces rsultats.

e
K n q
1
q
2
q
3

N
s
N
f
N
485,88 402,03 0,451 1,5 1 2,25 0,1 0,05 0,04
Tableau II.15 Paramtres utiliss comme point de dpart pour l'optimisation sur acier S420MC

e
K n q
1
q
2
q
3

N
s
N
f
N
489,22 481,88 0,4808 1,296 0,995 2,416 0,095 0,052 0,035
Tableau II.16 Paramtres obtenus aprs optimisation pour l'acier S420MC

Mthode inverse du critre GTN sur acier S420MC
0
5000
10000
15000
20000
25000
30000
0 1 2 3 4 5 6 7
Allongement (mm)
E
f
f
o
r
t

(
N
)
Exprimentale
Gurson - Origine
Gurson - Optimise

Figure II.30 Identification inverse du modle GTN pour l'acier S420MC


45
II.5. Conclusion
Nous avons montr dans ce chapitre comment les lois de comportement et
d'endommagement ont t identifies. Cet aspect est particulirement important pour la
suite de l'tude car la prcision des simulations numriques dpend des lois utilises pour
modliser le comportement des matriaux.
L'anisotropie selon le critre orthotrope de Hill a fait l'objet d'une identification pour
les deux aciers prcdemment cits, mais ne sera pas utilise dans la suite de l'tude car nous
avons pu observer que son influence reste faible sur le rsultat final de la simulation.
Il a galement t mis en vidence dans ce chapitre que le comportement des aciers
H.L.E. S500MC et S420MC en terme d'crouissage isotrope t mieux modlis par la loi de
Ludwick et nous utiliserons donc cette loi dans la suite de notre tude.
L'crouissage cinmatique reste dlicat tudier du fait de la faible paisseur des tles
disponible qui conduit au flambement des prouvettes trop rapidement pour une
identification complte. Des tudes complmentaires en cisaillement cycliques sont
actuellement en cours sur ce point.
L'identification de la loi de Johnson-Cook dans le cadre de l'tude de l'analyse du
comportement de la pice a montr que cette loi s'loigne de la ralit lorsque les valeurs de
vitesse de dformation s'cartent de la valeur de vitesse de dformation de rfrence
0
.
Cette loi sera utilise pour la validation au choc. Des tudes pour approfondir cette approche
sont actuellement en cours.
Les deux modles d'endommagement tudis sont capables de reproduire l'impact de
cet endommagement sur la courbe contraintes-dformations. Nous utiliserons par la suite le
modle de Lematre-Chaboche pour les simulations car ce modle peut-tre identifi
exprimentalement tandis que celui de Gurson-Tvergaard-Needleman ncessite l'utilisation
d'une mthode inverse.

46
CHAPITRE III
Procd de rayonnage
III.1. Introduction
Le procd de rayonnage consiste poinonner les artes provenant dun dcoupage
des tles. Dans notre cas, il sagit de la dcoupe l'intrieur du trou oblong de la ferrure de
scurit rappele figure III.1. notre connaissance, ce procd n'a jusqu' ce jour fait l'objet
d'aucune autre tude.

Figure III.1 Pice non plie

Il s'agit de rduire le risque de dchirure de la ceinture de scurit sur les bords de
dcoupe et d'augmenter la limite d'coulement plastique dans cette zone. Le dpart des
fissures qui peuvent apparatre depuis l'intrieur du trou oblong est ainsi limit. En effet, le
rayonnage par poinonnage augmente l'crouissage de la zone concerne comme le montre
la figure III.2 ci-dessous.

Dformation
C
o
n
t
r
a
i
n
t
e
Dformation plastique rsiduelle
Augmentation de la limite d'coulement

Figure III.2 Effet du rayonnage sur les proprits mcaniques

Lors de lopration sur la ferrure, le rayonnage se fait successivement des deux cts de
la pice. Pendant cette opration, la modification de la forme extrieure de la pice doit tre
contenue pour prvenir un quelconque coulement de la matire d au rayonnage. Comme
le montre la dernire tape de la squence de rayonnage prsente sur la figure III.3, la
bavure de dcoupe est replie lors de lopration. La dchirure de la ceinture peut ainsi tre
vite.
Artes rayonnes
CHAPITRE III - Procd de rayonnage

47

Figure III.3 tapes du procd de rayonnage

D'autre part, l'effet du rayonnage sur le ct bomb du bord dcoup consiste
augmenter le rayon de cette zone (voir la figure I.4). De chaque ct du trou, le rayonnage
augmentant la limite d'lasticit par crouissage rduit le risque de plastification de la zone
en cas de choc et donc minimise la possibilit de dpart dune fissure.
III.2. Aspect exprimental
III.2.1. Reproduction du procd en laboratoire
La premire tape dans l'tude du procd de rayonnage fut la conception d'un
outillage permettant de reproduire ses effets sur des prouvettes disponibles au laboratoire.
Les prouvettes utilises pour tudier le procd de rayonnage sont les prouvettes
prsentes sur la figure II.26. Il a t ncessaire de concevoir de toute pice un outil
modulable qui laisse la possibilit de changer les poinons de rayonnage, et ventuellement
d'utiliser une autre prouvette sans reconstruire un outil complet. Cet outil est reprsent sur
la figure III.4 ci-dessous.

Figure III.4 Outil de rayonnage des prouvettes

Colonne de guidage
Cale de contre frappe
Goupilles de fixation
de l'prouvette
Support des poinons
Rails de dgagement de
l'prouvette
Matrice

48
Le support des poinons ainsi que les poinons sont visibles sur la figure III.5 ci-aprs.

Figure III.5 Porte-poinons et poinons de rayonnage.

Le cong de rayonnage prsent sur les poinons est de 1,75 mm et l'espacement entre
poinons peut-tre ajust pour sadapter une prouvette particulire. La conception retenue
permet de remplacer aisment les poinons dans le porte poinon.
Dans le but de comparer les rsultats obtenus en laboratoire aux pices relles, les
essais ont t raliss avec l'acier S500MC qui est actuellement utilis industriellement.
III.2.2. Microstructure et Microduret
L'crouissage induit par le procd de rayonnage va modifier la microstructure du
matriau dans le rayon et augmenter ainsi sa duret. La figure III.6 montre l'influence du
procd de rayonnage sur le rarrangement des fibres du matriau. En effet, il peut tre
observ sur la figure III.6-a que les fibres suivent le sens de dcoupe et que cette disposition
est modifie sur la figure III.6-b. Du ct de la bavure de dcoupe, la figure III.6-c met en
vidence que le rayonnage a tendance les replier dans l'autre sens ce qui est leffet
recherch pour viter toute dchirure de la ceinture.

-a-

-b- -c-
Figure III.6 Micrographie d'une arte de dcoupe -a- avant rayonnage -b- aprs rayonnage -c- aprs rayonnage
ct bavure de dcoupe

Porte poinons
Poinons
Direction de
rayonnage
Rarrangement
des fibres

49
Leffet de repli ne peut pas tre observ du ct oppos la bavure de dcoupe
puisque le rayonnage dplace les fibres dans le mme sens que la dcoupe.
La figure III.7 montre l'influence du rayonnage sur la microduret du matriau dans la
zone dune prouvette rayonne avec l'outil de la figure III.4 et la figure III.8 montre quant
elle l'volution de la microduret sur le trou dune ferrure produite dans l'entreprise avec le
mme matriau.

Au vu de ces figures, il peut tre observ sur l'prouvette une augmentation de la
microduret aprs rayonnage qui est du mme ordre que celle observe sur la pice.
Nanmoins il faut noter que l'influence de la bavure de dcoupe est plus importante sur
l'prouvette que sur la pice car l'cart de microduret entre le bord de dcoupe ct bavure
et ct sans bavure et nettement moindre sur la pice. Ceci peut tre d au fait de l'usure du
poinon de dcoupe des prouvettes utilis l'ENSAM ou d'un jeu de dcoupe trop
important. Il est galement possible d'expliquer ces carts par le fait que l'prouvette est
dcoupe sur l'extrieur contrairement au trou oblong qui est dcoup l'intrieur.

Sur la figure III.7-a la microduret diminue de faon rgulire et sensiblement linaire
des deux cts de la surface dcoupe alors que sur la figure III.7-b, il apparat que le
rayonnage affecte une zone interne plus tendue dans laquelle la valeur de microduret reste
constante (entre 0 et 400 m). Dans le premier cas, nous pouvons observer une chute de la
microduret d peu prs 20% alors que dans le second cas la chute se situe aux alentours de
33%. La mme microduret se retrouve cur dans les deux pices, prouvette et ferrure.
On peut ainsi sattendre une amlioration du comportement local en bord de dcoupe.

Eprouvette non rayonne
200
220
240
260
280
300
320
340
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Distance au bord de l'chantillon (m)
M
i
c
r
o
d
u
r
e
t

H
v

(
2
0
0
g
)
Ct Bavure
Ct sans bavure

Eprouvette rayonne
200
220
240
260
280
300
320
340
0 200 400 600 800 1000 1200 1400 1600 1800 2000
M
i
c
r
o
d
u
r
e
t

H
v

(
2
0
0
g
)
Ct Bavure
Ct sans Bavure

-a- -b-
Figure III.7 Microduret Vickers sur prouvette -a- non rayonne -b- rayonne

Pice non rayonne
200
220
240
260
280
300
320
340
0 200 400 600 800 1000 1200 1400 1600 1800 2000
M
i
c
r
o
d
u
r
e
t

H
v

(
2
0
0
g
)
Ct bavure
Ct sans bavure

Pice rayonne
200
220
240
260
280
300
320
340
0 200 400 600 800 1000 1200 1400 1600 1800 2000
M
i
c
r
o
d
u
r
e
t

H
v

(
2
0
0
g
)
Ct bavure
Ct sans bavure

-a- -b-
Figure III.8 Microduret Vickers sur pice -a- non rayonne -b- rayonne

50
III.2.3. Contraintes rsiduelles
III.2.3.1 Principe de ltude
L'analyse des contraintes rsiduelles par diffraction des rayons X est une autre manire
de caractriser l'crouissage induit par le procd de rayonnage. Les contraintes rsiduelles
qui rsultent des dformations plastiques et lastiques du matriau, sont des contraintes
multiaxiales statiques qui existent au sein dun matriau qui n'est soumis aucune action
extrieure. Dans une pice non charge elles ralisent l'auto-quilibre des tensions internes
qui rsultent de la mise en forme du matriau.
Le principe d'analyse des contraintes rsiduelles est bas sur la loi de Bragg qui rgit la
diffraction des rayons X sur des empilements datomes :

2 sin
hkl
d n = (III.1)

Avec : n entier, d
hkl
distance interrticulaire, angle de diffraction et longueur donde
des rayons X diffracts. La figure III.9 illustre schmatiquement le phnomne de diffraction
et les modifications apportes par un tat de contrainte impos.

Figure III.9 Diffraction des rayons X sur les plans rticulaires

Il a t dmontr que les dformations sur le matriau modifient la distance inter
rticulaire, les plans rticulaires ayant tendance se rapprocher en compression et
s'loigner en traction [Leb01]. La dformation conventionnelle peut ainsi tre dduite de
cette distance par la formule :

0 0
0
sin
1
sin
d d
d
= = (III.2)

Comme pour un essai mcanique classique, dans (III.2) il convient d'utiliser la
dformation rationnelle :

0
0
sin
ln ln
sin
d
d
| |
| |
= =
| |
\
\
(III.3)

Dans le cas d'un tat de contrainte triaxial figure III.10, la dformation mesure
correspond la dformation suivant la normale n au plan diffractant, repre par les angles
et .


51

Figure III.10 Direction de mesure dans l'espace des dformations

La dformation effectivement mesure
peut tre relie aux contraintes

ij
par la
relation :

( ) ( )
2
2 11 33 13 33 1
1
sin sin 2
2
S S tr

(
= + + +

(III.4)

Avec :

1
S
E
= et
2
1 1
2
S
E
+
= (III.5)

S1 caractrise leffet de Poisson et S2 le module de cisaillement du matriau.
Des mesures effectues pour des angles diffrents permettent donc d'obtenir les
valeurs de contraintes rsiduelles.

Les pics de diffraction permettent d'analyser l'tat de contrainte d'un matriau, leur
largeur donne une reprsentation de l'crouissage qu'a subi le matriau. Elle peut tre
calcule de deux faons diffrentes, soit en la mesurant au 2/5
ime
de la hauteur, on parle
alors de largeur de corde, soit en considrant le rapport de la surface sous le pic sur la
hauteur du pic, on parle alors de largeur intgrale. Les valeurs de ces largeurs n'ont
nanmoins pas de sens physique puisqu'elles dpendent de l'appareillage utilis et des
conditions de mesure notamment.
III.2.3.2 Donnes exprimentales
Les donnes exprimentales de contraintes rsiduelles analyses dans cette partie
proviennent du stage de Master de H. Gancel [Gan06] que j'ai encadr.
Les mesures de contraintes rsiduelles ont t ralises en 3 points identifis sur la
figure III.11 et pour chaque point, des mesures dans le sens longitudinal et transversal ont
t effectues (figure III.12). Un polissage lectrolytique a permis de procder une attaque
chimique de l'chantillon et ainsi effectuer des mesures en profondeur dans l'chantillon. La
figure III.13 montre l'prouvette aprs avoir subi cette attaque.


52

Figure III.11 Points de mesure des contraintes rsiduelles

Figure III.12 Sens de mesure

Figure III.13 prouvette aprs polissage lectrolytique

Les figures III.14, 15 et 16 montrent respectivement les valeurs de contraintes
rsiduelles longitudinales, transversales et les largeurs de cordes observes dans deux
prouvettes, une non rayonne et une rayonne.

Contraintes rsiduelles sur prouvette non rayonne - Mesures
longitudinales
-300
-200
-100
0
100
200
300
400
500
600
700
800
0 50 100 150 200 250 300 350 400
Profondeur (m)
C
o
n
t
r
a
i
n
t
e

t
r
a
n
s
v
e
r
s
a
l
e

(
M
P
a
)
Ct sans bavure
Ct bavure
Milieu

Contraintes rsiduelles sur prouvette rayonne - Mesures longitudinales
-700
-600
-500
-400
-300
-200
-100
0
100
200
0 50 100 150 200 250 300 350 400
Profondeur (m)
C
o
n
t
r
a
i
n
t
e

l
o
n
g
i
t
u
d
i
n
a
l
e

(
M
P
a
)
Ct sans bavure
Ct bavure
Milieu

-a- -b-
Figure III.14 Valeurs de contraintes rsiduelles longitudinales

De faon gnrale, le dcoupage de l'prouvette induit les champs rsiduels visibles
sur les prouvettes non rayonnes dans lesquelles l'volution des contraintes transversales
est inverse par rapport l'volution des contraintes longitudinales. Dans ces prouvettes,
les deux champs sont principalement des champs de traction alors que ce n'est plus le cas
aprs rayonnage.

Point milieu
Ct sans bavure
Ct bavure de dcoupe
Mesures longitudinales
Mesures transversales
Zone attaque

53
L'effet du rayonnage est alors bien mis en vidence sur les valeurs des contraintes
rsiduelles longitudinales. En effet, les valeurs dcrivent un tat de compression aprs
rayonnage avec une diffrence de l'ordre de 400MPa pour le ct de la bavure de dcoupe
jusqu' plus de 800MPa de diffrence pour le milieu qui subit l'effet du rayonnage de chaque
ct de l'prouvette. Cette information dmontre que le procd de rayonnage a une
influence sur le centre de l'prouvette. L'influence du rayonnage est approximativement
identique des deux cts de l'prouvette. Le fait que les contraintes soient en compression est
bnfique, puisque des contraintes en traction faciliteraient l'amorage des fissures.

Contraintes rsiduelles sur prouvette non rayonne - Mesures
transversales
-300
-200
-100
0
100
200
300
400
500
600
700
800
0 50 100 150 200 250 300 350 400
Profondeur (m)
C
o
n
t
r
a
i
n
t
e

t
r
a
n
s
v
e
r
s
a
l
e

(
M
P
a
)
Ct sans bavure
Ct bavure
Milieu

Contraintes rsiduelles sur prouvette rayonne - Mesures transversales
-700
-600
-500
-400
-300
-200
-100
0
100
200
0 50 100 150 200 250 300 350 400
Profondeur (m)
C
o
n
t
r
a
i
n
t
e

t
r
a
n
s
v
e
r
s
a
l
e

(
M
P
a
)
Ct sans bavure
Ct bavure
Milieu

-a- -b-
Figure III.15 Valeurs de contraintes rsiduelles transversales

L'influence du procd de rayonnage sur les valeurs de contraintes transversales est la
mme que pour les contraintes longitudinales, mais d'un ordre de grandeur plus faible. Il
peut ici encore tre observ que l'influence du rayonnage est plus forte mi-paisseur de
l'prouvette.
En comparant les valeurs transversales aux longitudinales il peut tre constat des
volutions inverses ce qui est particulirement visible sur l'prouvette non rayonne o les
valeurs de contraintes longitudinales dmarrent trs fortement en traction puis terminent
cur en compression et inversement pour les valeurs transversales. Dans un lment de
matire de cts parallles aux sens long et travers, apparaissent des contraintes de
cisaillement qui ne sont pas forcment ngligeable.
Pour terminer cette tude, les figures III.16a et III.16b reportent les volutions des
largeurs de corde. Dans le cas o celles-ci correspondent la largeur de pic 2/5ime de la
hauteur, on pourra les comparer aux mesures de microduret puisqu'elles traduisent l'tat
d'crouissage du matriau. Le phnomne d'augmentation de l'crouissage dans la zone
rayonne dj constat au paragraphe III.2.2 peut tre observ sur les figures ci-dessous.
Dans ces observations, l'influence de l'opration semble moins importante au point milieu de
l'prouvette.

Largeur de corde pour une prouvette non rayonne
1.50
1.70
1.90
2.10
2.30
2.50
2.70
2.90
0 50 100 150 200 250 300 350 400
Profondeur (m)
L
a
r
g
e
u
r

d
e

c
o
r
d
e
Ct sans bavure
Ct bavure
Milieu

Largeur de corde pour une prouvette rayonne
1.50
1.70
1.90
2.10
2.30
2.50
2.70
2.90
0 50 100 150 200 250 300 350 400
Profondeur (m)
L
a
r
g
e
u
r

d
e

c
o
r
d
e
Ct sans bavure
Ct bavure
Milieu

-a- -b-
Figure III.16 Valeurs de contraintes rsiduelles largeurs de cordes

54
III.3. Aspect numrique
III.3.1. Modle numrique
La simulation numrique du rayonnage a t effectue avec le logiciel Abaqus 6.7, en
utilisant un schma d'intgration explicite. Les lments utiliss sont des lments brique 8
nuds et intgration rduite (Rfrence C3D8R). Un quart de l'prouvette seulement est
modlis (voir figure III.17) puisqu'elle est symtrique par rapport aux plans XZ et YZ.
Seules les surfaces actives du poinon de rayonnage en contact avec l'prouvette sont
modlises. Elles sont dfinies comme surfaces rigides discrtes et mailles avec des
lments tridimensionnels 4 nuds (Rfrence R3D4). L'assemblage de l'prouvette avec
les surfaces du poinon de rayonnage ainsi que les conditions aux limites sont reprsents
sur la figure III.17.

Figure III.17 Positionnement gomtrique initial du poinon et de l'prouvette

Dans une premire tape le poinon vient frapper le coin arrondir jusqu'au contact
entre sa surface plane infrieure et la face suprieure de l'prouvette. Dans une seconde
tape le poinon remonte, le retour lastique du matriau s'tablit et le champ de contraintes
rsiduelles prend naissance dans l'prouvette.
Pour viter l'influence des conditions aux limites sur les rsultats, les lments du
milieu de l'prouvette sont masqus lors de la rcupration des valeurs des contraintes et des
dformations (voir figure III.18). Les valeurs numriques sont releves aux nuds le long
d'un chemin radial partant de l'extrieur vers l'intrieur (voir figure III.19). Les valeurs de la
contrainte quivalente de Von Mises, des composantes du tenseur des contraintes et de la
dformation plastique cumule extraites de la simulation vont tre compares aux valeurs
exprimentales de microduret et de contraintes rsiduelles faisant l'objet des paragraphes
prcdents.

Figure III.18 Suppression des lments aux conditions limites

lments supprims
Condition de
symtrie suivant Y
Condition de
symtrie suivant X
Condition
d'encastrement sous
l'prouvette
Surfaces actives du
poinon (rigides)
prouvette

55
Pour se rapprocher autant que possible des conditions exprimentales des mesures
effectues, chacun des champs calculs sera reprsent en fonction de la distance relle entre
le nud du relev (millimtres) et le nud de dpart pris comme point de rfrence.

Figure III.19 Dfinition du chemin par les nuds utilis pour le relev des valeurs
III.3.2. Rsultats de la simulation Validation
III.3.2.1 Analyse des rsultats
Le procd de rayonnage a t simul en utilisant 3 lois de comportement diffrentes
pour le matriau. Tout d'abord, une loi lastoplastique simple suivant le modle de Ludwick
(voir Chapitre II). Ensuite deux modles d'endommagement ont t utiliss, celui de Gurson-
Tvergaard-Needleman (GTN) et celui de Lematre-Chaboche (LC). Ce dernier a t
implment dans une subroutine VUMAT crite en langage FORTRAN. Ces deux modles
d'endommagement sont entirement coupls la loi d'volution de Ludwick pour
l'crouissage et aux fonctions de charge. Dans les cas avec dommage, celui-ci n'est activ qu'
la condition que la contrainte hydrostatique soit positive. Il est fortement prvisible que
l'volution de la contrainte de Von Mises dans le cas du procd de rayonnage soit
sensiblement la mme en utilisant la loi simple lastoplastique et les modles
d'endommagement. En effet, l'tat de contrainte devrait tre principalement en compression
et donc gnrer une valeur de contrainte hydrostatique ngative empchant la croissance de
cavits et leur coalescence.
En ce qui concerne l'endommagement du matriau, on suppose que le dommage
calcul ici se superposera au dommage initial mal connu. Les tudes successives menes par
Hambli [Ham96] dans le cadre du dcoupage de tles d'acier ont montr que seule une
mince couche de matire situe dans le jeu de dcoupe tait entirement endommage. Nous
avons donc suppos que le matriau des prouvettes tait vierge et avons calcul les valeurs
de la variable d'endommagement partir de zro. Dans le cas du modle de GTN, le taux de
porosit de dpart est suppos nul.

Les figures III.20, III.21 et III.22 montrent les isovaleurs de la contrainte quivalente de
Von Mises dans les trois cas avec une chelle des valeurs se situant entre 3,2.10
6
Pa et
9,8.10
8
Pa.

Sur les figures III.20, III.21 et III.22 il peut tre observ que la distribution des
contraintes est bien sensiblement la mme dans les trois cas de simulation. Il peut galement
tre remarqu que l'influence du procd s'tend au-del du milieu de l'paisseur de
l'prouvette, ce qui avait dj t constat lors des observations exprimentales en
microduret et en contraintes rsiduelles.


56

Figure III.20 Isovaleurs de la contrainte quivalente de Von Mises pour la loi lastoplastique

Figure III.21 Isovaleurs de la contrainte quivalente de Von Mises pour le modle LC

Figure III.22 Isovaleurs de la contrainte quivalente de Von Mises pour le modle GTN

La figure III.23 montre l'volution de la contrainte de Von Mises dans le rayon ainsi
que l'volution de la dformation plastique quivalente associe.


57
Evolution de la contrainte de Von Mises
0
100
200
300
400
500
600
700
800
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
n
t
r
a
i
n
t
e

d
e

V
o
n

M
i
s
e
s

(
M
P
a
)
Elastoplastique
LC
GTN

Evolution de la dformation plastique
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 0.5 1 1.5 2 2.5 3
Distance (mm)
D
f
o
r
m
a
t
i
o
n

p
l
a
s
t
i
q
u
e

c
u
m
u
l
e
ElastoPlastique
LC
GTN

-a- -b-
Figure III.23 volution de la contrainte quivalente et de la dformation plastique quivalente dans le rayon

Ces deux courbes montrent que les volutions de la contrainte quivalente et de la
dformation plastique sont quasiment identiques dans les trois cas. Ces courbes peuvent tre
compares aux courbes de microduret et de largeur de corde, qui rendent compte de l'tat
d'crouissage du matriau dans le rayon, dans lanalyse des contraintes rsiduelles. Sur les
prouvettes d'paisseur 4mm, les effets du procd se propagent jusqu'aux environs de
2mm, ce qui est en accord avec les mesures de microduret reprsentes sur la figure III.7 -b-.

Les composantes du tenseur des contraintes peuvent tre compares aux valeurs de
contraintes rsiduelles puisque dans les lments volumiques utiliss les composantes sont
calcules dans le repre global du modle numrique [Aba01]. Ces valeurs sont prsentes
sur les figures III.24.

L'analyse des contraintes rsiduelles dans le sens longitudinal correspond au sens 1
dans la simulation et le sens transversal au sens 3 (voir figure III.12 et III.17). Par consquent,
les contraintes rsiduelles longitudinales sont rapprocher des composantes
11
,
12
et
13
et
les contraintes rsiduelles transversales sont rapprocher des composantes
33
,
23
et
13
.

L'influence du rayonnage sur les contraintes rsiduelles longitudinales est de l'ordre de
400 600MPa en compression au bord du rayon (voir figure III.14). Les composantes
12
et
13
issues de la simulation sont trs faibles compares
11
. Par consquent, l'influence sur
les contraintes rsiduelles provient principalement de
11
qui est de l'ordre de -500MPa au
bord du rayon. Cette valeur est donc relativement proche de celle provenant de l'analyse des
contraintes rsiduelles.

En ce qui concerne les contraintes rsiduelles transversales, l'influence observe
exprimentalement est infrieure 200MPa. Comme il a t signal prcdemment, la
composante
13
est faible et l'effet du rayonnage sera gouvern par les composantes
33
et
23

dont les valeurs sont du mme ordre, environ -300MPa au bord du rayon. Mme si cette
valeur est plus leve que la valeur observe par l'analyse de contraintes rsiduelles aux
rayons X, nous retrouvons le comportement en profondeur puisque les contraintes oscillent
autour d'une valeur nulle entre +150MPa et -150MPa (figure III.15). C'est aussi ce qui peut
tre observ dans la simulation pour les composantes
33
et
23
(figures III.24c-f). Notons ici
qu'il ne nous a pas t possible de distinguer l'influence de la contrainte de cisaillement lors
de l'analyse exprimentale par contraintes rsiduelles.


58
Evolution de la composante S11
-600
-500
-400
-300
-200
-100
0
100
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
m
p
o
s
a
n
t
e

S
1
1

(
M
P
a
)
ElastoPlastique
LC
GTN

-800
-700
-600
-500
-400
-300
-200
-100
0
100
200
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
m
p
o
s
a
n
t
e

S
2
2

(
M
P
a
)
ElastoPlastique
LC
GTN

-a- -b-
-400
-300
-200
-100
0
100
200
300
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
m
p
o
s
a
n
t
e

S
3
3

(
M
P
a
)
Elastoplastique
LC
GTN

-40
-30
-20
-10
0
10
20
30
40
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
m
p
o
s
a
n
t
e

S
1
2

(
M
P
a
)
Elastoplastique
LC
GTN

-c- -d-
-15
-10
-5
0
5
10
15
20
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
m
p
o
s
a
n
t
e

S
1
3

(
M
P
a
)
ElastoPlastique
LC
GTN

-400
-300
-200
-100
0
100
200
0 0.5 1 1.5 2 2.5 3
Distance (mm)
C
o
m
p
o
s
a
n
t
e

S
2
3

(
M
P
a
)
Elastoplastique
LC
GTN

-e- -f-
Figure III.24 volution des composantes du tenseur des contraintes en simulation pour le procd de
rayonnage -a- 11 -b- 22 -c- 33 -d- 12 -e- 13 -f- 23
III.3.2.2 Interprtation des rsultats de la simulation
Si nous considrons pour base de discussion la contrainte lastoplastique donne
directement par ABAQUS
sur le bord au point 1, nous trouvons les valeurs suivantes

lgrement arrondies du tenseur des contraintes dans la base globale figure III.17 ou III.19
(Les valeurs sont lues sur les graphiques de contraintes des figures III.24) :

(
(
(

=
300 300 5
300 700 5
5 10 450
MPa

Les valeurs propres et les vecteurs propres associs sont [Mat07] :

1 = -449,7 MPa 2 = -860,86 MPa 3 = -139,45 MPa


59

=
4717 , 0
8814 , 0
0272 , 0
;
8817 , 0
4714 , 0
001 , 0
;
0137 , 0
0235 , 0
9996 , 0
3 2 1
V V V

Le repre principal est tourn autour de la direction 1 d'un angle gal 30 et sur un
lment de matire dcoup suivant le repre principal, nous obtenons la reprsentation qui
suit :

Les flches rouges correspondent la
contrainte de compression la plus grande -861
MPa suivant un angle de 60 et la contrainte
perpendiculaire au plan de la figure (non
reprsente, sens long) est celle qui a pour
valeur -450 MPa. Les petites flches ont une
valeur gale -140 MPa.
Ceci montre qu'on a principalement une
compression radiale importante et une
compression longitudinale engendre par le
blocage de l'prouvette sur la matrice lors du
rayonnage car la dformation longitudinale est
fortement empche.
Figure III.25 Directions principales des
contraintes rsiduelles aprs rayonnage
III.4. Conclusion
Exprimentalement, les mesures de microduret et les analyses de contraintes
rsiduelles confirment bien que le procd de rayonnage utilis au laboratoire crouit
fortement le matriau et ceci sur une profondeur de l'ordre de 2mm pour une paisseur de
tle de 4mm. D'autre part, l'influence du procd dpasse le milieu de l'prouvette, ce qui a
tendance cumuler le rayonnage de chaque ct dans cette zone. Ces deux observations sont
galement cohrentes pour la pice rayonne l'entreprise, ce qui permet de conclure que
l'outil ralis l'ENSAM pour le rayonnage des prouvettes est reprsentatif du procd
industriel.
Les rsultats de la simulation numrique sont en accord avec les rsultats
exprimentaux et les deux remarques prcdentes se retrouvent autant en simulation
qu'exprimentalement. Les deux modles d'endommagement reproduisent assez bien le fait
que le matriau ne s'endommage pas lorsqu'il est soumis une sollicitation en compression
comme c'est principalement le cas du rayonnage par frappe. Nous pouvons donc conclure
que la simulation du rayonnage en utilisant le modle d'endommagement de Lematre-
Chaboche ou celui de Gurson-Tvergaard-Needleman coupl avec l'volution de Ludwick en
plasticit reproduit correctement le procd rel.
Les perspectives de cette tude seraient d'tudier l'influence du rayon du poinon de
rayonnage, ainsi que l'influence de la distance laquelle se trouve ce poinon par rapport au
bord de l'prouvette au moment de la frappe, sur les contraintes rsiduelles et sur la
microduret. Ces rsultats pourraient ensuite tre compars aux mmes tudes en simulation
pour vrifier que les modles numriques traduisent bien la mme volution des contraintes.

60
CHAPITRE IV
Mthodes d'Optimisation et d'Approximation.
Gnralits.
IV.1. Introduction
Le but de l'optimisation est la foi simple et noble, il consiste faire du mieux possible.
Cette ide peut reprsenter une vidence pour tout un chacun, il n'en reste pas moins que si
le principe est simple, la ralisation est souvent ardue. En effet, le mieux possible est toujours
subjectif et dpend du point de vue. Il s'agit par consquent d'un concept dfinir pour
chaque cas tudi.

Dans le langage courant, le mot "optimisation" est souvent utilis tort l o il faudrait
en ralit parler de simple amlioration relative un tat antrieur [Coh00]. En effet,
l'optimisation a pour but de rechercher le mieux possible dans un tat de contraintes et de
faisabilit dfini pralablement, nous pouvons considrer que s'il n'existe pas de meilleure
possibilit, la solution est optimale.
Les problmes rencontrs en optimisation se rsument bien souvent la minimisation
d'une fonction (ou la maximisation de son inverse). Par exemple, la minimisation de la
distance parcourue par un vhicule pour atteindre un point B partant d'un point A, la
minimisation de l'erreur commise en utilisant une fonction mathmatique pour modliser le
comportement d'un matriau (voir chapitre II), etc. La dfinition du mieux possible dans ce
cas est relativement explicite, mais si le problme considr maintenant est de vouloir
optimiser la fois le temps du trajet d'un vhicule, mais aussi le cot en carburant et le prix
des pages, certaines amliorations d'un critre vont dtriorer l'un des autres critres. De la
mme faon, si l'objectif est de minimiser l'erreur commise en utilisant une loi de
comportement ou un critre d'endommagement la fois en traction monotone, en
compression, en cisaillement, en flexion et en torsion, une amlioration de l'un des critres
peut nuire l'un des autres. C'est pourquoi la notion de compromis et souvent voqu en
optimisation et finalement le "mieux possible" se transforme souvent en le "moins mauvais".
Deux types diffrents d'optimisation sont donc distingus, l'optimisation mono-objectif
qui consiste a minimiser (ou maximiser) une seule fonction dite objectif, et l'optimisation
multi-objectifs qui consiste cette fois considrer plusieurs fonctions en mme temps.

Dans ce chapitre, une tude bibliographique rsume les mthodes d'optimisation dites
"classiques" ce qui permettra d'une part de comprendre le principe de l'optimisation et
d'autre part de prsenter certains algorithmes utiliss pour l'entranement des rseaux de
neurones utiliss par la suite comme substitution aux calculs lments finis. Les mthodes
d'optimisation et d'approximation utilises dans le cadre de cette tude seront ensuite
dtailles.
CHAPITRE IV - Mthodes d'Optimisation et d'Approximation. Gnralits.

61
IV.2. Bibliographie Gnralits
IV.2.1. Mthodes classiques
Les mthodes les plus frquemment rencontres dans les domaines de l'optimisation et
de la mise en forme utilisent une fonction minimiser (ou a maximiser), appele fonction
cot ou "fonction objectif" qui peut dpendre d'un plus ou moins grand nombre de
paramtres et de contraintes. L'augmentation du nombre de paramtres influencera le
nombre de calculs indispensables l'estimation des drives premires et secondes de la
fonction, ainsi que le nombre d'itrations ncessaire pour obtenir la convergence de
l'algorithme vers une solution qui vrifie les critres du problme.
IV.2.1.1 Mthodes utilisant le gradient de la fonction
Ces mthodes ncessitent le calcul des drives premires de la fonction cot. Elles
sont dites d'ordre 1. Dans ce qui suit x est le vecteur des paramtres, ou variables, du
problme.
n
x .
IV.2.1.1.1. Mthode de la plus forte pente
La mthode de la plus forte pente est attribue Cauchy (1847). Soit f(x) la fonction
cot minimiser et f le gradient de la fonction. On considre qu'en tout point x, la
direction de la plus grande descente (celle qui minimisera le plus la fonction) est f .
L'algorithme va donc chercher construire une suite de points, x
1
x
2
x
3
x
k
, telle que
[Vay04] :

( ) ( )
1 k k
f f
+
< x x (IV.1)

L'algorithme consiste ainsi en la formulation suivante :

( )
1 k k k k
f
+
= x x x (IV.2)

Avec le pas effectu dans la direction de la plus forte pente. Le critre d'arrt pourra
porter sur une tolrance sur la variation de la fonction cot, une tolrance sur la variation des
x, une tolrance sur la valeur du gradient, un nombre d'itrations maximum ou encore un
nombre d'valuations maximum.

L'efficacit de cette mthode est faible. Il peut tre dmontr que deux directions
conscutives vont tre orthogonales [Vay04] et que cette particularit peut entraner des
oscillations est conduire la divergence de l'algorithme.
IV.2.1.1.2. Mthode du gradient conjugu
Les mthodes de directions conjugues possdent comme caractristique de converger
en n itrations pour des fonctions quadratiques de n variables. Cette caractristique induit
qu'elles convergeront trs rapidement au voisinage du minimum pour une fonction
quelconque, puisque toute fonction peut tre localement approche par une fonction
quadratique [Vay04].


62
L'algorithme du gradient conjugu se prsente alors sous la forme suivante :

Considrons la fonction quadratique f(x) dfinie comme suit :

( )
1
2
f c = + +
T T
x x Ax b x (IV.3)

Le problme consiste minimiser ( ) f x , avec A matrice symtrique dfinie positive,
n
b et c . Les directions de descente sont caractrises par les vecteurs p
k
(k=1, n) qui
sont mutuellement conjugus par rapport la matrice A si et seulement si :

0, k j =
T
k j
p Ap (IV.4)

En notant g = f l'algorithme se droule comme suit :

1) k=0 au point initial x
0
. On pose :

( ) f = = +
0 0 0
g x Ax b et =
0 0
p g (IV.5)

2) On calcule le pas optimal dans la direction p
k
en posant :

( ) ( ) F f =
k k
x + p (IV.6)

Le pas optimal est solution de ( ) ' 0 F =

( ) ( ) ( ) ' F f ( = + = +

T T
k k k k k k
p x p p A x p (IV.7)

( ) ( ) ( ) ' F f ( ( = + + = +

T T
k k k k k k
p Ax b Ap p x Ap (IV.8)

Ce qui donne :

k
=
T
k k
T k
k
p g
p Ap
(IV.9)

3) Le point suivant est obtenu en calculant :

k
= +
k+1 k k
x x p (IV.10)

4) Le gradient et la direction au pas suivant sont ensuite calculs :

( ) f =
k+1 k+1
g x (IV.11)

k
= +
k+1 k+1 k
p g p (IV.12)


63
Avec la condition d'orthogonalit (IV.4) et en multipliant chacun des deux membres
droite par Ap
k
on trouve :

k
=
T
k+1 k
T
k k
g Ap
p Ap
(IV.13)

5) k=k+1, retour en 2 jusqu' ce que k=n.

Une variante a t propose par Fletcher et Reeves [Fle64]. Dans ce cas, on a :

( )
( )
2
2 k
f
f
k+1
k
x
x
(IV.14)

Polak et Ribire [Pol69] ont galement propos une mthode de calcul pour
k
:

( ) ( ) ( )
( )
2 k
k
f f f
f
(

=
k k+1 k
x x x
x
(IV.15)
IV.2.1.2 Mthodes de Newton
Ces mthodes prsentent la particularit de ncessiter le calcul de la drive seconde
de la fonction cot. Ce sont des mthodes d'ordre 2.
IV.2.1.2.1. Mthode de Newton-Raphson
La mthode de Newton-Raphson est une mthode frquemment utilise pour la
rsolution d'quations non-linaires. Cette mthode consiste rsoudre l'quation
( )
*
' 0 f x = par le biais d'une linarisation de ' f .
Au point xk, on considre l'approximation suivante [Vay04] :

( ) ( ) ( ) ( ) ( )
1 1
' ' "
k k k k
f f f f
+
+ = x x x x x x (IV.16)

On prend comme prochain point l'intersection de f
1
avec l'axe des x, soit f
1
(x)=0. Ce qui
donne :

( )
( )
1
'
"
k
k k
k
f
f
+
=
x
x x
x
(IV.17)

Figure IV.1 Itration pour l'algorithme de Newton-Raphson [Vay04]

64
La convergence se fait en un seul pas si la fonction est quadratique. Les inconvnients
de cette mthode rsident dans le fait qu'il soit ncessaire de calculer la drive premire et la
drive seconde de la fonction.
IV.2.1.2.2. Mthode de Newton
La mthode de Newton est la gnralisation n dimensions de la mthode de Newton-
Raphson [Vay04].

Autour du point x
k
, on considre une approximation quadratique de f telle que :

( ) ( ) ( ) ( ) ( ) ( )( )
T T
2
1
2
k k k k k k
f f f = + + x x x x x x x x x x (IV.18)

O ( ) ( )
2
k k
f = x H x est la matrice Hessienne de f au point x
k
.
Si H(x
k
) est strictement positive, alors ( ) x est strictement convexe. Son minimum sera
donc atteint pour ( ) 0 = x :

( ) ( )( )
2
0
k k k
f f + = x x x x (IV.19)

Ou encore:

( ) ( )
1
1 k k k k
f
+
( =

x x H x x (IV.20)

L'algorithme de Newton revient donc itrer sur cette dernire quation.
Cette mthode prsente plusieurs inconvnients. Tout d'abord, si la matrice Hessienne
n'est pas dfinie positive, il peut tre observ soit une divergence de l'algorithme, soit une
convergence vers un point qui ne sera pas un minimum mais un maximum local. Il est
possible de remdier ce problme en introduisant une tape de minimisation
unidirectionnelle qui donnera :

( ) ( )
1
1 k k k k k
f

+
( =

x x H x x (IV.21)

Dans laquelle le coefficient est calcul comme il a t vu prcdemment.

Un autre inconvnient de cette mthode, qui lui est commun avec la mthode
prcdente, est qu'il est ncessaire de calculer les drives secondes et d'inverser la matrice
Hessienne.
IV.2.1.3 Mthodes de quasi-Newton
Les mthodes de quasi-Newton sont des mthodes drives de la mthode de Newton
mais elles ne ncessitent pas le calcul de la matrice Hessienne. Elles considrent la matrice B
k

symtrique dfinie positive et qui est calcule chaque itration. La suite (B
k
) constitue une
approximation de [H(x
k
)]
-1
. L'itration se fait maintenant sur l'quation suivante :

( )
1 k k k k
x x f x
+
=
k
B (IV.22)


65
La suite (B
k
) est donc mise jour selon :

= +
k+1 k k
B B (IV.23)

L'quation dite de quasi-Newton est la suivante :

k
=
k+1 k
B (IV.24)
Avec :

( ) ( )
1 k k
f x f x
+
=
k
et
1 k k k
x x
+
= (IV.25)

Il existe plusieurs mthodes pour calculer l'itration B
k+1
, les deux algorithmes les plus
utiliss tant celui de Davidon-Fletcher-Powell (DFP) [Fle63] et celui de Broyden-Fletcher-
Goldfarb-Shanno (BFGS) [Bro70].
IV.2.1.3.1. Davidon-Fletcher-Powell
L'algorithme DFP d'actualisation de la matrice B
k
est :

| | | |
= +
| |
\ \
T T
k k k k k k
k+1 k T T
k k k k k
B B
B B
B
(IV.26)
IV.2.1.3.2. Broyden-Fletcher-Goldfarb-Shanno
La mthode BFGS utilise pour l'actualisation de la matrice B
k
est :

1
| | | |
= + +
| |
\ \
T T
k k k k k k k k k
k+1 k T T
k k k k
B B +B
B B

(IV.27)

L'algorithme de BFGS est reconnu comme l'un des plus efficaces et il est trs
frquemment utilis dans les domaines de la mise en forme o de l'identification de lois de
comportement.
Il est d'autre part moins sensible la recherche unidirectionnelle que l'algorithme de
DFP.
IV.2.1.4 Mthodes de Newton pour les problmes de moindres carrs
IV.2.1.4.1. Gauss-Newton
La mthode des moindres carrs consiste minimiser la somme de carrs de
fonctions f
i
qu'on crit de la faon suivante :

( ) ( )
2
1
min
m
i
i
x f
=
=

x (IV.28)

Avec : , i = 1,...,m
n
i
f et x = [x1, x2,, xn] le vecteur des paramtres modifier.


66
Pour appliquer la mthode de Newton au problme des moindres carrs, il faut
calculer le gradient et le Hessien. Posons
[ ]
T
1
,...,
m
f f = f , la fonction cot considre est F telle
que :
( ) ( )
T
F(x) = f x f x (IV.29)

Le j
ime
composant de ( ) F x est :

( ) ( ) ( ) ( )
1
2
m
i
i
j
i
j j
f
f
x x
=

( = =

F
F x x x x (IV.30)

La matrice Jacobienne sera donc de la forme :

( )
( ) ( )
( ) ( )
1 1
1
1
n
m m
n
f f
x x
f f
x x
| |
|

|
| =
|

|
|

\
x x
J x
x x
(IV.31)

Le gradient peut ainsi tre crit comme suit :

( ) ( ) ( ) 2 =
T
F x J x f x (IV.32)

On calcule ensuite le Hessien. Le composant (k,j) est donn par :

( ) ( ) ( ) ( )
2
1
2
m
i
i
i k j k j k j
f
f
x x x x x x
=
( (

= =
( (

( (

F F
x x x x (IV.33a)
( ) ( ) ( ) ( )
2
1
2
m
i i i
i
i k j k j
f f f
f
x x x x
=
(

= +
(

(

x x x x (IV.33b)

Si on dfinit la matrice S(x) ayant pour composant (k,j) :

( ) ( )
2
i
i
k j
f
f
x x

x x (IV.34)

Le Hessien peut tre crit sous la forme matricielle suivante :

( ) ( ) ( ) ( ) 2
(
=

T
H x J x J x +S x (IV.35)

Par consquent, en reprenant l'quation de la mthode de Newton (VI.20), on obtient la
formulation de la mthode de Newton pour les moindres carrs :

( ) ( ) ( ) ( ) ( )
(
=

-1
T T
k+1 k
x x J x J x +S x J x f x (IV.36)

67
En gnral, les composantes de la matrice S(x) sont suffisamment faibles pour tre
ngliges puisqu'elles font apparatre la courbure des fonctions fi qui doit tre faible dans le
voisinage de l'optimum et on obtient ainsi l'algorithme dit de Gauss-Newton :

( ) ( ) ( ) ( )
(
=

-1
T T
k+1 k
x x J x J x J x f x (IV.37)

La matrice ( ) ( ) ( ) =
T
G x J x J x est appele matrice de Gauss-Newton.
On supprime ainsi le calcul des drives secondes. Nanmoins, l'inconvnient de
l'algorithme de Gauss-Newton est que la matrice G(x) peut ne pas tre dfinie positive.
IV.2.1.4.2. Levenberg-Marquardt
L'algorithme de Levenberg-Marquardt permet de lever le problme rencontr avec
l'algorithme de Gauss-Newton en introduisant le terme I, avec un scalaire positif et I est la
matrice identit. On obtient ainsi le nouveau point par :

( ) ( ) ( ) ( )
k
(
= +

-1
T T
k+1 k
x x J x J x I J x f x (IV.38)

Une autre manire d'interprter le terme I est de le considrer comme une
approximation de la matrice S(x) provenant de l'algorithme de Newton (voir pages
prcdentes) [Cho01].
IV.2.2. Les algorithmes gntiques
IV.2.2.1 Historique et principe gnral
Les algorithmes gntiques appartiennent une famille d'algorithmes appels
mtaheuristiques. Les algorithmes gntiques utilisent la notion de slection naturelle
dveloppe au XIX
e
sicle par le scientifique Darwin [Dar59] dans sa thorie sur l'volution
des espces.
Historiquement, c'est John Holland [Hol75] de l'universit du Michigan, en 1975, qui
nona le concept d'algorithmes gntiques (A.G.). C'est l'ouvrage de D.E. Goldberg [Gol89]
en 1989 qui a fait connatre les algorithmes gntiques la communaut scientifique
internationale.

Selon Kalyanmoy Deb [Deb99] du Knpur Genetic Algorithms Laboratory, les A.G. ont
l'avantage de ne pas ncessiter de grands changements dans l'algorithme lorsque le
problme change, de plus, les algorithmes utilisant le gradient sont plus rapides, mais ne
convergent que dans le cas d'une fonction continue et drivable sur l'intervalle tudi.

Dans la littrature [Cor06], [Ler95], [Val01], quatre caractristiques accordes aux A.G.
sont gnralement rencontres :

Les A.G. utilisent un codage des paramtres et non les paramtres eux-mmes.
Les A.G. travaillent sur une population de points et non sur un point unique.
Les A.G. utilisent les valeurs relles de la fonction tudie et non pas son
gradient (ce qui permet de travailler sur des fonctions numriques par
exemple).
Les A.G. utilisent des rgles de transitions probabilistes et non pas
dterministes.

68
Il est ncessaire dans un premier temps d'introduire quelques dfinitions [Cor06] :

Individus, chromosomes ou squence : Nous appelons un individu A de longueur l(A) une
suite A = {a1, a2, , al}. Les valeurs ai, que l'on appelle gne ou allle, sont soit des bits
c'est--dire } { 1 ; 0 , soit des valeurs relles P, o P est l'ensemble des paramtres.

"fonction objectif", fonction d'adaptation ou fonction de "fitness" F : La "fonction objectif" est
la fonction que l'on cherche minimiser (o maximiser).

Fonction d'valuation f : La fonction d'valuation est la fonction qui donne les valeurs
qui permettent d'obtenir la "fonction objectif". Cette fonction peut tre gale la "fonction
objectif", mais ce n'est pas ncessairement le cas. Par exemple, si le but est de se rapprocher
autant que possible d'une valeur
0
f pour la "fonction objectif" F, on crit :

( )
2
0
f f F = (IV.39)

Ensuite, il reste minimiser F. Il faut noter qu'il est possible d'avoir plusieurs fonctions
objectifs. Les algorithmes sont dits dans ce cas multi-objectifs.

Slection, croisement et mutation : Le cur d'un A.G. est constitu d'un oprateur de
slection, d'un oprateur de croisement auquel est associe une probabilit de croisement,
d'un oprateur de mutation auquel est associe une probabilit de mutation.

Par exemple : Si Fi est la valeur de la fonction d'adaptation pour un individu i, alors, la
probabilit de slection de l'individu i est donn par :

=
N
j
j
i
F
F
1
(IV.40)

O N est le nombre d'individus par gnration.

L'oprateur le plus rpandu pour la slection est l'oprateur dit de la roulette biaise
(voir Figure IV.2).

Figure IV.2 Schma de principe de la roulette biaise


69
L'algorithme fait tourner N fois la roue. Aprs la slection, il dispose donc d'un groupe
de N individus appel groupe de slection.
L'algorithme applique ensuite l'oprateur de croisement sur ce groupe. Le croisement
peut par exemple tre schmatis comme suit : (ici dans le cas de variables binaires)

Parent 1 : 0 1 0 1 0
Parent 2 : 1 0 1 0 1

Enfant 1 : 0 1 1 0 1
Enfant 2 : 1 0 0 1 0

Le site de croisement et d'abord choisi, ensuite il faut changer les allles des parents
pour obtenir les enfants.

Si une probabilit de croisement pc est utilise, alors, 100
c
p % des individus
slectionns sont utiliss pour la reproduction et ( ) 100 1
c
p % ne sont pas utiliss pour le
croisement.

A ce stade, l'algorithme possde quasiment la gnration suivante, il lui reste
appliquer l'oprateur de mutation. Cet oprateur revient en fait appliquer aux nouveaux
individus une probabilit de mutation pm petite.

La mutation permet de prserver la diversit dans la population et vite en particulier
l'A.G. de converger vers un optimum local. La Figure IV.3 montre l'volution du meilleur
individu (courbe bleue), du plus mauvais (courbe rouge) et de la valeur moyenne des
individus de toute la population (courbe verte) pour un algorithme gntique dans le cas
d'une traction simple sur une pice de scurit (ici NSGA voir IV.3) pour lequel nous
avons fix la probabilit de mutation 0.

Convergence d'un A.G. lorsque la probabilit de mutation est nulle
450
500
550
600
650
700
0 5 10 15 20 25 30 35 40 45 50 55 60
Numro de gnration
F
i
t
n
e
s
s
Meilleur
Plus Mauvais
Moyenne

Figure IV.3 Effet d'une probabilit de mutation nulle sur la convergence d'un A.G.

Il est clairement mis en vidence ici que ds la 25
ime
gnration, l'ensemble des
individus est constitu de "jumeaux". En effet, le plus mauvais individu est aussi bon que le
meilleur, il n'y a en fait qu'un seul est mme individu dans toute la population.


70
C. Corre [Cor06] rsume ce processus de la faon suivante :

Oprateur de slection : slectionne des chanes bien adaptes.

Oprateur de croisement : recombine de "bonnes" sous-chanes pour gnrer si
possible de meilleures chanes.

Oprateur de mutation : modifie localement une chane pour gnrer ventuellement
une meilleure chane.

La figure IV.4 rsume le fonctionnement global d'un A.G.

Figure IV.4 Schmatisation globale d'un A.G. [Web03]

Un grand nombre d'amliorations ont t apportes au schma des algorithmes
gntiques lors de leur d'utilisation. Il convient ici de citer les principales.

Tout d'abord, il est possible d'amliorer l'oprateur de slection. Cet oprateur doit en
effet tre ralis avec un certain quilibre. En effet, si la slection est trop forte, l'A.G. risque
de converger prmaturment vers un optimum local. D'autre part, si la slection n'est pas
assez forte, il est possible de perdre la proprit de convergence de l'algorithme. Plus
d'informations pourront tre trouves concernant les premires amliorations apportes cet
oprateur dans les thses de doctorat de De Jong [Dej75] et de Brindle [Bri81].
Il est noter que Brindle a introduit la notion d'litisme, qui consiste conserver une
version "originale", c'est--dire sans croisement du meilleur individu chaque gnration.

Nous pouvons galement citer comme mthode d'amlioration du processus de
slection :

Echantillonnage dterministe : Le nombre de copies attendues est calcul avec la
probabilit
tot i
f f .

Echantillonnage stochastique avec ou sans remplacement : Slection par roue de loterie, avec
remplacement signifie que l'individu slectionn est de nouveau disponible au lancer
suivant.

71
Echantillonnage stochastique de la partie restante avec ou sans remplacement : La probabilit
de croisement de chaque individu est d'abord calcule, puis une slection par roue de loterie
en utilisant ces probabilits (voir plus haut) est effectue.

Tournoi stochastique : L'algorithme tire deux individus avec le principe prcdent et ne
garde que le meilleur des deux pour le croisement.

Il est galement envisageable d'amliorer la fonction d'adaptation elle-mme. Le
problme est le suivant : il est possible d'observer une convergence prmature due un
cart trop faible entre la valeur moyenne et le meilleur individu. C'est le problme de la
convergence vers un optimum local. Pour remdier ce problme, la fonction d'adaptation
(note f ici) peut tre ramene une fonction lgrement diffrente de la forme :

b af f + = ' (IV.41)

On parle alors de mise l'chelle de la fonction d'adaptation. La moyenne de ' f doit tre
gale la moyenne de la fonction originale f . De cette faon, tous les individus qui ont une
valeur d'adaptation au moins gale la valeur de l'adaptation moyenne, se retrouveront au
moins une fois en copie dans la gnration suivante. Le nombre de descendants du meilleur
individu est valid en choisissant la transformation de faon avoir :
moy
Cf f =
max
' avec C, le
nombre de copies souhaites pour le meilleur individu.

Toutes ces contraintes imposes sur la fonction d'adaptation peuvent se traduire par :

max
.
j j
j j
moy
moy
a f Nb f
f
N N
a f b Cf
+
= =
+ =

soit
max
.
.
moy moy
moy
a f b f
a f b Cf
+ =
+ =
(IV.42)

On obtient donc :

max
max max
( 1) ( )
,
moy moy moy
moy moy
C f f f Cf
a b
f f f f

= =

(IV.43)

Il faut nanmoins faire attention, car il est possible d'obtenir une valeur de la fonction
transforme ' f qui va devenir ngative. C'est notamment le cas lorsque des individus ont
une valeur d'adaptation trs infrieure la valeur moyenne.

En remarquant que ' f devient ngative si : 0
min
< + b af , ce qui quivaut :

1
max
min
<
C
f Cf
f
moy
(IV.44)

Les constantes a et b sont modifies de faon obtenir :
moy moy
f f = ' et 0 '
min
= f .


72
Ce qui conduit aux valeurs suivantes de a et b :

min
min
min
,
f f
f f
b
f f
f
a
moy
moy
moy
moy
= (IV.45)

Un problme peut galement apparatre lorsqu'il existe plusieurs optima. En effet,
l'algorithme va converger vers l'un des optima, mais ne verra pas les autres. Pour remdier
ce problme, Goldberg et Richardson [Gol87] ont introduit la notion de partage. La dfinition
est la suivante : "La valeur d'adaptation d'un individu est dgrade en la partageant entre cet
individu et ces proches voisins".

En pratique, lorsque des individus se regroupent autour d'un optimum, ils contribuent
les uns les autres rduire leur valeur d'adaptation. Le fait de rduire leur fonction
d'adaptation vite "d'attirer" les autres individus vers cet optimum. En effet, puisque leur
adaptation est limite, le nombre de copies de ces individus qui sera gard pour le
croisement est rduit. Ainsi, d'autres individus peuvent aller vers les autres optima. Il est
ncessaire de dfinir une notion de distance entre individus.

Par exemple, la distance de Hamming est frquemment utilise, elle reprsente le
nombre de bits (dans le cas d'un codage binaire des paramtres) qui diffre entre deux
individus.
Une fonction de partage ) (dist sh est ensuite utilise. Elle value le fait que deux
individus doivent ou non tre considrs en tat de partager leur adaptation. Cette fonction a
les caractristiques suivantes :

1 ) ( 0 dist sh dist ; 1 ) 0 ( = sh et 0 ) ( lim =

dist sh
dist
(IV.46)

On a :
( )
1 si
0 sinon
dist
dist
sh dist
| |
<
|
\
(IV.47)

et sont des paramtres rglables (au mme titre que la probabilit de croisement
ou de mutation).
On dfinit ensuite une fonction d'adaptation aprs partage
p
i
f qui s'crit :

=
=
N
j
i p
i
j i d sh
f
f
1
)) , ( (
(IV.48)

Avec d(i, j) la distance de Hamming entre les individus i et j.
Le principe du partage peut tre interprt de la faon suivante :
dsigne le "rayon" de la sphre de partage (encore appele "niche cologique"). Si
l'individu i est le seul dans cette niche cologique, alors le compteur de niche mi est tel que :

=
= =
N
j
i
j i d sh m
1
1 )) , ( ( et
i
p
i
f f = (pas de changement sur la fonction d'adaptation)

73
Si l'individu i n'est pas seul dans ce cas,
i
f est diminue en fonction du nombre et de la
proximit des voisins de l'individu i. Le rayon de la niche dpend alors du problme trait.
Dans le cas d'un codage rel des paramtres, Deb et Goldberg [Deb89] donnent comme
distance la valeur :

=
|
|
\
|
=
P
p
l
p
u
p
j
p
i
p
ij
x x
x x
d
1
2
) ( ) (
(IV.49)

Dans cette formule, P est le nombre de paramtres du problme et
u
p
x ,
l
p
x sont les
bornes de variation suprieure (upper) et infrieure (lower) de la variable
p
x qui prend la
valeur
) (i
p
x pour l'individu i. De plus, Deb et Goldberg suggrent d'utiliser comme rayon :

P / 1
10
1
2
1
|
\
|
= (IV.50)

Il est galement possible d'utiliser une distance normalise :

=
|
|
\
|
= =
P
p
l
p
u
p
j
p
i
p ij
ij
x x
x x
P
d
1
2
) ( ) (
1
] 1 , 0 [ (IV.51)

On utilisera alors :
n
sh = 1 ) (

Aujourd'hui, les A.G. sont utiliss dans des domaines trs varis. Ils sont utiliss en
conomie [Val01], en gologie, en aronautique et dans tous les domaines qui font appel
l'optimisation de forme comme l'automobile.
IV.2.2.2 Optimisation multi-objectifs. Front de Pareto :
Dfinition du front de Pareto :

Dans le cas d'une optimisation multi-objectifs, nous ne reprsentons plus la fonction
objectif en fonction du numro de gnration, mais nous reprsentons l'espace des solutions.
Par exemple, si nous avons deux "fonctions objectifs" y1 et y2, il convient de tracer y2 = f(y1).

Il est ainsi possible d'observer dans ce cas les positions des individus dans l'espace des
solutions. En considrant les individus non domins, c'est--dire les individus pour lesquels
il n'existe pas d'individu qui soit la fois meilleur pour y1 et pour y2, nous constituons le
front de Pareto (Figure IV.5).

Dfinition [Cor06] :

Si pour tout membre x d'un ensemble P, il n'existe aucune solution y dans un voisinage
de x (tel que y x , o et un petit nombre positif) qui domine un membre quelconque
de P, alors, les solutions de P forment un ensemble de Pareto.

Une fonction ne peut tre amliore sans dgrader l'autre en voluant sur le front.


74
L'illustration suivante (Figure IV.5) montre diffrents types de fronts de Pareto qu'il est
possible de rencontrer :

Figure IV.5 Diffrents types de front de Pareto en fonction des objectifs [Cor06]
IV.2.2.3 Intrts et inconvnients des algorithmes gntiques
Le grand intrt des algorithmes gntiques rside dans le fait qu'ils ne ncessitent pas
le calcul de drives premires ou secondes. D'autre part, il n'est pas indispensable de
normaliser les paramtres d'entre et les fonctions cots de sortie comme pour des
algorithmes utilisant le gradient. Un autre avantage est qu'ils convergent vers un optimum
global.

Ceci nous conduit introduire le premier inconvnient. En effet, si l'optimum est
global, il est impossible avec un algorithme gntique d'tre absolument sr qu'il s'agisse
exactement de l'optimum. Il est possible de n'tre qu'au voisinage de celui-ci. D'autre part,
comme illustr sur la Figure IV.5, dans le cas d'un espace des solutions non convexe, le front
de Pareto sera discontinu. Enfin, le grand dsavantage de travailler avec un algorithme
gntique est qu'il demande toujours plus d'valuations de la fonction cot qu'un algorithme
classique.
IV.2.3. Les rseaux de neurones artificiels (RNA)
IV.2.3.1 Historique et principe gnral
Historique :

Le concept de rseaux de neurones artificiels est apparu en 1943 lorsque J. Mc Culloch
et W. Pitts montrent que des rseaux de neurones formels simples peuvent raliser des
fonctions boolennes. En 1949, D. Hebb [Heb49], prsente une rgle d'apprentissage qui
inspire encore aujourd'hui beaucoup de modles. En 1958, F. Rosenblatt dveloppe le
Perceptron [Ros58]. Il s'agit d'un modle deux couches, une pour la perception et l'autre
Front
discontinu

75
pour la prise de dcision. Le Perceptron constitue le premier systme artificiel capable
d'apprendre par exprience et il sera dcrit un peu plus loin. C'est galement cette poque
que B. Widrow et M.E. Hoff [Wid60] proposent un autre modle, le concept ADALINE
(ADAptative LINear Element). Ce modle est la base de la rtro-programmation trs
utilise aujourd'hui dans les Perceptrons multicouches.

Chose inhabituelle, tout ce travail est remis en question en 1969 par M. Minsky et S.
Papert qui publient un ouvrage critique sur le Perceptron. Ils exposent notamment les limites
du modle, concernant les problmes non linaires. Il est en effet impossible l'poque de
traiter des problmes non linaires avec un Perceptron. Mme si ces limitations taient
connues, l'impact est catastrophique, puisque tous les financements ou presque sont
supprims pour ces recherches. Seuls quelques irrductibles comme S. Grossberg [Gros73] et
T. Kohonen [Koh84] continuent leurs recherches sur le sujet.

En 1972, Kohonen expose ses travaux sur les mmoires associatives et propose des
applications la reconnaissance de formes. Mais c'est en 1982 que le renouveau arrive avec
J.J. Hopfield [Hop82]. Ce physicien de renom crit un article sur un rseau de neurones
compltement reboucl, dont il analyse la dynamique. Ce modle est encore trs utilis
aujourd'hui. Notons que pour autant, il ne lve pas les limitations du modle du Perceptron.

En 1983, la machine de Boltzmann est le premier modle connu apte traiter de
manire satisfaisante les limitations du Perceptron. En 1985, c'est l'arrive de la rtro-
programmation qui permet de dcomposer un problme non linaire en une suite d'tapes
linairement sparables.

Dfinition et principe :

Les rseaux de neurones sont composs de neurones fonctionnant en parallle. Ces
neurones sont inspirs du systme nerveux biologique. Comme dans la nature, le
fonctionnement du rseau est fortement influenc par la connexion des neurones entre eux. Il
est possible d'entraner un rseau de neurones pour une tche spcifique (reconnaissance de
caractres par exemple) en ajustant les valeurs des connections (ou poids) entre les lments
(neurones). La Figure IV.6 reprsente un neurone simple avec le vecteur des entres p, le
vecteur des poids W, le biais associ au neurone b, la fonction de transfert f et enfin
la sortie a.

Figure IV.6 Schma d'un neurone unique [Mat07]

76
Pour le neurone de la Figure IV.6, nous avons :

[ ]
T
1 2
, ,...,
R
p p p = p et
1,1 1,2 1,
, ,...,
R
w w w ( =

w (IV.52)

1,1 1 1,2 2 1,
...
R R
n w p w p w p b b = + + + + = + Wp (IV.53)

La sortie a est alors de la forme :

( ) a f n = (IV.54)

Une couche de neurones peut tre reprsente par le schma et la relation de la figure
IV.7 ci-dessous :

Fig. IV.7 Schma d'une couche de neurones [Mat07]

Et dans le cas d'un rseau complet avec de multiples couches, la gnralisation du
schma et de la relation prcdents conduit la reprsentation de la figure IV.8 :

Figure IV.8 Schma d'un rseau multicouches [Mat07]


77
Les fonctions de transfert dterminent la valeur de l'tat du neurone qui sera transmise
aux neurones avals. Il existe de nombreuses fonctions de transfert possibles, les plus utilises
sont prsentes sur la Figure IV.9. Elles peuvent prendre une infinit de valeurs comprises
dans l'intervalle [-1; +1].

Figure IV.9 Fonctions de transfert les plus utilises pour un rseau de neurones [Mat07]
(a) : fonction seuil, (b) : linaire, (c) : tangente sigmode
IV.2.3.2 Rgles d'apprentissage
Plusieurs rgles ont t proposes pour rendre compte de l'apprentissage d'un rseau.
La plus connue dcoule de la remarque d'un neurophysiologiste, Donald Hebb.

La loi d'apprentissage de Hebb [Heb49] : "Si deux cellules sont actives en mme temps
alors la force de la connexion augmente".
On peut, dans le cadre des rseaux de neurones artificiels, noncer cette rgle de la
faon suivante [Par04] :

1) Si deux neurones de part et d'autre d'une connexion sont activs simultanment,
alors la force de cette connexion doit tre augmente
2) De la mme manire, si les deux neurones sont activs alternativement (de faon
asynchrone), la force de la connexion doit tre revue la baisse.

M. Parizeau propose dans son cours [Par04] un certain nombre de proprits qui
dcoulent de cette rgle :

- Les modifications apportes une synapse de type "Hebbien" (la connexion)
dpendent du moment exact des activits pr- et post-synaptiques. Il existe donc une
dpendance temporelle ces modifications
- Le fait mme de dfinir l'emplacement d'un neurone par rapport un autre pour
l'activation induit une dpendance spatiale
- Il faut dfinir une proprit d'interaction de part et d'autre de la synapse

Mathmatiquement, la rgle de Hebb peut s'noncer de la faon suivante :

( ) ( ) ( ) 1 t t a t = w p (IV.55)

Avec ( ) ( ) ( ) 1 1 t t t = w w w . est une constante positive qui va caractriser la
vitesse de l'apprentissage. Cette rgle prsente l'inconvnient de pouvoir laisser les poids
augmenter de faon exponentielle dans le cas o l'entre et la sortie restent constantes. Pour
viter ce problme, il peut tre dfini la rgle de Hebb avec oubli en ajoutant l'expression
prcdente un facteur reprsentant une fraction de la valeur prcdente du poids.


78
Cette rgle se prsente de la faon suivante :

( ) ( ) ( ) ( ) 1 1 t t a t t = w p w avec 0 1 (IV.56)

Cette rgle prsente nanmoins l'inconvnient de pouvoir oublier totalement une
connexion si les stimuli d'entre ne sont pas rpts suffisamment souvent. Pour pallier ce
problme il est possible d'imposer une vitesse d'oubli gale celle d'apprentissage, soit
= . La rgle obtenue est dite rgle "Instar" :

( ) ( ) ( ) ( ) 1 1 t a t t t ( =

w p w (IV.57)

L'apprentissage comptitif :

Il s'agit ici de mettre en comptition les neurones d'un rseau et de dterminer un
vainqueur qui verra son poids augmenter. Cela se traduit de la manire suivante :

( ) si le neurone est le vainqueur
0 sinon

p- w
w (IV.58)
Avec 0 1 < < .

Des rseaux un peu plus labors dfinissent un terme de voisinage. Ainsi, non plus
seulement le vainqueur se verra attribuer une augmentation de son poids, mais galement
ses voisins proches. Dans ce cas, nous avons :

( )
( )
1
2
si il s'agit du vainqueur
si il s'agit d'un voisin du vainqueur
0 dans tout les autres cas
p- w
w p- w (IV.59)
Avec 1 >
1
>
2
> 0

L'apprentissage supervis :

Dans le cas de l'apprentissage supervis, il faut fournir au rseau ce que M. Parizeau
[Par04] appelle un "professeur" qui donne comme rponse un vecteur p(t) donn en entre,
un vecteur de sortie d(t) dont les composantes sont considres comme des valeurs de
rfrences. Le mme vecteur p(t) est prsent au systme, qui est modifi en tenant compte
de l'erreur e(t) entre la sortie qu'il propose a(t) et la sortie donne par le professeur d(t).

On dit ainsi que le systme "apprend" du "professeur". La Figure IV.10 expose le
principe de l'apprentissage supervis.

Figure IV.10 Schma de principe de l'apprentissage supervis [Par04]

79
L'apprentissage non supervis :

Dans le cas de l'apprentissage non supervis, le systme ne dispose que des valeurs
d'entres. Les stimuli provoquent une auto adaptation du rseau qui dveloppe ainsi une
habilet reprsenter ces stimuli. Le rseau peut ainsi crer des classes de stimuli similaires.

Le perceptron :

Le Perceptron simple est constitu d'une seule couche de S neurones. Le vecteur des
entres p possde R composantes. Ainsi, la matrice des poids W aura pour dimensions SxR
et le vecteur des biais b aura pour dimension S. Le vecteur des sorties aura quand lui la
dimension S. La fonction de transfert utilise est la fonction seuil. Le schma de principe d'un
tel rseau est expos sur la Figure IV.11.

Figure IV.11 Schma de principe du perceptron simple [Mat07].

Les valeurs a
i
du vecteur de sortie a suivront l'quation suivante :

1 si 0
0 sinon
i
i
n
a

=

(IV.60)

L'tat binaire de la sortie implique une frontire de sparation dans l'espace des
entres. En effet, suivant que les stimuli seront d'un ct o de l'autre de cette frontire, la
valeur de sortie leur correspondant sera 0 ou 1. Pour l'apprentissage du rseau, un vecteur
d'erreurs e sera dfini par : = e d - a , o d est le vecteur des sorties dsires. Il s'agit par
consquent d'un cas d'apprentissage supervis. La modification des poids et des biais
s'effectue de la faon suivante :

=
T
W ep (IV.61)

= b e (IV.62)

La rgle LMS :

La rgle LMS pour Least Mean Square (Moindres Carrs Moyen) consiste minimiser
l'erreur quadratique moyenne entre les sorties dsires et les sorties obtenues. En utilisant un
algorithme de descente du gradient (voir mthode de la plus forte pente IV.2.1.1.1), nous
obtenons une modification des poids et des biais en fonction de l'erreur et des entres dont
l'criture est donne par les quations IV.63 et IV.64.


80
( ) ( ) ( ) 2 t t t =
T
W e p (IV.63)

( ) ( ) 2 t t = b e (IV.64)

est le pas de descente vu prcdemment.
IV.2.3.3 Rtropropagation
Le principe de la rtropropagation (ou backpropagation en anglais) est de dire que
puisqu'il n'est pas possible de comparer l'erreur des neurones des couches caches avec des
valeurs d'erreurs cibles, puisqu'elles sont inconnues, une part de l'erreur globale du rseau
sera attribue chacun des neurones posteriori en fonction du poids et de la valeur du
biais de chacun des neurones.
La rtropropagation est en fait une gnralisation de la rgle LMS l'ensemble du
rseau. Il s'agit ici encore d'une mthode d'apprentissage supervise.

En considrant le vecteur de sortie d'une couche k dans un rseau multi couches de
type Perceptron, nous obtenons :

( )
-1
, pour 1,...,
k k k k k
k M = + = a f W a b (IV.65)

Le vecteur f correspond aux fonctions de transfert des neurones de la couche k (voir
Figure IV.7). En utilisant la mthode de descente du gradient, il vient :

( ) ( )( ) ( )
1 k k k
t t a t

=
T
W s (IV.66)

( ) ( )
k k
t t = b s (IV.67)

s
k
est le vecteur de sensibilit l'erreur globale affecte aux neurones de la couche k. Il
s'crit :
( )( )
1 1 k k k k k + +
=
T
s F n W s
(IV.68)

Avec :

1
1
,
1
k
S
k k k k
i i j j i
j
n w a b
=
= +
(IV.69)

Et :

( )
( )
( )
( )
1
2
0 0
0 0
0 0
k
k k
k k
k k
k k
S
f n
f n
f n
| |
|
|
| =
|
|
|
\
F n
(IV.70)


81
Le momentum :

Un terme appel "momentum" peut tre ajout pour amliorer la qualit et la vitesse de
la convergence. En le notant , tel que0 1 , on crit :

( ) ( ) ( ) ( )( ) ( )
1
1 1
k k k k
t t t a t

=
T
W W s (IV.71)

( ) ( ) ( ) ( ) 1 1
k k k
t t t = b b s (IV.72)

Le terme de "momentum" revient conserver un pourcentage du pas prcdent.

Le taux d'apprentissage adaptatif :

Une autre amlioration est de considrer non plus un taux d'apprentissage fixe, mais
variable au cours des itrations.
IV.2.3.4 Possibilits et limitations
Les rseaux de neurones peuvent s'avrer trs intressants dans notre cas puisqu'ils
pourraient pallier l'inconvnient majeur des algorithmes gntiques qui est le temps global
de calcul d au grand nombre d'valuations des "fonctions objectifs". En effet dans nos
tudes, l'valuation va consister en un calcul par la mthode des lments finis, ce qui en
terme de temps de calcul alourdit grandement l'inconvnient des algorithmes gntiques.
Les rseaux de neurones pourront ainsi prendre le relais de ces simulations numriques
aprs un nombre suffisant de gnrations pour leur entranement.
Les limitations se situent au niveau de la trs grande non linarit des rsultats des
calculs lments finis au regard des paramtres d'entres qui seront les paramtres de forme
de la pice et les paramtres des procds d'laboration.
IV.2.4. Les surfaces de rponses
Une autre mthode permettant d'approximer la valeur d'une fonction non linaire
frquemment utilise est la mthode des surfaces de rponse. Il s'agit en fait de reprsenter la
fonction par un systme polynomial du type :

( )
2
0 0
...
N N N
o i i ij i j ii i
i i j i
y x a a x a x x a x
= < =
= + + + +

(IV.73)

Avec y(x) la fonction approximer, [ ]
0 1
, ,... a a a = reprsente le vecteur des coefficients
appliqus chaque terme, pour N variables xi (i=1,,N).
Les surfaces de rponse sont en gnrale associes avec des plans d'expriences
spcifiques qui permettent d'obtenir les valeurs de y(x) ncessaire la rsolution du systme.
Dans notre cas, l'ide est d'utiliser les rponses de l'algorithme gntique pour
rsoudre ce systme.
L'inconvnient principal dans notre cas, sera le trs grand nombre de coefficients
identifier qui augmentera trs vite en fonction du nombre de paramtres de l'tude et de
l'ordre de l'approximation polynomiale.

82
IV.3. Choix des mthodes utilises
Dans cette partie, nous avons cherch en les testant sur des cas simples, quels taient
les algorithmes les mieux appropris l'optimisation des ferrures d'ancrage de ceintures de
scurit automobile. Cette optimisation concerne la fois la forme des pices et les
caractristiques des outillages mis en uvre pour leur mise en forme sur presse.
IV.3.1. Choix d'un algorithme gntique appropri
Les algorithmes tests ici proviennent pour trois d'entre eux du laboratoire KanGAL
Knpur et ont t dvelopps par le professeur K. Deb.

Le premier est un algorithme gntique simple dans le sens o il ne permet pas
d'optimisation multi-objectifs. Les dernires modifications apportes par l'auteur sur la
version utilise datent de novembre 2001. Il n'adopte pas le processus d'litisme qui consiste
conserver le meilleur individu dans sa version originale sans le croiser au cours du
changement de gnration.
Le second algorithme est un algorithme multi-objectifs reconnu : NSGA qui signifie
Non-dominated Sorting Genetic Algorithm. galement dvelopp par le professeur K. Deb,
les dernires modifications pour cet algorithme datent de 1998. Cet algorithme n'utilise pas
de systme litiste.
Le troisime algorithme et dernier provenant de KanGAL, est l'volution de NSGA,
savoir NSGA-2 [Deb00].Cet algorithme est multi-objectifs et prend en compte un systme
litiste. Les dernires modifications pour la version utilise datent de juin 2005. De
nombreuses publications dans des domaines trs divers prsentent des applications de
l'algorithme NSGA-2 [Aga07], [Fer06], [Ati06].

Ces trois algorithmes ont t compars entre eux et avec l'algorithme gntique
implment dans MatLab. Il s'agit de la fonction "ga()" pour l'algorithme mono-objectif et de
la fonction "gamultiobj()" pour l'algorithme multi-objectifs.
IV.3.1.1 Comparaison sur un cas de traction simple
Modle utilis :

Un modle de traction simple sur la ferrure de ceinture de scurit a t utilis pour
comparer ces diffrents algorithmes tout d'abord dans le cas d'une optimisation mono-
objectif, puis dans le cas d'une optimisation multi-objectifs.
Le modle numrique est reprsent par une demi-pice non plie. Des conditions aux
limites de symtrie sont donc imposes sur les faces dcoupes (voir Figure IV.12).

Figure IV.12 Conditions de symtrie sur la demi-pice
Conditions de
symtrie
suivant l'axe X

83
D'autre part, l'intrieur du trou de fixation a t compltement encastr de manire
maintenir la pice lors du chargement (voir Figure IV.13).

Figure IV.13 Conditions d'encastrement du trou de fixation

Ensuite, une pression est applique l'intrieur du trou oblong de telle sorte que la
demi-pice subisse un chargement en traction :

Figure IV.14 Chargement appliqu sur la demi-pice

La pression applique p0 est de 120 MPa sur la surface S0 de la pice initiale qui est de
4x12 = 48mm
2
. La pice initiale est une pice ayant les dimensions de la pice ralise
aujourd'hui par l'entreprise DEVILL. La loi de comportement utilis pour ce modle est une
loi purement lastique. Les valeurs caractristiques du module de Young et du coefficient de
Poisson de l'acier choisi sont prsentes dans le tableau IV.1.

Module de Young (MPa) Coefficient de Poisson
210000 0,3
Tableau IV.1 Paramtres lastiques utiliss pour la simulation

Aprs calculs, les isovaleurs du champ de contrainte quivalente de Von Mises qui
s'tablit sur cette pice sont reprsentes sur la Figure IV.15.

La simulation numrique est ralise l'aide du logiciel Abaqus 6.7

en utilisant des
lments brique 8 nuds intgration rduite. Le schma d'intgration utilis est un
schma implicite.

Conditions
d'encastrement
S0

84

Figure IV.15 Isovaleurs de la contrainte de Von Mises pour la pice initiale

En vue de son optimisation, nous avons fait varier les paramtres gomtriques
dfinissant la forme extrieure de la pice, ainsi que l'paisseur de cette dernire. Les 6
paramtres gomtriques sont reprs sur la Figure IV.16. Le paramtre P7 est lpaisseur.

Figure IV.16 Paramtres utiliss pour l'optimisation

La premire fonction objectif que nous allons chercher minimiser dans ce modle est
la valeur maximale f1 = vMmax de la contrainte moyenne de Von Mises dans un lment au
cours de la simulation. Ceci est possible en utilisant un script d'analyse des rsultats calculs
dans le code EF, crit en langage Python. Cette fonction sera l'unique fonction utilise pour
l'optimisation mono-objectif.

La seconde fonction objectif f2 minimiser viendra complter la fonction prcdente
pour l'optimisation multi-objectifs. C'est une approximation de la quantit de matire utilise
pour produire la pice.

Si L
a
est la largeur de la pice :

( ) 2 4 3
a
L P P = + (IV.74)

Le volume V de matire utilise a pour expression:

( )
2
2 4 3 7 V f P P H P = = + (IV.75)
L'objectif est de s'assurer que l'algorithme NSGA-2 propose une solution suffisamment
proche de l'optimal dans les deux cas de figure.

85

Adaptation du NSGA-2 au problme :

Nous avons t amens modifier l'algorithme NSGA-2 pour rpondre au besoin de
l'tude et pour augmenter sa souplesse d'utilisation.
- La premire modification a t de permettre l'utilisateur d'utiliser des variables
discrtes.
- Ensuite l'algorithme a t modifi pour qu'il ne recalcule pas les individus dj
calculs. Cette modification entrane un gain important de temps de calcul puisque
lorsque l'algorithme aura converg, le front de Pareto comportera un nombre
consquent d'individus identiques.
- La modification suivante a t de donner la possibilit de relancer l'algorithme
depuis un point d'arrt correspondant soit un arrt inopin de la machine
("plantage") soit une fin programme mais dont le rsultat jug non satisfaisant
implique qu'il faille imposer un plus grand nombre de gnrations.
- La possibilit d'indiquer au lancement de l'algorithme un nom de fichier contenant
un certains nombre d'individus imposs pour la premire gnration galement
t implment. Ceci peut notamment tre utile pour intgrer une pice existante
que l'on souhaite optimiser dans la premire gnration.
- Enfin, dans le cadre de l'amlioration de la fonction de redmarrage de
l'algorithme, il peut dsormais recharger un fichier appel "anctres.dat" qui
contient les valeurs des "fonctions objectifs" pour des calculs d'un prcdent tour
d'optimisation. Cela permet de gagner du temps de calcul puisqu'il ne les
recalculera pas, si nous souhaitons par exemple relancer un calcul avec des
paramtres diffrents.

L'ensemble du processus est pilot par l'algorithme gntique qui est crit en langage C
pour les trois algorithmes provenant du laboratoire KanGAL Knpur et en langage
MatLab
pour les algorithmes utilis par ce logiciel. Ainsi, l'algorithme gnre une
population compose d'un certains nombre d'individus, chaque individu dont les gnes
composent l'ensemble des paramtres rels [P1, P2, P3, P4, P5, P6, P7]. A chaque valuation
d'individu, l'AG rcrit un script Abaqus en langage Python qui permet d'automatiser la
simulation de la traction en modifiant les paramtres avant chaque lancement du calcul EF.

Comme la surface sur laquelle est applique la pression dpend des paramtres
gomtriques, pour conserver un effort identique appliqu sur chaque nouvelle
configuration, il conviendra de recalculer la pression pour chaque nouveau cas de charge. Si
S est la surface de la pice courante sur laquelle la pression p est applique, on a :

5 7 S P P =
0
0
S
P P
S
| |
=
|
\
(IV.76)

Aprs quelques essais, les algorithmes gntiques ont t rgls avec les valeurs
suivantes des paramtres de fonctionnement :

- Nombre de gnrations : 60
- Nombre d'individus par gnration : 20
- Probabilit de croisement : 0,9
- Probabilit de mutation : 0,2


86
Les paramtres ayant une amplitude de variation borne, les valeurs minimum et
maximum pour chacun d'eux sont reportes dans le tableau IV.2:

Paramtre Borne infrieure Borne suprieure
P1 9 11
P2 29 32
P3 9 11
P4 12 15
P5 11 13
P6 4 6
P7 2 4
Tableau IV.2 Bornes des paramtres pour l'optimisation
IV.3.1.2 Optimisation mono-objectif
Les rsultats de l'optimisation mono-objectif relatant l'volution de la fonction cot au
cours des gnrations sont reprsents sur la Figure IV.17. La fonction objectif est la valeur
de la fonction cot du meilleur individu dans la gnration en cours. Elle correspond vMmax
(MPa).

Comparaison des A.G. en fonctionnement MonoObjectif
700
750
800
850
900
950
1000
1050
1100
0 10 20 30 40 50 60
Numro de Gnration
F
o
n
c
t
i
o
n

O
b
j
e
c
t
i
f

(
M
P
a
)
AG Simple
NSGA
NSGA-2
MATLAB

Figure IV.17 volution de la fonction cot au cours des gnrations Optimisation mono-objectif

Sur ce graphique, nous pouvons observer que l'algorithme permettant d'obtenir le
meilleur rsultat est l'algorithme gntique simple mais que l'algorithme NSGA-2 fournit un
rsultat trs proche de celui-ci. Il peut toutefois tre observ une plus grande variation de
l'volution de la fonction cot pour l'AG simple que NSGA-2 car il n'utilise pas de systme
litiste. Ces fluctuations imposent d'tre attentif au rsultat de la dernire gnration, car il
peut exister un meilleur individu dans une gnration prcdente.

Les algorithmes NSGA et MatLab prsentent des rsultats trs en retrait par rapport
aux deux autres AG.
IV.3.1.3 Optimisation multi-objectifs
Les fronts de Pareto forms par la reprsentation de la premire fonction objectif, la
contrainte maximale de Von Mises, en fonction de la seconde fonction objectif, la quantit de
matire utilise, sont reprsents sur la Figure IV.18 dans laquelle ne figurent que les trois
dernires gnrations de chaque algorithme.


87
Comparaison des A.G. en fonctionnement Multi-Objectifs
500
1000
1500
2000
2500
3000
3500
4000 5000 6000 7000 8000 9000
Fonction Objectif 2
F
o
n
c
t
i
o
n

O
b
j
e
c
t
i
f

1
NSGA
NSGA-2
MATLAB

Figure IV.18 Fronts de Pareto des diffrents algorithmes Optimisation multi-objectifs

Dans le cas d'une optimisation multi-objectifs, nous pouvons remarquer que NSGA-2
se distingue galement des autres algorithmes par de meilleurs rsultats. En effet, le front de
Pareto pour NSGA-2 est plus avanc que celui de MatLab et de NSGA. Nanmoins, les
rsultats pour l'algorithme de MatLab montrent que l'on minimise plus la "fonction objectif"
2 qu'avec NSGA-2. Compte-tenu des rsultats fournis dans les deux cas mono et multi-
objectifs, NSGA-2 semble tre le meilleur choix d'AG pour l'optimisation et c'est celui qui
sera retenu dans la suite.
IV.3.1.4 Influence des rglages sur le fonctionnement de NSGA-2
Le choix de la valeur de la probabilit de mutation et de la probabilit de croisement
influence grandement la convergence de l'algorithme. Les valeurs recommandes dans le
programme NSGA-2 sont de 0,9 pour la probabilit de croisement Pc et de 0,2 pour la
probabilit de mutation Pm.
Si la probabilit de mutation est trop faible, l'algorithme convergera plus vite, mais cela
rduira la diversit et la solution finale sera plus loin de l'optimum.
Si la probabilit de mutation est trop grande, l'algorithme risque de diverger du fait
d'une trop grande diversit, mme si cet effet est moins visible sur un algorithme comme
NSGA-2 qui utilise un systme d'litisme. En effet, puisque le meilleur individu est conserv,
l'effet de la divergence ne s'observera qu'au sein des autres individus de la population. La
diversit sera galement rduite si la probabilit de croisement est trop faible.

L'influence des deux paramtres Pc et Pm sur la convergence de NSGA-2 a t teste.
De manire rduire le temps de calcul, la premire fonction objectif f1 = vMmax a t
approxime l'aide d'un polynme dfini dans le cadre de la thorie des surfaces de
rponses (voir V.2.4). La rsolution d'un tel systme a t rendue possible en utilisant les
rsultats des calculs prcdents.
L'influence de chacun des deux paramtres du rglage a t caractrise en
fonctionnement mono-objectif (voir Figure IV.19a et V.19b) et en fonctionnement multi-
objectifs (voir Figure IV.20a et V.20b). Il faut noter que lorsque la probabilit de mutation
varie, la probabilit de croisement reste constante gale 0,9 et lorsque cette dernire varie,
la probabilit de mutation reste fixe 0,2.

Dans un premier temps nous pouvons constater sur la Figure IV.19a qui concerne
l'influence de la probabilit de mutation dans le cas mono-objectif, que seule la courbe
reprsentant la probabilit nulle converge vers une solution qui n'est pas optimale alors que
toutes les autres courbes convergent vers la mme solution.
Il s'ensuit qu'une probabilit de mutation gale 0,2 parat suffisante dans ce cas pour
converger vers la solution optimale.

88
En ce qui concerne l'influence de la probabilit de croisement, nous pouvons
remarquer que mise part la courbe de valeur Pc = 0,8 (en noir sur la Figure IV.19b) qui
converge moins bien que la courbe avec Pc = 0,6 (en orange sur la Figure IV.19b), la
convergence s'amliore quand la probabilit de croisement augmente. Les deux courbes
Pc = 0 et Pc = 0,2 sont en retrait par rapport aux autres et la convergence s'amliore
nettement partir de la probabilit gale 0,4.
En conclusion, le choix d'une probabilit de croisement gale 0,9 semble convenir puisqu'il
laisse une marge ncessaire au bon fonctionnement du systme litiste.

Influence de la probabilit de mutation sur la convergence
500
600
700
800
900
1000
1100
0 10 20 30 40 50 60
Numro de gnration
F
o
n
c
t
i
o
n

o
b
j
e
c
t
i
f
Pm 0
Pm 0.2
Pm 0.4
Pm 0.6
Pm 0.8
Pm 1.0

-a-
Influence de la probabilit de croisement sur la convergence
500
600
700
800
900
1000
1100
0 10 20 30 40 50 60
Numro de gnration
F
o
n
c
t
i
o
n

o
b
j
e
c
t
i
f
Pc 0
Pc 0.2
Pc 0.4
Pc 0.6
Pc 0.8
Pc 1.0

-b-
Figure IV.19 Influence de la probabilit de mutation et de croisement Cas mono-objectif

En ce qui concerne l'optimisation multi-objectifs, nous pouvons voir sur les Figure
IV.20a et V.20b que les conclusions qui ont t tires dans l'tude prcdente (cas de
l'optimisation mono-objectifs) s'appliquent galement ici.
Il peut tre observ en effet qu'une probabilit de mutation nulle (losanges bleus sur la
Figure IV.20a) rduit l'avancement du front de Pareto, tandis qu'une probabilit de mutation
gale 0,2 (carrs rouges sur la Figure IV.20a) donne d'aussi bons rsultats que ceux tirs de
probabilits de mutation suprieures.
Pour la probabilit de croisement, nous pouvons observer sur la Figure IV.20b le mme
phnomne que dans le cas mono-objectif, c'est--dire qu'une probabilit nulle inhibera

89
l'avancement du front de Pareto tandis que pour des probabilits suprieures 0,4, les
rsultats sont trs proches les uns des autres

Influence de la probabilit de mutation sur le front de Pareto
500
1000
1500
2000
2500
3000
20000 25000 30000 35000 40000 45000 50000 55000 60000
Fonction objectif 2
F
o
n
c
t
i
o
n

o
b
j
e
c
t
i
f

1
Pm 0
Pm 0.2
Pm 0.4
Pm 0.6
Pm 0.8
Pm 1

-a-
Influence de la probabilit de croisement sur le front de Pareto
500
1000
1500
2000
2500
3000
20000 25000 30000 35000 40000 45000 50000 55000
Fonction objectif 2
F
o
n
c
t
i
o
n

o
b
j
e
c
t
i
f

1
Pc 0
Pc 0.2
Pc 0.4
Pc 0.6
Pc 0.8
Pc 1

-b-
Figure IV.20 Influence de la probabilit de mutation et de croisement Cas multi-objectifs
IV.3.1.5 Bilan et conclusion
Au regard des diffrents rsultats de comparaison des algorithmes tests, il ressort que
NSGA-2 est l'algorithme idal pour notre tude puisqu'il est suffisamment ouvert pour
l'adapter aux spcificits de notre problme. Il est le plus efficace dans le cadre d'une
optimisation multi-objectifs, qui nous intresse principalement. En comparant ses rsultats
ceux de l'A.G. simple dans le cadre de l'tude mono-objectif, nous pouvons d'autre part
constater qu'ils sont trs proches.
L'tude faite sur l'influence des paramtres de rglage de NSGA-2 permet de confirmer
les valeurs de rglage conseilles par K. Deb dans le code source original. Rappelons que
celui-ci propose d'utiliser une probabilit de mutation gale 0,2 et de croisement gale 0,9.
On peut noter que certains auteurs [Whi07] combinent des mthodes utilisant le
gradient avec des algorithmes gntiques pour acclrer la convergence et dplacer le front
de Pareto plus loin. Nanmoins, dans notre cas mme si l'tude reste intressante en
perspective, l'utilisation de variables discrtes induira des discontinuits dans l'espace des
paramtres aussi bien que dans l'espace des solutions qui risquent de conduire la
divergence de telles mthodes.

90
IV.3.2. Les Rseaux de Neurones
L'ensemble des rseaux de neurones artificiels qui seront utiliss dans les applications,
proviennent du logiciel MatLab
. Ils suivent tous un schma d'apprentissage de

rtropropagation. Une tude a t mene de manire dterminer l'influence des diffrents
paramtres des rseaux. Pour ce faire, il est ncessaire d'utiliser un indice de performance du
rseau. MatLab permet de rcuprer d'une part la courbe reprsentant l'volution de l'erreur
quadratique moyenne en fonction du nombre de tours d'entranement (ou Epochs), et d'autre
part la rgression linaire des sorties du rseau par rapport aux valeurs dsires. Les figures
IV.21a et IV.21b montrent des exemples de graphiques types rcuprs la fin de
l'entranement d'un rseau.

-a- -b-
Figure IV.21 Exemple de courbes rcupres suite l'entranement d'un rseau de neurones -a- volution de
l'erreur quadratique moyenne au cours de l'entranement -b- rgression linaire des sorties du rseau par
rapport aux valeurs dsires.

Dans la suite de l'tude, le coefficient de rgression linaire R (Figure IV.21b) sera
utilis comme indicateur de performance lors de l'entranement des rseaux. La valeur R = 1
caractrise un rseau parfait et les valeurs R << 1 caractrisent de mauvais apprentissages
ou/et de mauvais rseaux. En vue de leur apprentissage, les rseaux ont t entrans en
utilisant une base de donnes contenant les rsultats d'une optimisation l'aide d'un AG
appliqu aux procds de rayonnage et de pliage des pices de scurit automobile (voir
VI.3). Au total nous disposons de 337 individus composs de 7 paramtres (gnes rels)
pour 3 valeurs de fonctions objectifs qui sont :
- La valeur maximale du dommage estim dans la pice selon le modle de
Lemaitre-Chaboche,
- La valeur maximale de la contrainte de Von Mises,
- L'cart type des valeurs de cette mme contrainte autour du trou oblong.

De plus amples explications sur ce modle seront apportes dans les chapitres V et VI.

Les rseaux tests sont constitus d'une couche d'entre de 7 neurones (nombre gal au
nombre de paramtres) dont les fonctions de transfert sont de type tangente sigmode. La
couche de sortie est constitue d'un seul neurone (1 rseau pour chaque fonction objectif) et
la fonction de transfert est de type linaire. Les diffrentes couches caches sont constitues
de neurones dont la fonction de transfert est de type tangente sigmode et le nombre de
neurones est un des paramtres de rglage tudi dans la suite de ce chapitre.


91
Il convient donc de caractriser l'influence des fonctions d'optimisation utilises pour
l'entranement, l'influence du nombre de tours d'entranement, celle du nombre de couches
caches et enfin celle du nombre de neurones dans les couches caches.
IV.3.2.1 Les diffrentes composantes ajustables
Les fonctions d'entranement :

Les diffrentes fonctions testes pour l'entranement des rseaux sont les suivantes :
- Algorithme de descente du gradient (BGD Batch Gradient Descent)
- Algorithme de descente du gradient taux d'apprentissage adaptatif (BGD-T)
- Algorithme de descente du gradient avec momentum (BGD-M)
- Algorithme de descente du gradient avec taux d'apprentissage adaptatif et
momentum (BGD-TM)
- Algorithme de la scante (OSS One Step Secant)
- Gradient conjugu de Fletcher-Reeves (GCFR)
- Gradient conjugu de Polak-Ribire(GCPR)
- Gradient conjugu avec actualisation de Powell-Beale (GCPB)
- Rtropropagation rsiliente (RB Resilient Backpropagation)
- Scaled Conjugate Gradient (SCG)
- BFGS
- Levenberg-Marquardt (LM-Full)
- Levenberg-Marquardt avec gestion de la mmoire pour le calcul du Jacobien
(LM-Half)

Au total, 13 algorithmes ont t tests et compars entre eux. La Figure IV.22 montre
l'efficacit relative des rseaux pour la prdiction de l'cart type de la contrainte de Von
Mises ("fonction objectif"). Il est attribu une efficacit de gale 100% au rseau ayant le
meilleur coefficient de rgression R. Les autres valeurs des efficacits relatives sont calcules
par rapport cette valeur de rfrence. Lors de ce test, chaque rseau contient 2 couches
caches constitues chacune de 10 neurones. Le nombre de tours d'entranement a t fix
1000.
60% 65% 70% 75% 80% 85% 90% 95% 100%
Efficacit relative
BGD-M
BGD
BGD-T
BGD-TM
OSS
GCPB
GCFR
RB
GCPR
SCG
BFGS
LM_Full
LM_Half
F
o
n
c
t
i
o
n
s

d
'
e
n
t
r
a
i
n
e
m
e
n
t
Efficacit relative du rseau - Ecart-type
Etude sur les fonctions d'apprentissage

Figure IV.22 Efficacit relative des rseaux en fonction de l'algorithme d'entranement utilis
Approximation sur cart type

On peut remarquer ici que les deux algorithmes de Levenberg-Marquardt sortent du
lot en proposant des rsultats meilleurs que les autres. Les algorithmes base de descente du
gradient prsentent des performances d'entranement trs infrieures. Il est noter toutefois

92
qu'une tude faisant varier le taux de convergence et la valeur du momentum devrait tre
mene pour consolider ces rsultats. Nanmoins, la diffrence de prcision entre ces
algorithmes et les algorithmes drivant de la mthode de Newton ou du gradient conjugu
semble trop importante pour tre comble.

Les mmes observations peuvent tre faites sur l'approximation de la valeur maximale
de la contrainte de Von Mises et sur la valeur maximale du dommage de Lematre-
Chaboche. Les figures V.23 et V.24 prsentent ces rsultats.

Au vu de ces rsultats et pour rduire l'tude de l'influence des paramtres du RNA,
nous ne considrerons partir de maintenant que les trois algorithmes suivants : les deux de
Levenberg-Marquardt et celui de BFGS, qui fournissent les meilleurs rsultats lors de
l'approximation des trois fonctions objectifs retenues.

60% 65% 70% 75% 80% 85% 90% 95% 100%
Efficacit relative
BGD-M
BGD
BGD-T
BGD-TM
OSS
RB
GCFR
GCPR
SCG
GCPB
BFGS
LM_Full
LM_Half
F
o
n
c
t
i
o
n
s

d
'
e
n
t
r
a
i
n
e
m
e
n
t
Efficacit relative du rseau - Contrainte maximum
Etudes sur les fonctions d'apprentissage

Approximation sur contrainte maximum

60% 65% 70% 75% 80% 85% 90% 95% 100%
Efficacit relative
BGD-M
BGD
BGD-T
BGD-TM
GCPB
RB
GCPR
OSS
GCFR
SCG
BFGS
LM_Full
LM_Half
F
o
n
c
t
i
o
n
s

d
'
e
n
t
r
a
i
n
e
m
e
n
t
Efficacit relative du rseau - Dommage
Etude sur les fonction d'apprentissage

Approximation sur dommage maximum

Conclusion:
Les rsultats observs tant les mmes pour les trois fonctions objectifs, seuls les rsultats sur
l'cart type seront prsents par la suite.


93
Le nombre de tours d'entranement (Epochs) :

Le nombre de tours d'entranement est important, car il doit tre suffisamment grand
pour permettre un bon entranement, mais il faut prendre garde qu'il n'apparaisse pas un
phnomne dit de surentranement.
Nous avons fait varier dans cette tude le nombre de tours de 500 3000 par pas de
500. Les rsultats concernant l'approximation de l'cart type obtenus avec les trois
algorithmes prcdents sont prsents sur la Figure IV.25. Lors de ces tests, nous avons
conserv le rseau prcdent constitu de 2 couches caches de 10 neurones chacune.
Il peut tre observ que le nombre de tours d'entranement n'a que peu d'influence sur
le rseau utilisant l'algorithme de Levenberg-Marquardt. Au contraire, le rsultat est d'autant
meilleur que ce nombre augmente pour le rseau utilisant l'algorithme de BFGS.

Influence du nombre d'Epochs - Etude sur Ecart-type
0.975
0.980
0.985
0.990
0.995
1.000
0 500 1000 1500 2000 2500 3000 3500
Nombre d'Epochs
R

m
a
x
BFGS
LM_Full
LM_Half

Figure IV.25 Influence du nombre de tours d'apprentissage sur la valeur du coefficient de rgression

Conclusion :
Au regard de ces rsultats, un nombre de tours de 1000 semble suffisant pour le rseau utilisant
l'algorithme de Levenberg-Marquardt et un nombre de tour de 3000 pour celui utilisant l'algorithme
de BFGS.

Le nombre de couches caches :

Le nombre de couches caches influe galement sur l'efficacit du rsultat. Le nombre
de couches varie dans cette tude de 1 5 par pas de 1 couche. Chaque couche cache est
constitue de 10 neurones. Le nombre de tours d'entranement est fix 1000

Cette fois, l'influence du nombre de couches est plus importante sur les rseaux
utilisant l'algorithme de Levenberg-Marquardt que pour celui utilisant l'algorithme de BFGS.
Au-dessous de 3 couches caches, les rseaux utilisant les algorithmes LM-Half et LM-
Full voient leurs performances chuter considrablement. Le rseau utilisant l'algorithme
BFGS semble amliorer linairement sa performance en fonction du nombre de couches
caches. Il faut noter que le temps de calcul li l'entranement du rseau augmente
considrablement lorsqu'on augmente le nombre de couches et ce, bien plus que lorsque l'on
augmente le nombre de tours d'entranement.

Au regard des rsultats, il semble vident de choisir au moins trois couches caches si
le rseau utilise les algorithmes de Levenberg-Marquardt, tandis que le nombre de couches
utiliser avec l'algorithme de BFGS semble devoir tre au moins gal 5. Les rsultats obtenus

94
pour le rseau utilisant BFGS conduisent l'carter dans la suite de l'tude au profit des deux
rseaux utilisant comme algorithmes LM-Half et LM-Full.

Influence du nombre de couches des rseaux de neurones - Etude sur
cart-type
0.9750
0.9800
0.9850
0.9900
0.9950
1.0000
0 1 2 3 4 5 6
Nombre de couches caches
R

m
a
x
BFGS
LM_Full
LM_Half

Figure IV.26 Influence du nombre de couches sur la valeur du coefficient de rgression

Conclusion :
Pour ces deux algorithmes, on choisira dans nos tudes 3 couches caches.

Le nombre de neurones sur les couches caches :

Le dernier paramtre dont l'influence sur la valeur du coefficient de rgression est
observer est le nombre de neurones sur chaque couche cache. Suite aux rsultats
prcdents, le rseau utilis pour observer l'influence du nombre de neurones est constitu
de 3 couches caches. Le nombre de tours d'entranement est fix 1000.

Influence du nombre de neurones sur les couches caches du rseau -
Etude sur cart-type
0.980000
0.984000
0.988000
0.992000
0.996000
1.000000
0 5 10 15 20 25 30 35
Nombre de neurones sur les couches caches du rseau
R

m
a
x
LM_Full
LM_Half

Figure IV.27 Influence du nombre de neurones sur les couches caches sur la valeur du coefficient de
rgression
Les rsultats de cette tude montrent que le rsultat se stabilise pour les deux
algorithmes au-del de 15 neurones par couche cache.

Conclusion :
Il parait donc judicieux d'utiliser un nombre de neurones par couche cache gal 15, pour la
fois obtenir un bon rsultat et rduire le temps de calcul.

95
IV.3.2.2 Bilan et conclusion
Les calculs engags pour caractriser l'influence des diffrents paramtres de rglage
sur l'apprentissage des rseaux de neurones artificiels permettent de conclure que le rseau
permettant d'obtenir le coefficient de rgression R le plus proche de 1 est un rseau constitu
de 3 couches caches, chacune possdant 15 neurones. Le nombre de tours d'entranement
sera fix 1000.
Ces rseaux (1 rseau par "fonction objectif") une fois coupls avec NSGA-2
permettront de remplacer les calculs par lments finis effectu avec Abaqus
par une
approximation. Le temps de calcul sera ainsi rduit mais il existera bien entendu un risque
non nul de s'loigner du comportement simul numriquement. Il faudra donc se montrer
vigilant et pour cela nous pourrons observer l'influence de ce remplacement en fonction de
l'avancement de l'algorithme gntique. Concrtement, aprs quelques gnrations calcules
par Abaqus
, l'algorithme gntique lance le R.N.A. sur les gnrations suivantes et rcupre

les rsultats la fin pour les comparer une simulation numrique ralise sur les derniers
individus.
IV.4. Conclusion
Ce chapitre nous a permis dans un premier temps de dfinir les fonctions
d'optimisation utilises pour l'entranement des rseaux de neurones, mais aussi pour la
mthode inverse (voir Chapitre II).
Ensuite, nous avons dcrit les mthodes utilises pour la ralisation de l'outil
informatique et nous avons justifi nos choix en confrontant le rsultat de ces algorithmes
avec le rsultat d'autres algorithmes. Il ressort de cette tude que NSGA-II est le meilleur
algorithme gntique multiobjectifs parmi ceux tests sur un cas de traction de simple. Nous
utiliserons cet algorithme dans la suite de cette tude.
Enfin, nous avons mis en vidence l'influence des diffrents paramtres ajustable pour
la conception de rseaux de neurones avec le logiciel MatLab
. Cette tude nous a conduits

slectionner un rseau spcifique (voir IV.3.2.2) utiliser pour chacune des fonctions
objectifs de l'optimisation. Ces R.N.A. permettrons de rduire le temps C.P.U. total en se
substituant au calcul par lments finis aprs avoir t entrans.

96
CHAPITRE V
Conception des modles numriques
V.1. Introduction
Dans ce chapitre l'ensemble des modles numriques est dtaill et l'utilisation de
scripts pour l'automatisation des simulations est notamment explicite pour chaque logiciel
utilis.

Dans un premier temps, sont dcrites les conceptions de la pice et du poinon de
rayonnage l'aide du logiciel CATIA
. Ensuite dans le cadre de la simulation numrique par

lments finis dveloppe dans le code Abaqus
, les quations constitutives lasto-plastique

entirement couples au modle d'endommagement de Lematre-Chaboche sont rappeles.
Puis, les diffrentes simulations des procds sont dtailles et enfin, nous dcrirons dans
une dernire partie le principe du couplage entre l'algorithme gntique, le logiciel de CAO
CATIA
, le code de calcul EF Abaqus
et le logiciel d'analyse numrique MatLab
.
V.2. Phase de conception
V.2.1. Paramtrage de la pice
Les produits tudis sont conus en environnement de CAO variationnelle.
L'actualisation des paramtres est pilote par des scripts VB.
Un script est une suite de squences informatiques en langage interprt qui
senchanent en mettant en uvre des boucles algorithmiques prprogrammes qui
rpondent aux besoins de l'outil d'optimisation. Il est associ des "macro-commandes"
spcifiques aux logiciels utiliss. Le script peut aussi tre plus simplement mis en uvre
dans un systme d'exploitation comme Windows
. Dans le cas de CATIA
, les scripts sont

crits en langage VBScript qui drive du langage Visual Basic.

Dans notre tude nous avons dvelopp un script qui gnre automatiquement une
demi-pice dancrage constituant une variante possible la pice relle. Les paramtres
permettant sa dfinition gomtrique sont reprsents sur la figure V.1.

Les paramtres X3 et X4 visibles sur la figure V.1 nous ont amen introduire des
instructions conditionnelles dans la "macro" pour CATIA
. En effet, il n'est pas possible de

dfinir dans un fichier en VBScript utilis pour la conception de "sens" la courbure d'une
ligne, or les lignes relatives aux paramtres X3 et X4 peuvent tre soit concaves, soit
convexes, soit tre droites. Cette impossibilit nous a conduits crer 9 familles de pices
prsentes sur la figure V.2.
CHAPITRE V - Conception des modles numriques

97

Figure V.1 Paramtres de forme

De faon arbitraire, nous avons attribu un signe aux paramtres X3 et X4 en fonction
de l'orientation de la courbure des lignes qui leur correspondent. S'il s'agit de lignes droites,
les paramtres sont considrs comme nuls. Ces diffrentes conventions sont consignes sur
la figure V.2. Afin dviter les frontires angles vifs qui entraneraient des concentrations
de contraintes, les diffrents arcs de cercles qui dfinissent la forme extrieure de la pice
possdent une contrainte de tangence.

Figure V.2 Formes gnriques

Le script dvelopp pour le logiciel CATIA ncessite la connaissance des 4 premiers
paramtres associs la forme de la pice, ainsi que du cinquime paramtre X5 qui
correspond lpaisseur de la tle utilise. Le dbut du fichier script contient les valeurs des
paramtres. Par exemple, exprims en millimtres :

X_01= 10.000000
X_02= 10.000000
X_03= 45.000000
X_04= 45.000000
X_05= 2.00000


98
Les instructions conditionnelles suivantes permettent de regrouper les parties de script
qui dfinissent les 9 formes gnriques au sein d'un seul script :

If X_03=0 and X_04=0 then
(Instructions pour la conception de la pice)
End if
If X_03>0 and X_04=0 then
End if
If X_03<0 and X_04=0 then
End if

Dans le corps du programme dfinissant la conception de la pice, les lignes faisant
rfrence aux cotations sont modifies pour utiliser la valeur des paramtres. Par exemple :

length2.Value = X_01

La dernire partie du script est utilise pour l'enregistrement de la demi-pice au
format "Step" choisi pour sa bonne compatibilit des modles avec le code Abaqus
.
Les lignes de script suivantes montrent un exemple de sauvegarde d'une demi-pice au
format "Step" dans un fichier nomm "Piece.stp" :

Set partDocument1 = CATIA.ActiveDocument
partDocument1.ExportData ".\Piece.stp", "stp"

La premire ligne indique que le document actif de CATIA
, ici la pice, doit tre

rfrenc comme objet "partDocument1" et la seconde indique de sauvegarder cet objet avec
l'extension "stp" qui est l'extension du format "Step".

Un tel fichier peut ensuite tre excut en mode batch, c'est--dire sans ncessiter
l'ouverture du logiciel CATIA
. Un autre avantage du lancement en mode batch est qu'il

peut facilement tre automatis.

La figure V.3 montre un rsultat obtenu aprs l'excution du script.

Figure V.3 Demi-pice rsultant de l'excution du script

99
V.2.2. Paramtrage du poinon de rayonnage
La conception du poinon de rayonnage est effectue de la mme manire que la pice
en utilisant un script pour CATIA
. La hauteur Ht qui dfinit la partie haute du poinon, la

hauteur Hc du chanfrein et le rayon R sont relis l'paisseur de la pice comme suit:

0, 9 5 Ht X = (V.1)

5
10
X
Hc = (V.2)

5
7
X
R
X
= (V.3)

Figure V.4 Profil du poinon de rayonnage

La hauteur Ht (V.1) est ainsi infrieure l'paisseur de la pice, ce qui est indispensable
car lors du procd rel sur presse, la pice est dispose sur la partie basse de l'outil qui est
pleine et par consquent, il faut viter quun poinon plus haut que la pice vienne frapper
loutil. D'autre part, pour avoir une forme de poinon fonctionnelle et ralisable, le
paramtre X7 doit tre tel que :

R Ht Hc (V.4)

Le dbut du fichier script doit donc commencer par les dfinitions paramtriques
suivantes:

X_05 = 2.000000
X_07 = 1.5
Ht = (X_05*0.8))
Hc = (X_05 /10)
R = X_05 /X_07

A la fin du script, le poinon est enregistr au format "Step", de la mme faon que le
modle de la pice. La figure V.5 montre un exemple de modle obtenu par la
programmation.

100

Figure V.5 Demi-poinon rsultant de l'excution du script
V.3. Simulation numrique des procds
Avant de procder la simulation des oprations de fabrication, nous allons dtailler
lalgorithme de calcul lasto-plastique coupl l'endommagement de Lematre-Chaboche
partir des quations constitutives dveloppes dans [Lem88]. Nous aborderons le procd de
dcoupe de la pice de faon indpendante du reste car cette opration ne sera pas couple
aux autres. Nous dtaillerons ensuite les tapes de la simulation concernant le procd de
rayonnage et de pliage. Nous prsenterons enfin la dernire tape de la simulation qui
concerne le dpliage de la pice.
V.3.1. Implmentation de l'endommagement selon Lematre Chaboche
Les dmonstrations suivantes sappuient en grande partie sur les dveloppements de
Lematre et Chaboche [Lem88], les travaux dA. Mkaddem [Mka03] et ceux de C. Robert
[Rob05].

Dans lhypothse dune quivalence en dformation et dun endommagement isotrope,
on dfinit la fonction de charge suivante :

( ) ( )
0
, ,
1
eq
e
R D R
D
= = +
(V.5)

1 D
est la contrainte effective (voir II.4.1). R dcrit l'volution isotrope de

l'crouissage.
eq
e0
la limite d'coulement du matriau
vierge. D est la variable interne d'endommagement.

Le potentiel d'endommagement [Lem88] est choisi sous la forme dune fonction
puissance de la variable Y associe l'endommagement:

( ) ( )
0
1
* 0
0 0
1
1 1
s
D
S Y
s D S
+
| |
=
|
+
\
(V.6)

On montre que Y est le taux de restitution de lnergie lastique. Elle scrit :

( )
1
2
Y =
el el el
C : : (V.7)

101

Dans [Lem88] S
0
et s
0
sont des paramtres du matriau, fonctions de la temprature. Le
potentiel de dissipation est gal :

*
D
F = + (V.8)

Expression dans laquelle correspond la dissipation plastique et
*
D
la dissipation
due l'endommagement. Si la variable dcrouissage R suit une volution de type Ludwick :

( )
n
pl
R K = (V.9)

pl
est la dformation plastique cumule. Lquation d'tat lastique est :

( ) 1 D =
el el
C (V.10)

el
C est le tenseur dlasticit, et
el
est le tenseur des dformations lastiques. Les
volutions des variables internes sont dcrites par les quations suivantes :

3
2 1
F
D

= = =

pl
eq
s

(V.11)

0
*
0
1
s
D
Y
D
Y D S

| |
= =
|

\

(V.12)

F
r
R

= =

(V.13)

Avec s le tenseur dviateur des contraintes et r est la variable associe lcrouissage R.

D'autre part, en dveloppant et en remplaant Y par son expression, nous obtenons une
autre expression pour l'incrment de dommage (voir II.4.1) :

( ) ( )
2
2
1 3 1 2
3
c H
pl
R D eq
D
D

(
| |
(
= + +
|
|
(
\

(V.14)

Pour calculer le correcteur plastique , la mthode du retour d'Euler a t utilise. Il
convient dans un premier temps de calculer la normale a la surface de charge :

( )
3
2 1
eq
D
= =

s
a
(V.15)

Puis la condition de consistance qui s'crit :

: 0 d R D
R D

= + + =

(V.16)


102
Ncessite de calculer chacun des termes. Le dtail de ces calculs pourra tre trouv en
annexe. Aprs calcul, l'incrment
du correcteur plastique s'crit :

( ) 1
D R
D
H H

=
+
el
a : C :
(V.17)

Dans cette expression les deux coefficients HD et HR sont dfinit par les expressions
suivantes :
R
R
H
r
(V.18)
Et :
( )
( )
*
0
1
1 1
D
R Y
H D
D D
+ (
= +
(

el el el
a : C : a a : C : (V.19)

O Y* est pos tel que :
0
*
0
s
Y
Y
S
| |
=
|
\
(V.20)

Cas dun matriau comportement anisotrope :

Les dveloppements prcdents peuvent tre coupls avec l'anisotropie de Hill et
l'crouissage cinmatique de Prager. Dans ce cas, la contrainte quivalente a pour expression:

( ) ( )
1
: :
2
eq
= s - X s - X (V.21)

O est la matrice de Hill (voir II.3). X qui est le tenseur associ lcrouissage
cinmatique est suppos voluer linairement conformment lexpression :

( ) 1 D C = X (V.22)

O C est un coefficient qui dpend du matriau. est la variable interne associe X.
Dans le cadre de la normalit, son volution est caractrise de la faon suivante :

F
(V.23)

La condition de consistance pour les matriaux anisotropes s'crit alors :

: : 0 d R D
R D

= + + + =

X
X

(V.24)

Aprs quelques calculs et la dtermination des diffrents termes, l'incrment du
correcteur plastique devient:

( ) 1
D R X
D
H H H

=
+ +
el
a : C :
(V.25)


103
Un nouveau coefficient reli lcrouissage cinmatique apparat dans (V.28), dfini
comme suit :

( )
*
: 1
1
X
Y
H C D
D
(
=
(
a a (V.26)

Ce modle a t ensuite implment dans des subroutines crites en langage
FORTRAN pour tre utilises avec le schma d'intgration implicite (UMAT) ou explicite
(VUMAT) d'Abaqus. Ces subroutines une fois compiles permettent le calcul du correcteur
plastique et la correction du tenseur des contraintes chaque incrment de temps du logiciel.
Il est galement possible de rcuprer la valeur du dommage D calcul aux points
d'intgration en utilisant les proprits d'entres-sorties des subroutines du code Abaqus.
Aprs quelques tests effectus sur des cas simples de traction ou de cisaillement, les
modles numriques bass sur les dveloppements prcdents, ont t mis en uvre pour la
simulation des procds qui interviennent successivement lors de llaboration sur presse
des pices dancrage (voir la Figure I.2 du Chapitre I). Pour respecter lordre dapparition des
oprations industrielles, nous prsenterons 1- le dcoupage, 2- le rayonnage, 3- le pliage et 4-
le dpliage en traction.
V.3.2. Procd de dcoupe
Le procd de dcoupe a t antrieurement tudi par R. Hambli [Ham96] puis par A.
Mkaddem [Mka03]. Aujourd'hui pour l'entreprise, l'objectif est de concevoir une base de
donnes qui permettent de coupler la simulation du dcoupage la dcoupe exprimentale
en vue de dfinir le meilleur jeu poinon-matrice de dcoupe pour un lot de matire donn
afin de minimiser l'effort de dcoupe et la hauteur de bavure. Les objectifs prcdents seront
raliss en tenant compte du lot de matire (correspondant un matriau donn, dans une
paisseur et une largeur de bobine de tle proposes par les fournisseurs).
Ltude succincte qui suit na pour but que de montrer les possibilits de la simulation
que nous avons dveloppe et qui pourra sappliquer toutes les oprations de mise en
forme.
Pour viter un temps de calcul rdhibitoire, l'opration de dcoupage a t simule en
2D dans lhypothse dune dformation plane en formulation implicite.
La figure V.6 montre la distribution des contraintes de cisaillement pour un exemple de
simulation de dcoupe bidimensionnelle avec un acier S500MC de 4 mm d'paisseur en
utilisant le critre d'endommagement de Gurson-Tvergaard-Needleman. La pntration du
poinon est denviron 25%. Nous pouvons distinguer sur cette figure la formation de la
partie bombe et la ligne de cisaillement de la tle entre le poinon et la matrice. Cest cette
ligne qui, partant de langle du poinon pour se diriger vers langle de la matrice, doit tre la
plus parfaite possible afin de raliser une bonne dcoupe . Cet impratif industriel est
largement conditionn par le jeu existant entre la matrice et le poinon. Dans ses tudes,
Hambli a montr quil devait se situer entre 10 et 15% de lpaisseur de la tle et nous avons
retenu ici la valeur 10%.
Cette simulation permet galement de dterminer la zone influence par la dcoupe
prs du bord o se dveloppent les contraintes rsiduelles. Cette information est notamment
utile pour assurer une distance minimum entre pices pour la mise en bande. En effet, il sera
ncessaire de conserver une distance au moins gale 2 fois la distance influence par la
dcoupe entre 2 pices sur la bobine. La figure V.7 montre le champ des contraintes de Von
Mises qui permet aussi de juger de l'influence de la dcoupe.


104

Figure V.6 Contrainte de cisaillement XY lors du procd de dcoupe

Figure V.7 Contrainte quivalente de Von Mises lors du procd de dcoupe

Par des tudes numriques et exprimentales, l'volution de la base de donnes pour la
dcoupe ira de paire avec l'identification et la caractrisation de plusieurs matriaux. Cette
caractrisation fait aujourd'hui l'objet d'une autre thse au sein du laboratoire en
collaboration avec l'entreprise DEVILL S.A.
V.3.3. Procd de rayonnage
Le procd de rayonnage des artes du trou oblong est le premier procd simul sous
Abaqus.

La premire tape consiste importer la demi-pice cre par CATIA au format "Step".
Ensuite, il faut importer de la mme manire le demi-poinon de rayonnage. Il est ici inutile
de modliser l'intgralit du poinon, car seules les surfaces qui entrent en contact avec la
pice sont importantes. La figure V.8 montre les surfaces qui sont conserves pour la
simulation du procd de rayonnage en rouge.


105

Figure V.8 Surfaces utiles du poinon de rayonnage

La pice est modlise en utilisant des lments volumiques de type brique 8 nuds
et intgration rduite(C3D8R), tandis que les surfaces du poinon de rayonnage sont
considres comme des parties rigides discrtes et sont modlises avec des lments rigides
4 nuds (R3D4). Les conditions de contact entre la pice et les surfaces rigides sont
considres sans frottement. Cela revient considrer la lubrification suffisamment efficace
en phase exprimentale. Les conditions limites concernent tout d'abord, la symtrie de la
pice sur les faces sombres de la figure V.9.

Figure V.9 Conditions de symtrie suivant l'axe X

Ensuite, les faces extrieures ainsi que l'intrieur du trou de fixation sont maintenus
par des conditions d'encastrement de faon viter l'coulement de la matire. Les figures
V.10 et V.11 montrent les surfaces concernes (les surfaces sombres sur les figures).

Figure V.10 Conditions d'encastrement sur les faces extrieures pour le procd de rayonnage

Figure V.11 Conditions d'encastrement du trou de fixation pour le procd de rayonnage


106
Les surfaces planes du poinon de rayonnage permettent le positionnement par
rapport la demi-pice. Au dpart, ces surfaces sont disposes chacune 1mm de la pice.
La figure V.12 montre ce positionnement.

Figure V.12 Positionnement initiale pour le procd de rayonnage

La premire tape consiste dplacer les surfaces rigides du poinon de rayonnage de
1mm de telle sorte qu'elles viennent en contact avec la pice. Le procd rel est ralis en
deux tapes, mais il est plus commode en simulation, pour un gain de temps notamment de
rayonner les deux cts de la pice en une seule tape. Pour certaines configurations, les
surfaces rigides peuvent s'interpntrer, mais aucune condition de contact n'tant dfinie
entre elles, cela n'aura pas d'influence sur le calcul.
Ensuite, les surfaces se retirent de 2 mm pour se dgager compltement de la pice, et
enfin l'ensemble des outils se dplace de 50 mm pour que les outils de pliage se positionnent
au niveau de la pice. La figure V.13 prsente la pice la fin du procd de rayonnage.

Figure V.13 tat de contrainte dans la pice aprs rayonnage
V.3.4. Procd de pliage
Les outils de pliage : matrice, serre flan et poinon sont dfinis comme tant des
surfaces analytiques rigides, elles sont directement conues paramtriquement sous Abaqus.
Dans ce cadre, le dernier paramtre de l'tude d'optimisation li au procd est le rayon de la
matrice de pliage qui est, tout comme le rayon du poinon de rayonnage, li l'paisseur de
la pice :

5
6
m
X
R
X
=

Avec, Rm le rayon de matrice, X5 est le paramtre qui dfinit l'paisseur de la pice et
X6 le paramtre qui va tablir le lien entre ces deux valeurs. Il existe au total 7 paramtres

107
pour l'optimisation, dont 4 dfinissent la forme extrieure de la pice, 1 dfinit l'paisseur de
la pice et enfin, X6 et X7 dfinissent respectivement le rayon de la matrice de pliage et le
rayon du poinon de rayonnage.
Les conditions limites de symtrie de la pice sont conserves (voir figure V.9) et une
condition d'encastrement dans le trou de fixation permet de maintenir la pice lors du pliage,
mais cette fois, elle n'est applique que sur la moiti du trou. La figure V.14 montre la surface
concerne en sombre. Cette condition permet de reprsenter une goupille d'arrt ajuste avec
un jeu de 1/10
ime
dans le trou de fixation.

Figure V.14 Condition d'encastrement pour le procd de pliage

Le contact entre la matrice et la pice et dfini par la loi de Coulomb avec un coefficient
de frottement de 0,1 qui correspond dans la littrature un contact acier/acier. Il en est de
mme pour le contact entre la pice et le serre-flan. Le contact entre le poinon et la pice est
quand lui dfini avec un coefficient de frottement nul.

Figure V.15 Positionnement initial pour le procd de pliage

Le jeu de pliage est dfini comme gal l'paisseur de la pice, l'influence de ce jeu
ayant t tudie par R. Bahloul [Bah05], la valeur de ce jeu n'a donc pas tait inclus dans
l'optimisation. Le positionnement relatif des diffrents outils et de la pice au temps t=0 du
procd de pliage est reprsent sur la figure V.15.
Le serre-flan et la matrice sont disposs 1 mm de la pice de chaque ct. La premire
tape consiste donc venir en contact avec la pice. Le poinon descend ensuite de 20 mm,
cette distance permet de s'assurer que le poinon va descendre suffisamment bas pour
finaliser le processus de pliage 90.
L'tape suivante consiste remonter le poinon sa position initiale et ensuite
dgager la matrice et le serre-flan. Une fois cette opration termine, les outils de pliage sont
dcals suivant l'axe X pour laisser la ceinture se positionner pour le dpliage. L'ensemble du
cycle de mise en forme est dtaill figure V.19.

Zone de contact
de la goupille

108

Figure V.16 tat de contrainte dans la pice aprs le procd de pliage

La figure V.16 montre les isovaleurs de Von Mises dans la pice aprs la phase de
pliage.
V.3.5. Dpliage en traction
Le dpliage de la pice simule un dpliage quasi-statique de la pice sur une machine
de traction. Exprimentalement, ce test est effectu en bloquant le trou de fixation par une
goupille, et la pice est tractione l'aide d'une ceinture de scurit que l'on passe
l'intrieure du trou oblong.

L'objectif ici n'est pas de reproduire le comportement de la ceinture de scurit, mais
de dterminer l'effort maximal lors du dpliage de la pice. Ainsi, la ceinture est modlise
par une pice rigide discrte en arc de cercle dont le dplacement est impos sur un point de
rfrence. L'effort sera rcupr en considrant la force de raction sur ce point de rfrence.
Les lments qui modlisent la ceinture sont des lments rigides 4 nuds (R3D4). La
ceinture va se dplacer dans un plan 45 par rapport au plan XY de 22,6 mm. Cette distance
permettra de redresser entirement la pice.
Lors de l'tape de dpliage, les conditions limites de symtrie sont maintenue sur la
pice (voir figure V.9) et la condition d'encastrement du trou de fixation est prolonge depuis
l'tape de pliage (voir figure V.14). La figure V.17 montre le positionnement de la ceinture et
de la pice au dbut de l'tape de dpliage. La figure V.18 montre l'tat de contrainte
(contrainte de Von Mises) dans la pice aprs dpliage.

Figure V.17 Positionnement initial pour le dpliage de la pice
Surfaces symbolisant
la ceinture
Pice

109

Figure V.18 tat de contrainte dans la pice aprs dpliage
V.3.6. Squence de simulation et scripts
L'optimisation porte sur la simulation des procds dcrits ci-dessus. L'ensemble des
procds et le dpliage sont gnrs via un script Abaqus crit en langage PYTHON. Le
principe est le mme que pour les scripts CATIA. Ce type de fichier permet d'automatiser les
processus de dfinition du modle ; du maillage ; de l'assemblage ; des conditions limites et
des conditions de chargement. D'autre part, il permet tout comme les fichiers script de
CATIA d'tre lanc en tache de fond (mode batch). Ces fichiers sont rcrits et excuts par
l'algorithme gntique au cours du processus d'optimisation.

Le dbut du fichier script contiend la dfinition du rayon de matrice :

X_05= 0.004 # paisseur
X_06= 1 # division du rayon de matrice
RM = X_05/X_06 # rayon de matrice

La valeur de RM est ensuite utilise par le script lors de la cration du rayon de la
matrice de pliage :

s.FilletByRadius(radius=RM, curve1=g[3], nearPoint1=(-
0.0246860682964325, 0.021033026278019), curve2=g[2], nearPoint2=(-
0.0209285467863083, 0.025001984089613))

Ainsi, l'algorithme gntique n'a qu' rcrire l'ensemble du fichier script en modifiant
les trois premires lignes qui permettent de calculer le rayon de matrice.

La squence correspondant cette simulation est dcrite sur la figure V.19. :

-a- Positionnement initial
-b- Rayonnage des artes du trou oblong
-c- Dcalage de l'ensemble des outils
-d- Pliage de la pice
-e- Dcalage de l'ensemble des outils aprs retour lastique de la pice aprs pliage
-f- Dpliage de la pice.


110

-a- -b-

-c- -d-

-e- -f-
Figure V.19 Squenage de la simulation
V.4. Couplage Principe
Le principe de l'algorithme gntique (A.G.) coupl avec CATIA et Abaqus est le
suivant :

1- L'A.G. gnre la premire gnration d'individus alatoirement
2- L'A.G. value les individus de la premire gnration :
a. Il rcrit les scripts pour CATIA avec les paramtres [X1 ; X2 ; X3 ; X4 ; X5 ;
X7] de l'individu concern puis les excutes en tache de fond
b. Il rcrit le script pour Abaqus avec les paramtres [X5 ; X6] de l'individu
et l'excute en tache de fond
c. Il rcupre les valeurs des fonctions objectifs
3- L'A.G. classe les individus en fonction de la valeur des fonctions objectifs
4- Il croise ensuite les individus en leurs attribuant une probabilit de croisement
relativement leur classement, pour obtenir la gnration suivante
5- Il utilise l'oprateur de mutation associ la probabilit de mutation qui va
modifier la valeur d'un paramtre pour un individu si la probabilit est vrifie
6- Enfin, il recommence l'tape numro 2 pour la seconde gnration, et ainsi de
suite jusqu' ce qu'il atteigne un nombre de gnrations impos.


111
Les scripts en langage PYTHON pour Abaqus ou en langage Visual Basic pour CATIA,
sont galement utiliss pour extraire des rsultats les valeurs de fonctions objectifs. Par
exemple, dans les tudes prsentes au chapitre VI, le volume est restitu l'aide d'un script
CATIA, les valeurs de contrainte, de dommage ou encore d'effort sont rcupres l'aide
d'un script pour Abaqus.

La figure V.20 prsente le schma de principe du couplage entre l'A.G., CATIA et
Abaqus, o ng reprsente la gnration en cours d'valuation, nG le nombre de gnrations
imposes l'algorithme et nI le nombre d'individus par gnration.
Dans le cas o les rseaux de neurones constitus sous MatLab prennent le relais du
calcul par lments finis sous Abaqus, le schma devient celui de la figure V.21 avec nA le
nombre de gnrations au bout duquel l'algorithme utilise l'approximation des rseaux de
neurones.

Figure V.20 Schma de principe du couplage A.G. / CATIA / Abaqus

112

Figure V.21 Schma de principe du couplage avec utilisation des rseaux de neurones sous MatLab
V.5. Conclusion
Dans ce chapitre nous avons pu mettre en vidence l'intrt des scripts pour
l'automatisation de la conception des pices et des outils de rayonnage ainsi que des calculs
par lments finis.
Nous avons dtaill la modlisation de chaque procd mis en jeu dans cette tude. Le
dpliage statique de la pice aprs sa mise ne forme a galement t expos. Les diffrentes
conditions limites ncessaires lors de la simulation ont t dtailles.
Finalement, ce chapitre nous a permis de schmatiser l'ensemble du processus
d'automatisation et d'optimisation reprsent sur les figure V.20 et V.21.

113
CHAPITRE VI
Analyse et Validation
VI.1. Introduction
Nous avons prsent dans les chapitres prcdents le principe du couplage entre des
mthodes doptimisation, des logiciels de CAO et des codes de calculs par lments finis.
Nous avons galement montr limportance des lois de comportement des matriaux
utilises dans de tels couplages.

Ce type de couplage est de plus en plus souvent utilis pour loptimisation de forme,
mais aussi pour loptimisation des paramtres des procds de mise en forme et le choix des
matriaux. Ce type de couplage peut galement tre utilis dans le cas de mthodes
didentification inverse des paramtres de lois de comportement complexes ne permettant
pas, ou difficilement une identification directe.

Dans ce dernier chapitre nous prsentons lutilit de mthodes multi-objectifs, dans un
premier temps pour amliorer les mthodes didentification inverse puis pour le cas gnral
de cette tude, c'est--dire pour lamlioration de la forme de la ferrure dancrage de ceinture
de scurit et des procds qui lui sont associs.

Deux cas seront dtaills pour ltude de la ferrure dancrage. Le premier ne prend en
compte que le rayonnage et le pliage de la pice pour loptimisation de valeurs maximales de
la contrainte de Von Mises, de son cart-type et du dommage. Le second prend en compte le
dpliage statique de la pice et optimisera leffort maximal constat lors de ce dpliage, il
rpond au critre de gain de masse en minimisant le volume de la pice.
VI.2. Utilisation des mthodes d'optimisation pour la mthode inverse
VI.2.1. Objectif de ltude
Lide gnrale de cette tude est de considrer plusieurs courbes pour lidentification
de paramtres de lois de comportement complexes. En effet, aujourdhui de nombreuses
tudes menes se basent uniquement sur la courbe effort-dplacement pour identifier un
nombre de paramtres parfois trs grand. Globalement, le fait de chercher obtenir lerreur
minimum sur cette courbe augmente peut tre linverse lerreur sur un cas de chargement
diffrent ou sur la courbe dommage-dformation plastique par exemple.

Ltude que nous proposons ici consiste en une comparaison de deux algorithmes
doptimisation, lun considr comme classique drivant de la mthode de Newton, lautre
multi-objectifs sappuyant sur lalgorithme gntique NSGA-2 utilis pour ltude de la
ferrure dancrage. Lobjectif est de mettre en vidence la possibilit dutiliser de tels
CHAPITRE VI - Analyse et Validation

114
algorithmes pour identifier un grand nombre de paramtres de lois de comportement en se
basant non plus sur une mais sur plusieurs courbes. Nous esprons que cette approche
permettra datteindre lunicit de la solution. Il peut en effet tre constat aujourdhui dans la
littrature que pour une mme loi et pour un mme matriau, deux auteurs diffrents
trouvent parfois des paramtres trs loigns. Ceci est d au fait que la solution de
loptimisation est lie la fois aux donnes exprimentales et lalgorithme utilis.
Nous prsenterons dans cette partie loptimisation de paramtres dune loi de
comportement utilisant le modle dendommagement de Gurson-Tvergaard-Needleman
(GTN) coupl la loi de Ludwick pour la plasticit.
VI.2.2. Paramtres identifier
Nous rappelons ici les principales quations du modle de GTN de faon mettre en
vidence les paramtres identifier, le lecteur pourra trouver plus de dtails sur le modle
au chapitre II.4.2.
La loi de comportement utilise pour dfinir lvolution du seuil dcoulement en
fonction de la dformation plastique est une loi de Ludwick :
0
n
e e pl
K = + (VI.1)

Cette quation met en vidence les 3 premiers coefficients identifier :

- La limite dlasticit du matriau vierge
e0
, qui fera lobjet dune variation faible
autour de la valeur exprimentale de manire donner plus de souplesse au
systme doptimisation
- Le module dcrouissage K, dont la valeur dduite de lexprience peut tre
errone du fait que lon ne puisse pas dissocier les phnomnes dcrouissage et
dendommagement
- Lexposant dcrouissage n.

La fonction de charge du modle GTN est dfinie de la faon suivante :

( )
2
* *2
1 2 3
3
2 cosh 1 0
2
eq
H
e e
q f q q f

| | | |
= + + =
| |
\ \
(VI.2)

Cette quation entraine laddition de trois coefficients supplmentaires : q
1
, q
2
et q
3
.
Enfin, nous prendrons en compte dans cette tude la fonction dcrivant la germination
des porosits :
ger pl
f A =

(VI.3)
Avec :
2
1
exp
2 2
pl N
N
N N
f
A
s s

(
| |
( =
|
(
\

(VI.4)

Il vient sajouter 3 nouveaux paramtres :

- f
N
, la fraction volumique de porosit pouvant participer la germination
- s
N
, lcart-type de la distribution normale
-
N
, la valeur moyenne de la distribution normale.
Nous avons donc un total de 9 paramtres identifier. Rappelons qu'une premire
srie de ces neuf valeurs a t dtermine au chapitre II.4.2 en utilisant uniquement la courbe
effort-dplacement. Les rsultats de ces deux tudes pourront ainsi tre compars.

115
VI.2.3. Principe de l'identification
Le principe gnral de cette identification inverse est le suivant :

1) Les essais exprimentaux permettent de dterminer les valeurs initiales dun
certains nombre de paramtres, notamment :
e0
, K et n. Les paramtres du
modle de GTN sont tirs de la bibliographie [Ham96].
2) Une simulation dun essai de traction est effectue sur une prouvette section
droite (voir figure VI.1) avec le logiciel Abaqus 6.7
. Lors de cette simulation sont

calculs les efforts et les dplacements. Nous rcuprons galement le taux de
porosits (correspondant au dommage pour le modle GTN) et la dformation
plastique quivalente maximale.
3) Les valeurs ainsi rcupres sont compares aux courbes exprimentales et
lerreur quadratique (voir figure VI.2) pour la courbe effort-dplacement et pour la
courbe dommage-dformation plastique quivalente est calcule.
4) Ensuite, les deux algorithmes doptimisation, le premier qualifi de "classique"
provenant de MatLab dune part et lalgorithme gntique NSGA-2 dautre part
sont utiliss pour amliorer les paramtres et relancer la simulation jusqu ce que
le processus doptimisation soit termin.

Figure VI.1 Simulation d'un essai de traction monotone avec le logiciel Abaqus 6.7


116

Figure VI.2 Schma de principe de la mthode inverse
VI.2.4. Courbes exprimentales
Nous avons obtenu la courbe effort-dplacement en effectuant un essai de traction
monotone sur la machine Zwick prsente au chapitre II (Voir Figure II.11).

La courbe reprsentant lvolution du taux de porosit en fonction de la dformation
plastique quivalente provient des travaux de A. Sarfati [Sar08]. Le principe consiste en un
essai de traction dune prouvette prsentant un gradient de dformation (voir figure VI.3)
sur laquelle des lignes droites servant de repres sont dessines pralablement un essai de
traction. Chaque section S
n
de lprouvette correspondant la n
ime
ligne est mesure avant le
chargement.

Figure VI.3 prouvette avec gradient de dformation

Aprs rupture de lprouvette, les sections sont alors mesures de nouveau et cette
mesure permet de dduire la dformation plastique quivalente correspondante laide de
lquation VI.5.

|
|
\
|
=
'
ln
n
n
S
S
(VI.5)

Le taux de porosit est analys partir de photos numriques, prises au microscope
lectronique balayage le long de chaque ligne. Le logiciel VISILOG
en appliquant un
seuillage sur ces photos permet de mesurer la surface des porosits apparentes. La figure
VI.4a montre limage avant traitement et la figure VI.4b, limage aprs traitement.


117

-a- -b-
Figure VI.4 Photographies prises au MEB, -a- avant et -b- aprs traitement sur VISILOG

La surface des porosits apparentes ainsi calcule est divise par la surface de la photo.
Cette fraction surfacique de porosits et considre quivalente la fraction volumique de
porosits. Il est prvu deffectuer une srie de mesures en tomographie rayons X afin de
vrifier cette hypothse.
On en dduit la courbe reprsentant lvolution du taux de porosits en fonction de la
dformation plastique quivalente. La figure VI.5 prsente cette courbe pour lacier Haute
Limite dlasticit S500MC.

Evolution du taux de porosits pour un acier S500MC
0
0.02
0.04
0.06
0.08
0.1
0 0.08 0.16 0.24 0.32 0.4 0.48 0.56 0.64
T
a
u
x

d
e

p
o
r
o
s
i
t

Figure VI.5 volution du taux de porosit pour un acier HLE S500MC
VI.2.5. Algorithmes
La fonction cot f que nous avons utilise est dfinie au sens des moindres carrs non
linaires :
( ) ( ) ( ) ( )
2 2 2
1 2
min ...
m
x
f f f f ( = + + +

x x x x (VI.6)

Chaque fonction f correspond, pour un vecteur de coefficients x donn et pour une
valeur de dplacement dans le cas de la courbe effort-dplacement ou une valeur de
dformation plastique pour la courbe de dommage, lcart entre la courbe exprimentale et
la courbe provenant de la simulation :

( ) ( ) ( )
sim exp
i i i
f f f = x x x (VI.7)

118
La figure VI.6 schmatise le principe du calcul des fonctions f pour lerreur
quadratique sur la courbe effort-dplacement. Le mme principe est appliqu sur la courbe
du dommage.

2.3E+04
2.4E+04
2.5E+04
2.6E+04
2.7E+04
2.8E+04
2.9E+04
3.0E+04
3.1E+04
3.2E+04
3.3E+04
0 1 2 3 4 5 6
Dplacement (mm)
E
f
f
o
r
t

(
N
)
Experimentale (a)
Simulation (b)
a
b

Figure VI.6 Principe du calcul de lerreur quadratique sur la courbe effort-dplacement

Lalgorithme classique a dj t dtaill au chapitre II.4.2 est ne sera pas rappel ici.
Pour cet algorithme, il nest possible dutiliser quune seule fonction cot. Il est ncessaire de
sommer les erreurs quadratiques des deux courbes. Cette opration doit tre ralise en
prenant soin deffectuer un certains nombre de corrections afin de ne pas privilgier lune
des deux courbes par rapport lautre (normalisation des paramtres, quilibrage du
nombre de fonctions et ajustement du degr dapproximation).

Pour lutilisation de lalgorithme gntique, il nest nullement ncessaire de recourir
toutes ces corrections. En effet, lalgorithme tant multiobjectifs, les deux sommes sont
considres indpendamment lune de lautre et constituent chacune une fonction cot part
entire.
VI.2.6. Rsultats obtenus
Il convient dans un premier temps de vrifier la convergence des deux algorithmes.

Dans le cas du premier algorithme, l'volution de l'erreur quadratique normalise par
rapport la premire valuation permet de rendre compte de la convergence. Cette valeur
doit diminuer puis se stabiliser autour d'un certain niveau. La figure VI.7 montre cette
volution. Il peut tre observ sur cette figure que la premire valuation est bien gale 1 et
que cette valeur diminue pour se stabiliser. D'autre part, nous pouvons remarquer que la
partie de l'erreur sur la courbe effort-dplacement (courbe rouge), ainsi que la partie sur la
courbe de dommage (courbe bleue) diminue. L'algorithme est bien "quilibr" et optimise
ainsi les deux courbes simultanment.

119
Convergence de l'algorithme de MatLab pour le modle de GTN
0
0.2
0.4
0.6
0.8
1
1.2
0 20 40 60 80 100 120
Numro d'valuation
E
r
r
e
u
r

q
u
a
d
r
a
t
i
q
u
e

n
o
r
m
a
l
i
s
e
Erreur quadratique normalise (a)
Partie due la courbe d'effort (b)
Partie due la courbe de dommage (c)
a
b
c

Figure VI.7 volution de l'erreur quadratique normalise avec l'algorithme de MatLab

Dans le cas de l'algorithme gntique, La convergence est observe partir du front de
Pareto. Ce front doit minimiser les deux fonctions (voir figure IV.5) et doit converger vers
l'origine du repre du graphique qui reprsente l'erreur quadratique sur la courbe du
dommage en fonction de l'erreur quadratique sur la courbe effort-dplacement. La figure
VI.8 montre le front de Pareto aprs 20 gnrations de 40 individus.

3.0E-05
3.5E-05
4.0E-05
4.5E-05
5.0E-05
5.5E-05
6.0E-05
6.5E-05
7.0E-05
7.5E-05
8.0E-05
1.9E+05 5.9E+05 9.9E+05 1.4E+06 1.8E+06
Erreur sur la courbe de l'effort (N
2
)
E
r
r
e
u
r

s
u
r

l
a

c
o
u
r
b
e

d
u

d
o
m
m
a
g
e
Front de Pareto
Meilleur compromis
Meilleur - Effort
Meilleur - Dommage
Optimisation multiobjectifs pour le modle de GTN pour l'acier HLE S500MC

Figure VI.8 Front de Pareto obtenu aprs 20 gnrations

Trois individus singuliers ont t mis en vidence sur le front de Pareto. L'individu
prsentant la plus faible erreur sur la courbe effort-dplacement est ainsi reprsent par un
losange bleu, celui disposant de la plus faible erreur sur la courbe du dommage est indiqu
par un losange vert et enfin l'individu prsentant une distance depuis l'origine du graphique
la plus faible, que nous appellerons le meilleur compromis, est reprsent par un losange
rouge.

Nous pouvons ds prsent remarquer que si l'identification des paramtres se fait
uniquement en utilisant la courbe effort-dplacement, ce qui est trs souvent constat dans la
littrature, la solution optimale se trouve tre le losange bleu qui prsente en contre-partie
l'erreur la plus leve sur la courbe du dommage.


120
Les figures VI.7 et VI.8 nous permettent d'affirmer que les deux algorithmes
convergent vers des solutions qui minimisent l'erreur sur chacune des deux courbes. Il faut
maintenant vrifier que les courbes obtenues refltent bien ces rsultats.

La figure VI.9 montre l'volution du dommage dans le cas de l'algorithme classique de
MatLab figure VI.9a et dans le cas de l'algorithme gntique NSGA-2 figure VI.9b. La courbe
rouge reprsente la courbe exprimentale, la courbe noire l'approximation de la courbe
exprimentale par une quation polynomiale de degr 3. La courbe bleue reprsente le
meilleur rsultat dans le cas de l'algorithme classique et le meilleur compromis pour NSGA-2,
tandis que la courbe verte reprsente le point de dpart utilis pour l'algorithme classique,
c'est--dire les coefficients initiaux.

On peut voir sur la figure VI.9a que la courbe bleue optimise est bien meilleure que la
courbe verte correspondant au point de dpart et suit bien la tendance de la courbe
exprimentale. Sur la figure VI.9b correspondant aux rsultats de NSGA-2, on voit que la
courbe bleue a la mme tendance que la courbe bleue de la figure VI.9a et suit galement la
courbe exprimentale. Les deux algorithmes permettent donc bien d'amliorer l'allure de la
courbe de dommage.

Resultats avec MatLab pour le modle de GTN - Acier S500MC
0
0.02
0.04
0.06
0.08
0.1
0.12
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
T
a
u
x

d
e

p
o
r
o
s
i
t
Polinme sur exprimentale (a)

Exprimentale (b)
Simulation - Point de dpart (c)
Simulation - Optimise (d)
a
b
d
c

-a-
Rsultats avec NSGA-2 pour le meilleur compromis - Acier
S500MC
0
0.02
0.04
0.06
0.08
0.1
0.12
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
T
a
u
x

d
e

p
o
r
o
s
i
t
s
Polynme sur exprimentale (a)
Exprimentale (b)
Simulation - Compromis (c)
a
b
c

-b-
Figure VI.9 Comparaison exprience simulation sur la courbe de dommage -a- optimisation avec l'algorithme
de MatLab -b- optimisation avec NSGA-2/meilleur compromis

121

Les figures VI.10a et VI.10b montrent l'volution obtenue par optimisation sur la
courbe effort-dplacement pour l'algorithme classique et pour l'algorithme gntique
respectivement.

On peut voir sur la figure VI.10a l'volution entre le point de dpart considr par
l'algorithme de MatLab en vert et la courbe finale en bleue. Le rsultat obtenu ici est du
mme ordre que celui obtenu en identifiant les paramtres uniquement sur la courbe effort-
dplacement. Le fait d'avoir amlior l'erreur sur la courbe de dommage n'a pas eu d'impact
ngatif sur l'amlioration de l'erreur sur la courbe des efforts.

La figure VI.10b compare l'exprience avec la courbe correspondant au meilleur
compromis de NSGA-2. Cette fois encore, nous pouvons remarquer que la courbe bleue
provenant de la simulation pour le meilleur compromis est trs proche de celle provenant de la
meilleure solution pour l'algorithme classique de MatLab. Les deux algorithmes permettent
ainsi d'amliorer la fois l'allure sur la courbe du dommage et sur la courbe des efforts.

Rsultats avec MatLab pour le modle de GTN - Acier S500MC
0
5000
10000
15000
20000
25000
30000
35000
0 1 2 3 4 5 6
Dplacement (mm)
E
f
f
o
r
t

(
N
)
Exprimentale (a)
Simulation - Point de dpart (b)
Simulation - Optimise (c)
a
c
b

-a-
Resultats avec NSGA-2 le modle GTN - Acier S500MC
0
5000
10000
15000
20000
25000
30000
35000
0 1 2 3 4 5 6
Dplacement (mm)
E
f
f
o
r
t

(
N
)
Exprimentale (a)
Simulation - Compromis (b)
a
b

-b-
Figure VI.10 Comparaison exprience simulation sur la courbe d'effort -a- optimisation avec l'algorithme de
MatLab -b- optimisation avec NSGA-2/meilleur compromis

122
VI.2.7. Bilan
Cette tude a dmontr qu'il t possible de prendre en compte plusieurs courbes pour
l'identification inverse de paramtres dfinissant des lois de comportement complexes. Pour
cela il a t ncessaire de minimiser en mme temps l'erreur commise lors de la simulation
des essais correspondant ces courbes. L'idal serait de pouvoir atteindre l'unicit de la
solution.
Deux algorithmes ont t tests dans ce sens. L'un implment dans MatLab et
drivant de la mthode de Newton et l'autre d'ordre zro est l'algorithme gntique NSGA-2.
Le grand avantage de l'algorithme gntique rside dans le fait qu'il ne ncessite pas de
corrections si lon modifie les fonctions cots, alors que l'algorithme de MatLab ncessite au
moins trois tapes qui consistent normaliser les chelles des diffrentes fonctions cots,
conserver un nombre de fonctions f dont la somme des moindres carrs non linaires
(quation VI.6) qui soit constante d'une valuation l'autre et enfin le poids de chacune des
fonctions cots considres doit tre du mme ordre de grandeur puisqu'elles sont sommes.
Les rsultats sont globalement quivalents pour les deux algorithmes, ce qui montre
clairement l'intrt que peut reprsenter un algorithme tel que NSGA-2, de par sa simplicit
de mise en uvre. Nanmoins, l'algorithme classique prsente l'avantage de demander
moins d'valuations que NSGA-2, ce qui pourra tre un critre de slection prpondrant
pour les problmes trs grand nombre de paramtres et de fonctions cots.
VI.3. Optimisation de la ferrure dancrage de ceinture de scurit
VI.3.1. Objectif de l'tude
Cette tude constitue l'objectif principal de ces travaux de thse. Il s'agit d'optimiser la
forme de la pice et les paramtres des procds associs pour prendre en compte
l'historique du chargement de la pice lors de sa fabrication pour amliorer la prdiction de
sa tenue en service. La prise en compte du lot de matire : matriau, paisseur et largeur de
bande peut galement tre intgre au processus d'optimisation, mais l'identification des
paramtres lis ces matriaux fait l'objet d'une autre tude qui n'est aujourd'hui pas encore
acheve. C'est pourquoi dans la considration du lot de matire, seul l'paisseur sera prise en
compte dans l'optimisation.
Deux tudes sont proposes ici pour vrifier l'efficacit de l'outil d'optimisation ainsi
mis en place et dtaill dans le chapitre V. La premire tude consiste prendre en compte le
procd de rayonnage et de pliage pour optimiser la valeur maximale et l'cart type de la
contrainte de Von Mises et la valeur maximale du dommage autour du trou oblong de
passage de la ceinture de scurit. La seconde prend en compte le procd de rayonnage et
celui de pliage auxquels succde une tape de dpliage statique (voir dtails au V.3). Dans
cette seconde tude, deux fonctions objectifs sont utilises : l'effort maximum lors du
dpliage et le volume de la pice pour rpondre au critre de gain de masse. Dans les deux
cas de figure nous commenterons l'utilisation de rseaux de neurones pour l'approximation
des fonctions cots.
VI.3.2. Premier cas d'tude
Cette premire tude prsente la particularit de ne travailler qu'avec les lments
situs autour du trou oblong. Une zone gomtrique est dfinie de telle sorte que le logiciel
Abaqus puisse reconnatre cette zone automatiquement. On dfinit ainsi des plans qui
dlimitent en haut et en bas cette zone. La figure VI.11 montre la zone ainsi obtenue.


123

Figure VI.11 Zone utilise pour l'tude

Ainsi seuls les lments situs dans cette zone sont utiliss pour le calcul des fonctions
objectifs. Les paramtres de l'tude sont les 7 paramtres dtaills au chapitre prcdent :

- les 4 paramtres dfinissant la forme extrieure de la pice (voir figure V.1) ;
- l'paisseur de la pice ;
- le rayon des poinons de rayonnage ;
- le rayon de la matrice de pliage.

Les valeurs limites de ces valeurs sont reportes dans le tableau suivant :

Limite basse Limite haute Type de variable
X1 8,0 12,0 Continue
X2 8,0 12,0 Continue
X3 -65,0 +65,0 Discrte
X4 -65,0 +65,0 Discrte
X5 2,0 4,0 Discrte
X6 1,0 2,0 Discrte
X7 1,5 2 Discrte
Tableau VI.1 Valeurs limites des paramtres de l'tude

Les paramtres X1 et X2 ne risquant pas de provoquer de singularit gomtrique, ils
peuvent varier de faon continue entre leur limite basse et leur limite haute. Les paramtres
X3, X4, X6 et X7 peuvent provoquer des singularits gomtriques conduisant la non
faisabilit de la pice ou des poinons de rayonnage, leur variation a donc t discrtise
pour mieux la contrler. Enfin, l'paisseur ne peut bien sr pas prendre n'importe quelle
valeur puisqu'elle dpend des lots disponibles chez les diffrents fournisseurs d'aciers, c'est
pourquoi sa valeur a galement t discrtise.
Trois fonctions objectifs ont t dfinies pour cette tude. La premire fonction objectif
est l'cart-type des valeurs de la contrainte de Von Mises dans la zone tudie autour du trou
oblong. Cette premire fonction est utilise dans le but d'obtenir une distribution homogne
des contraintes pour viter les zones de concentration propices au dpart de fissures. La
seconde fonction objectif est la valeur maximale de la contrainte de Von Mises. Cette valeur
permet de minimiser la plus forte contrainte rsiduelle dans la pice. Enfin, la troisime
fonction objectif est la valeur maximale du dommage selon le modle de Lematre-Chaboche.
Cette valeur est en effet critique pour le dpart de fissures.

Les fonctions normalises sont dfinies ci-dessous:

min min min
max max max max
max max max min max min max min
max max max max

; ;
i i i
i i i VM VM VM VM
VM VM
VM VM VM VM
D D
D
D D

= = =

(VI.8)

124
Avec
max max

, ,
i i i
VM VM
D sont les valeurs des fonctions objectifs normalises pour
l'individu i ;
min min min
max max
, ,
VM VM
D sont les valeurs minimales sur l'ensemble des gnrations et
max max max
max max
, ,
VM VM
D sont les valeurs maximales sur l'ensemble des gnrations. Cette
normalisation permet de reprsenter le front de Pareto obtenu dans un repre ayant pour
origine le point (0, 0, 0).
Deux tests avec des rglages diffrents pour l'algorithme gntique ont t effectus. Le
premier avec 30 gnrations et 20 individus par gnration et le second avec 30 gnrations
et 60 individus par gnration. La comparaison de ces deux tests permet de mettre en
vidence l'influence du nombre d'individus par gnration et donc l'influence de la diversit
lors de l'utilisation d'un algorithme gntique.
La figure VI.12 montre les fronts de Pareto tridimensionnels obtenus dans les deux cas.
La surface bleue reprsente le front obtenu avec 20 individus par gnration et la surface
rouge celui obtenu avec 60 individus par gnration.
On peut tout d'abord remarquer sur cette figure que les deux surfaces sont bien
diriges vers l'origine du repre et sont globalement convexes ce qui confirme que l'on tend
bien vers la limite du domaine des solutions qui minimise les trois fonctions.
D'autre part, il apparat que la surface rouge se situe en dessous de la surface bleue ce
qui indique que le front de Pareto ici reprsent est meilleur que celui reprsent par la
surface bleue.
Nous pouvons conclure de cette comparaison que la diversit des individus dans
chaque gnration a une importance capitale pour la convergence de l'algorithme et pour la
validit des rsultats. Ce nombre reste nanmoins trs dlicat dterminer puisqu'il dpend
la fois du nombre et des limites des paramtres, du nombre et de la variation possible des
fonctions tudies.

Figure VI.12 Fronts de Pareto 3D obtenus pour 30 gnrations avec 20 et 60 individus par gnration

Dans la suite nous utiliserons les rsultats de l'algorithme ayant 60 individus pour
chaque gnration qui, dans cette analyse, semble le plus efficace.
Nous allons maintenant comparer les rsultats de la premire gnration avec ceux du
front de Pareto. Nous observerons galement quelle place a la ferrure d'ancrage avec ses
paramtres actuels. Pour cela, et afin de faciliter lexploitation des rsultats, nous allons
tracer les fronts de Pareto projets sur les trois plans principaux de la figure VI.12.
La figure VI.13 prsente les 3 fronts de Pareto (ronds bleus), la premire gnration
(triangles gris) et la ferrure actuelle (losange rouge). La figure VI.13a prsente la projection

125
sur le plan
rel
VM
-
rel
VM
, la figure VI.13b sur le plan
rel
VM
-
max
rel
D et la figure VI.13c sur le plan
rel
VM
-
max
rel
D .

Front de Pareto projet
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fonction 1
F
o
n
c
t
i
o
n

2
Premire gnration
Front de Pareto
Pice actuelle

-a-
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fonction 1
F
o
n
c
t
i
o
n

3
Premire gnration
Front de Pareto
Pice actuelle

-b-
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fonction 2
F
o
n
c
t
i
o
n

3
Premire gnration
Front de Pareto
Pice actuelle

-c-
Figure VI.13 Front de Pareto projet dans les trois plans principaux de l'espace des solutions
Fonction 1 =
rel
VM
; Fonction 2 =
rel
VM
; Fonction 3 =
max
rel
D .


126
Deux individus ont t reprs sur les projections par des flches orange. L'un deux fait
partie du front de Pareto et l'autre fait partie des meilleurs individus de la premire
gnration, c'est--dire qu'il a t class numro 1 par l'algorithme aprs l'valuation de
l'ensemble des individus de la premire gnration. Ces deux individus peuvent ainsi tre
compars entre eux tout d'abord, puis avec la pice actuelle par la suite.
L'volution de l'algorithme vers une solution optimale peut tre caractrise en
comparant les 3 valeurs des fonctions objectifs correspondant l'individu se situant sur le
front de Pareto et celui provenant de la premire gnration. Cette comparaison est rsume
dans le tableau VI.2.

rel
VM

rel
VM

max
rel
D
Individu de la premire gnration 0,325 0,937 0,300
Individu sur le front de Pareto 0,075 0,060 0,198
Amlioration obtenue 76% 93% 34%
Tableau VI.2 Comparatif entre un individu du front de Pareto et un individu de la 1
re
gnration

Ces rsultats exposent l'amlioration obtenue entre les deux individus. On voit ici que
le processus permet d'optimiser tous les paramtres au regard des trois fonctions objectifs.
Quoique ces valeurs soient rehausses du fait de la normalisation, il n'en reste pas moins que
l'algorithme amliore nettement les caractristiques mcaniques de la pice.
Si on compare maintenant l'individu sur le front de Pareto avec la pice actuelle, on
constate galement une amlioration importante sur les trois fonctions objectifs (voir Tableau
VI.4). En effet, nous pouvons remarquer sur les diffrentes projections de la figure VI.13 que
la pice actuelle reprsente par un losange rouge se situe trs loin du front de Pareto et
qu'elle est dans la mme partie de l'espace des solutions que la premire gnration.

rel
VM

rel
VM

max
rel
D
Pice actuelle 0,731 0,834 0,796
Individu sur le front de Pareto 0,075 0,060 0,198
Amlioration obtenue 89% 92% 75%
Tableau VI.4 Valeurs des paramtres pour un individu optimal et la pice actuelle (1
er
cas d'tude)

L'algorithme et le couplage permettent de minimiser les trois fonctions en mme temps
en modifiant la forme de la pice et les paramtres procds. La valeur de l'optimisation est
d'autant plus grande que la diversit de la population est importante. Les trois pices
considres : la pice actuelle, la pice de la premire gnration et la pice sur le front de
Pareto sont reprsentes sur la figure VI.14.

-a- -b- -c-
Figure VI.14 Schma des pices tudies -a- pice actuelle -b- pice de la premire gnration -c- pice sur le
front de Pareto

127
VI.3.3. Deuxime cas d'tude
Le second cas tudi ici prsente les mmes caractristiques que le cas prcdent en
prenant en compte le dpliage statique de la pice et en cherchant optimiser cette fois
l'effort maximal lors de ce dpliage ainsi que le volume de la pice. Nous cherchons bien sr
en minimisant le volume de la pice minimiser son poids. D'autre part, de faon
maximiser l'effort, nous chercherons minimiser son inverse. Le volume de la pice est
calcul partir du modle CAO implment dans le logiciel CATIA V5
.

L'tude a t effectue avec 15 gnrations chacune constitue de 20 individus. La
figure VI.15 reprsente le front de Pareto obtenu (ronds bleus), la premire gnration
(triangles gris) ainsi que la pice actuelle (losange rouge).

Front de Pareto
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Inverse de l'effort normalis
V
o
l
u
m
e

n
o
r
m
a
l
i
s
Front de Pareto
Premire gnration
Pice actuelle

Figure VI.15 Front de Pareto pour les valeurs normalises (2
ime
cas d'tude)

On peut remarquer sur cette figure que certains individus de la premire gnration se
situent dj sur le front de Pareto et que la pice actuelle est trs proche du front de Pareto.
L'espace des solutions semble ici beaucoup plus troit que dans l'tude prcdente. D'autre
part, les deux fonctions sont trs antagonistes. En effet, la diminution du volume induit une
rsistance plus faible lors du dpliage. Deux individus reprsentatifs ont t identifis, lun
de la premire gnration et lautre sur le front de Pareto reprs par des flches oranges sur
la figure VI.15.

Si nous comparons maintenant les deux individus, nous pouvons remarquer que la
diffrence est trs faible et que l'individu de la premire gnration est quasiment sur le front
de Pareto. Cette comparaison est rsume dans le tableau VI.5.

Inverse de l'effort normalis Volume normalis
Individu de la premire gnration 0,627 0,059
Individu sur le front de Pareto 0,604 0,058
Amlioration 3,69% 1,69%
Tableau VI.5 Valeurs des paramtres pour les deux individus slectionns (2
ime
cas d'tude)

Si nous comparons cette fois l'individu sur le front de Pareto avec la pice actuelle,
nous pouvons remarquer une fois encore que l'amlioration est faible voir inexistante sur la
minimisation du volume.


128
Inverse de l'effort normalis Volume normalis
Pice actuelle 0,606 0,097
Individu sur le front de Pareto 0,604 0,058
Amlioration 0,42% 40,06%
ime
cas d'tude)

Nanmoins, mme si l'amlioration constate aprs le processus d'optimisation n'est
pas trs grande, le front de Pareto est trs bien rparti et permet de choisir parmi un trs
grand nombre d'individus. Dans ce cadre, les deux individus extrmes du front (indiqus
par les flches vertes sur la figure VI.15) ont t identifis et sont reprsents sur la figure
VI.16a et VI.16b.

-a- -b- -c-
Figure VI.16 - Schma des pices tudies -a- individu ayant le volume le plus faible -b- individu ayant le
volume le plus grand -c- individu du front de Pareto repr par la flche orange

Les individus reprsents sur les figures VI.16a et VI.16c ont une paisseur de 2mm
tandis que celui qui est reprsent sur la figure VI.16b a une paisseur de 4mm.
Si il tait vident que l'individu ayant les dimensions les plus larges et donc le volume
le plus important (figure VI.16b) soit associ l'effort de dpliage le plus important et
inversement pour l'individu ayant le volume le plus faible (figure VI.16a), il n'tait pas
priori dcelable que l'individu reprsent sur la figure VI.16c amliore les deux fonctions
cots tudies par rapport la pice actuelle (voir tableau VI.6). On note ici l'intrt d'une
optimisation multi-objectifs puisqu'elle permet de choisir un individu posteriori alors que
l'utilisation d'une optimisation classique n'aurait fournie qu'un seul individu.
VI.3.4. Approximation par rseaux de neurones
Cette seconde tude a servi de base de donnes pour l'entranement de rseaux de
neurones. En effet, le calcul par lments finis permettant d'obtenir la valeur de l'effort de
dpliage conduit un temps d'optimisation global trs long. Dans l'optique de rduire ce
temps de calcul, nous avons coupl l'algorithme gntique avec un systme de rseaux de
neurones programms sous MatLab
. De cette manire, lorsque l'algorithme gntique

atteint une certaine gnration, il effectue une approximation des calculs l'aide d'un rseau
de neurones pour chaque fonction objectif sans utiliser les logiciels Abaqus
o CATIA
.

Deux cas de figures ont fait l'objet d'une tude. Dans un premier temps, nous avons
entran les rseaux de neurones pour chaque fonction objectif avec les individus contenus
dans les 5 premires gnrations, ce qui correspond un total de 100 individus. Nanmoins,
il existe un certain nombre de jumeaux dans ces 100 individus et le nombre d'individus
effectivement diffrents est de 55. Dans un deuxime temps, nous avons entran les rseaux

129
avec les 10 premires gnrations, c'est--dire un total de 200 individus dont 81 individus
sont effectivement diffrents.
VI.3.4.1 Premier cas : Utilisation des 5 premires gnrations
Les rseaux de neurones utiliss contiennent 3 couches caches comprenant chacune 15
neurones utilisant la fonction de transfert tangente sigmode. La couche d'entre contient
autant de neurones que de paramtres, c'est--dire 7 et la couche de sortie contient un seul
neurone qui donne la valeur de la fonction objectif concerne. La justification d'un tel choix a
t dveloppe au chapitre IV.3.3. La dernire gnration (gnration 15 ici) est recalcule
entirement via le passage classique par les scripts pour CATIA et Abaqus. Ceci permet de
juger de la pertinence de l'approximation des rseaux de neurones (voir Chapitre IV).

La figure VI.17 expose le rsultat obtenu dans le premier cas, c'est--dire en entranant
les rseaux avec les 5 premires gnrations. Les points bleus reprsentent le front de Pareto
obtenu lors de l'utilisation classique de l'algorithme gntique, les carrs oranges les
individus prsents dans la cinquime gnration, les losanges verts les individus de la
dernire gnration provenant de la prdiction faite par les rseaux de neurones et enfin, les
triangles rouges les mme individus mais entirement recalculs, donc leur vritable
position.

Utilisation de rseaux de neurones partir de la gnration 5
-0.2
0
0.2
0.4
0.6
0.8
1
-0.2 0 0.2 0.4 0.6 0.8 1 1.2
V
o
l
u
m
e

n
o
r
m
a
l
i
s
Front de Pareto
Gnration 5
Gnration 15 (prdiction)
Gnration 15 (vraie)

Figure VI.17 Rsultats obtenus en utilisant des rseaux de neurones partir de la gnration 5

On peut voir sur cette figure que la prdiction des rseaux de neurones est trs
loigne de la valeur relle des fonctions objectifs des individus de la dernire gnration.
Nanmoins, les individus de la dernire gnration sont presque tous sur le front de Pareto
et ne sont pas gaux aux individus de la gnration 5. L'algorithme a bien prospect sur
l'espace des solutions et le rsultat est proche de ce que nous aurions obtenu sans rseaux de
neurones. Il est noter que dans le cas de cette tude, un certains nombre d'individus du
front de Pareto appartiennent aux gnrations prcdant la gnration 15 et n'apparatrons
pas ici. Ceci induit une perte de donnes et un choix plus restreint sur le nombre d'individus
disponibles la fin du processus d'optimisation.
Nous pouvons regretter la mauvaise valuation des rseaux de neurones, nous
pouvons nanmoins conclure qu'ils permettent d'aller dans la bonne direction d'optimisation
et de mieux dvelopper le front de Pareto.

130
VI.3.4.2 Deuxime cas : utilisation des 10 premires gnrations
Le rsultat obtenu avec les rseaux entrans en utilisant les 10 premires gnrations
est expos sur la figure VI.18. Nous pouvons cette fois encore constater que la prdiction des
rseaux (losanges verts) n'est pas juste au regard des valeurs de la dernire gnration
recalcule (triangles rouges), mais contrairement au cas prcdent, les individus obtenus ne
sont pas tous sur le front de Pareto.

Ceci peut tre d au phnomne de "sur-apprentissage" du rseau. Ce phnomne se
traduit de la faon suivante : l'erreur commise sur les valeurs d'entranement continue de
dcrotre alors que celle commise sur des valeurs de validation diffrente augmente.

Ceci peut galement s'expliquer par un phnomne de saturation du rseau qui se
traduit de la faon suivante : les neurones cessent leur apprentissage si leur convergence
devient trop lente.

Ce rsultat dmontre que les rseaux de neurones doivent tre utiliss avec prcautions
pour l'approximation de fonctions fortement non linaires.

Utilisation de rseaux de neurones partir de la gnration 10
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
V
o
l
u
m
e

n
o
r
m
a
l
i
s
Front de Pareto
Gnration 10
Gnration 15 ( vraie)

Figure VI.18 Rsultats obtenus en utilisant des rseaux de neurones partir de la gnration 10
VI.3.5. Bilan
Les deux tudes utilisant le systme de couplage entre l'algorithme gntique et les
logiciels de conception CATIA et de calcul Abaqus mettent en vidence l'efficacit obtenue.
En effet, dans les deux cas de figure, en utilisant des fonctions objectifs diffrentes, il est
possible de slectionner sur le front de Pareto un individu qui amliore toutes les fonctions
en mme temps, la fois au regard d'une pice provenant de la premire gnration, mais
aussi et surtout au regard de la pice utilise actuellement. Le systme d'optimisation global
choisi est de ce fait satisfaisant, mais conduit un temps de calcul trs long qui peut
atteindre plusieurs semaines. Cette observation nous a naturellement amens tester des
mthodes d'approximations qui permettent d'acclrer le calcul global du systme. C'est
dans ce cadre que les rseaux de neurones ont t tests.
Le rsultat obtenu en utilisant des rseaux de neurones semble indiquer qu'il est
difficile d'approximer des fonctions fortement non linaire avec de tels systmes. Dans la
littrature, il est souvent mis en vidence que les mthodes d'approximation telles que les
rseaux de neurones ou les surfaces de rponses ne sont justes que dans l'intervalle qui a t
utilis pour leur construction. Dans le cas d'une optimisation, on cherche amliorer la

131
rponse et donc faire progresser l'espace des solutions. Il est difficile de pouvoir utiliser des
mthodes d'approximation puisque l'on va ncessairement sortir de l'intervalle de dpart.
Dans les faits, l'utilisation des rseaux de neurones conduit un rsultat satisfaisant lorsqu'il
est entran avec les 5 premires gnrations du second cas tudi, mais le couplage prsente
une divergence lorsque le rseau de neurones est entran avec les 10 premires gnrations.
De nombreuses investigations restent mener dans ce cadre, notamment par
l'utilisation de mthodes d'approximation autres que les rseaux de neurones, mais aussi par
l'utilisation de rseaux de neurones dynamiques qui pourraient permettre d'largir
l'intervalle d'apprentissage au cours de l'avance du front de Pareto. L'utilisation d'un
modle hybride utilisant la fois un algorithme gntique et une mthode drive de la
mthode de Newton, dj utilis dans la littrature [Tho06] pourrait galement permettre de
rduire le nombre d'valuations ncessaires l'obtention du front de Pareto.
VI.4. Conclusion
Le couplage entre des mthodes d'optimisation et des outils d'tude numrique est
aujourd'hui en plein dveloppement du fait de l'augmentation des performances des
machines de calcul. Ceci permet d'amliorer les modles visant identifier les paramtres de
lois de comportement difficilement identifiables exprimentalement du fait d'une
formulation complexe. Ce type de couplage est galement de plus en plus souvent utilis
dans le cadre de l'optimisation de forme de pices principalement pour les domaines de la
construction automobile et aronautique. Il autorise galement la prdiction des rglages
concernant l'outillage utilis pour la mise en forme de ces pices.

Dans notre cas, nous avons montr qu'il tait possible d'identifier les paramtres du
modle d'endommagement de Gurson-Tvergaard-Needleman coupl la plasticit par la loi
de Ludwick en prenant en compte la fois la courbe effort-dplacement et la courbe
d'volution du taux de porosit en fonction de la dformation plastique quivalente. Ceci
avec pour objectif plus lointain d'identifier des lois de comportement complexes en tenant
compte de plusieurs cas de chargements diffrents.

Concernant l'optimisation de la mise en forme de la ferrure d'ancrage de ceinture de
scurit, au regard des rsultats, nous pouvons constater que le couplage entre l'algorithme
gntique et les logiciels de CAO et de calculs par la mthode lments finis permet de
prendre en compte l'historique de chargement lors de la fabrication de la pice pour sa
validation l'usage. La partie optimisation est donc satisfaisante et atteint les objectifs que
nous nous tions fixs. Nanmoins, il serait trs intressant de pouvoir rduire le temps de
calcul et ainsi rduire le temps de dveloppement d'un produit en utilisant des mthodes
d'approximation. Les premiers tests effectus en utilisant des rseaux de neurones montrent
qu'il est trs dlicat de prdire la valeur d'une fonction dont l'volution est fortement non
linaire en fonction d'un grand nombre de paramtres. Ceci est d'autant plus vrai qu'il est
ncessaire dans le cadre de l'optimisation de sortir de l'intervalle qui a permis l'entranement
de ces rseaux pour la convergence et cela conduit une forte dgradation de cette
approximation.

132
Conclusion et Perspectives
La prdiction de la tenue de pices de scurit automobile comme les ferrures
d'ancrage de ceinture de scurit est aujourd'hui un enjeu majeur pour la scurit des
passagers du vhicule. Au-del de cette prdiction, le vritable dfi que doivent relever les
quipementiers automobiles tels que DEVILL S.A., qui sont soumis la fois
l'augmentation du prix des matires premires et l'exigence de qualit impose par des
normes toujours plus astreignantes, est d'optimiser le poids et le cot de ces pices tout en
conservant leur tenue l'usage.

Le travail propos ici s'efforce d'apporter une contribution ce dfi. L'objectif tait
d'intgrer l'historique de chargement que subit la pice lors de sa mise en forme et d'utiliser
ce rsultat pour optimiser le processus de fabrication dans sa globalit, de la forme de la
pice aux paramtres procds en passant par le matriau utilis.

Le premier chapitre a prsent un tat de l'art de ce qui se fait aujourd'hui dans le
monde industriel, mais aussi au sein de la communaut scientifique internationale en terme
d'tude sur le type de procd concern ici et l'optimisation qui peut y tre associe. Cette
prsentation nous conduit la conclusion que ce type d'tude se positionne bien dans les
problmatiques tudies aujourd'hui et que l'apport de solution ce problme constitue un
vritable besoin industriel. En effet, la possibilit de proposer des modifications fiables en
termes de procds, de forme et de matriau ses clients dans un temps suffisamment court
constituait un verrou technologique pour l'entreprise DEVILL S.A.

Le second chapitre a montr l'importance qu'il faut porter aux lois de comportement
utilises pour modliser la rponse du matriau aux sollicitations parfois complexes que lui
fait subir la fabrication de la pice. Il a notamment t identifi diffrentes lois d'crouissage
isotrope, mais aussi les coefficients du critre de Hill, le module d'crouissage cinmatique
linaire, les paramtres des modles d'endommagement de Lematre-Chaboche et de
Gurson-Tvergaard-Needleman (GTN) pour les aciers Haute Limite d'lasticit S500MC et
S420MC. Les paramtres de la loi viscoplastique de Johnson-Cook ont galement t
identifis pour l'acier S500MC lors d'essais de bipoinonnement.

Le troisime chapitre a quant lui mis en lumire l'influence du procd de rayonnage
des artes de dcoupes du trou oblong. Industriellement, ce procd a t introduit pour
deux raisons : la premire est de supprimer le bord rugueux d la dcoupe qui entranerait
la dchirure prmature de la ceinture de scurit, la seconde est d'augmenter la limite
d'coulement plastique du matriau dans la zone rayonne qui est la zone critique lors du
dpliage de la pice [Bah05]. L'tude mene ici a dmontr que l'outil conu l'ENSAM pour
reproduire ce procd sur prouvettes gnrait un crouissage quivalent celui utilis pour
les pices de scurit. D'autre part, la simulation du procd sur prouvette a pu tre
compare avec les analyses de contraintes rsiduelles par diffraction des rayons X. Nous
avons alors pu constater que l'volution des composantes du tenseur des contraintes suivait
l'volution des contraintes rsiduelles releves exprimentalement.

133
Dans le chapitre 4, nous avons expos les diffrentes mthodes d'optimisation les plus
frquemment utilises pour des problmes de mise en forme. Cette tude bibliographique a
permis de slectionner un algorithme gntique : NSGA-2 [Deb00]. Plusieurs tests ont
ensuite t mens de manire slectionner une valeur pour les diffrents rglages de
l'algorithme. Des rseaux de neurones implments sous MatLab ont galement fait l'objet
d'une investigation pour slectionner les diffrentes fonctions de transfert, les fonctions
d'entranement, le nombre de couches caches, le nombre de neurones par couche cache et
le nombre de tours d'entranement (epochs). Les rseaux de neurones pouvant tre utiliss
pour approximer les fonctions objectifs de l'algorithme et ainsi rduire le temps de calcul
global pour l'optimisation.

Nous avons dtaill les modles numriques utiliss en conception et en calculs
lments finis dans le chapitre 5. Nous avons en particulier expos comment les scripts des
logiciels CATIA V5 et ABAQUS 6.7 ont t utiliss pour l'automatisation du calcul. Les
quations constitutives du modle d'endommagement de Lematre-Chaboche ont t
dveloppes. Les diffrentes conditions limites des simulations des procds de rayonnage et
de pliage ont galement t prcises. Enfin, le principe du couplage des fichiers
d'automatisation avec l'algorithme gntique a t mis en vidence.

Pour finir, le chapitre 6 a permis d'exposer les rsultats obtenus avec le couplage d'une
part dans le cadre de l'identification de paramtres de loi de comportement et d'autre part
pour l'utilisation de l'outil permettant d'optimiser la mise en forme de la ferrure de ceinture
de scurit.
L'identification inverse des paramtres du modle de GTN a ainsi t illustre en
utilisant la courbe efforts-dplacements et la courbe d'volution du taux de porosits en
fonction de la dformation plastique quivalente. Les rsultats obtenus avec NSGA-2 sont
trs bons et comparables avec une mthode classique qui demande un plus grand nombre de
contrles sur les donnes d'entre et de sortie du processus d'optimisation. Cette mthode
prsente donc l'intrt de pouvoir prendre en compte plusieurs courbes pour l'identification,
ce qui vite d'augmenter l'erreur commise sur certaines variables en optimisant l'erreur
seulement sur la courbe efforts-dplacements.
Ensuite, deux cas d'tude ont t prsents concernant l'optimisation de la mise en
forme de la ferrure d'ancrage de ceinture de scurit. Le premier cas visait optimiser trois
fonctions : l'cart-type sur les valeurs de la contrainte de Von Mises autour du trou oblong, la
valeur maximale de la contrainte de Von Mises dans cette zone et enfin la valeur maximale
du dommage, le tout aprs avoir simul le procd de rayonnage et celui de pliage. Le
nombre de paramtres utiliss pour l'optimisation tait de 7. Les rsultats obtenus sont trs
satisfaisants et permettent d'amliorer les trois fonctions objectifs la fois par rapport aux
individus de dpart, mais surtout par rapport la pice utilise actuellement. Le second cas
d'tude visait optimiser l'effort de dpliage statique de la pice aprs avoir subit les
procds de rayonnage et de pliage, ainsi que le volume de la pice. Encore une fois, les
rsultats montrent que l'outil numrique permet d'obtenir des individus qui proposent des
valeurs amliores pour les deux fonctions la fois par rapport aux individus de la
population initiale, mais aussi par rapport la pice utilise actuellement. Ce cas a fait l'objet
d'une comparaison avec les rsultats obtenus en couplant l'algorithme avec des rseaux de
neurones capables de fournir une approximation des fonctions cots. Les rsultats montrent
que ce dispositif doit tre utilis avec prudence tant les rsultats obtenus concernant
l'approximation des fonctions sont loigns de la ralit. De plus amples investigations
restent indispensables pour mieux matriser ce couplage.

Finalement, ce travail aura permis de fournir un outil fiable d'optimisation et de
prdiction du comportement des pices de scurit l'usage.


134
En terme de perspectives, nous pouvons notamment citer l'engouement actuel de la
communaut internationale pour l'utilisation des modles d'endommagement anisotropes
qui pourront faire l'objet d'une tude dans notre cas, de manire amliorer encore la
prdiction du comportement de la pice soumis des chargements complexes.
Les essais de cisaillement programms devraient permettre d'identifier les paramtres
lis un crouissage cinmatique non linaire et ainsi d'utiliser une telle loi pour la
simulation du pliage et du dpliage.
L'identification d'une loi lasto-visco-plastique plus adapte ce type de matriau que
celle de Johnson-Cook pourra galement amliorer la prdiction du comportement
dynamique de la pice.
L'utilisation d'un algorithme hybride reliant l'algorithme gntique et un calcul de
gradient pourrait rduire le nombre d'valuations des fonctions cots ncessaires.
La mise en place de la rduction du temps de calcul des simulations numriques par
l'utilisation de lois de comportement particulires o l'utilisation de schmas d'intgration
diffrents pourrait galement rduire le temps ncessaire au processus doptimisation.
Enfin et surtout, une base de donnes sur les matriaux utilisables sur ce type de pices
permettrait une vritable amlioration de l'ensemble des paramtres intervenant dans le
processus d'optimisation.

135
Rfrences bibliographiques
[Aba01] Documentation ABAQUS 6.7.1 html. Analysis user's manual 1.2.2 Conventions.

[Aga07] A. Agarwal, S.H. Gupka. Jumping Gene Adaptations of NSGA2 and their use in the Multi-
Objective Optimal Design of Shell and Tube Heat Exchangers. Chemical Engineering Research and Design,
2007.

[Alv03] J. L. Alves. Simulao Numrica do Processo de Estampagem de Chapas Metlicas, Modelao
Mecnic e Mtodos Numricos. Thse de doctorat, Universidade do Minho, 2003.

[Arc01] Plaquette projet Arcelor Body Concept
http://www.arcelormittal.com/fce/repository/Publications%20Auto/Plaquette%20ABC%20exe%2001_23.pdf

[Ati06] M. Atiquzzaman, Shie-Yui Liong, M.ASCE; and Xinying Yu. Alternative decision Making in
Water Distribution Network with NSGA-II. Water Resour. Plng. and Mgmt., Volume 132, Issue 2, pp. 122-
126, 2006.

[Bah04] R. Bahloul, P. Dal Santo, A. Potiron. Shape optimization of automotive security parts regarding
the influence of residual stresses and material damage. The 4
th
European Congress on Computational
Methods in Applied Sciences and Engineering, p 490, Finland, juillet 2004.

[Bah05a] R. Bahloul. Optimisation du procd de pliage sur presses de pices en tles haute limite
d'lasticit. Thse de doctorat, ENSAM Angers, 2005.

[Bah05b] R. Bahloul, P. Dal Santo, A. Mkaddem, A. Potiron. Optimization of Springback predicted by
experimental and numerical approach by using response surface methodology. Proceedings of International
Conference of Sheet Metal, 5-8 avril 2005, Erlangen, Nuremberg Allemagne, pp 573-760.

[Bah06] R. Bahloul, S. Ben Elechi, P. Dal Santo, H. Naceur, A. Potiron. Optimization of the bending
process by means of response surface and moving least squares methods. In Far East Journal of Applied
Mathematics, Paper N.: 050728 (Volume 22 Issue 1), 2006.

[Bar91] Barlat F., Lege D.J., Brem J.C. A six-component yield function for anisotropic materials.
International Journal of Plasticity. Vol. 7, Issue 7, pp 693-712, 1991.

[Ben04] S. Ben Elechi. Analyse et conception rapides de paramtres du procd d'emboutissage pour le
contrle du retour lastique. Thse de doctorat, Universit de Technologie de Compigne, 2004.

[Bri81] A. Brindle. Genetic algorithms for function optimization. PhD Thesis, Edmonton: University of
Alberta, Department of Computer Science, 1981.

[Bro70] C.G. Broyden. The convergence of a class of double-rank minimization algorithm. Journal
Institute of Mathematics and its Applications, Vol. 6, pp. 222-231, 1970.

[Cor06] C. Corre. Optimisation par algorithmes gntiques. Application au design en mcanique. Cours de
lcole doctorale de lENSAM Paris, Fvrier 2006.

[Cho01] E.K.P. Chong, S.H. ak. An Introduction to Optimization. 2nd Edition. Wiley-Interscience.
ISBN 0 471 39126 3.

136
[Chu80] C. Chu, A. Needleman. Void nucleation effects in biaxially stretched sheets. Journal of
Engineering Materials Technology, Vol. 102, pp 249-256, 1980.

[Coh00] G. Cohen. Convexit et Optimisation. Cours de l'cole Nationale des Ponts et Chausses, 2000.

[Dar59] C. Darwin. On the Origin of Species by Means of Natural Selection, or the Preservation of
Favoured Races in the Struggle of Life. ISBN 0-486-45006-6, 1859.

[Das01] Dassault System, Inc, CATIA V5R17.

[Deb89] K. Deb et D. E. Goldberg. An Investigation of Niche and Species Formation in Genetic Function
optimization. Proceedings of the 3rd ICGA, pp 42-50, Morgan Kaufmann, 1989.

[Deb99] K. Deb. An introduction to Genetic Algorithms. Kanpur Genetic Algorithms Laboratory
(KanGAL), Departement of Mechanical Engineering, Indian Institute of Technology Kanpur, KANPUR,
PIN 208 0161, India, 1999.

[Deb00] K. Deb, S. Agrawal, A. Pratap, T. Meyarivan, A fast elitist non-dominated sorting genetic
algorithm for multiobjective optimisation: NSGA II. Proceedings of the Parallel Problem Solving from
Nature VI Conference, pp. 849-858, 2000.

[Dej75] K. De Jong. An analysis of the behaviour of a class of genetic adaptive systems. PhD Thesis,
University of Michigan, 1975.

[Del02] A. Delamzire. Contribution l'optimisation des paramtres du procd d'emboutissage des tles
minces par l'approche inverse. Thse de doctorat, Universit de Technologie de Compigne, 2002.

[Fer06] M.P. Ferringer, D.B. Spencer. Satellite constellation design tradeoffs using multiple-objective
evolutionary computation. Journal of Spacecraft and Rockets 43 (6), pp. 1404-1411, 2006.

[Fle63] R. Fletcher, M.J.D. Powell. A rapidly convergent descent method for minimization. Computer
journal, Vol. 6, pp. 163-168, 1963.

[Fle64] R. Fletcher, C. Reeves. Function minimization by conjugate gradient. Computer Journal, Vol. 7,
pp. 149-154, 1964.

[Gan06] H. Gancel. Influence des lois d'endommagement et d'crouissage sur les proprits d'usage de
pices de scurit automobile en acier HLE. Stage de master l'ENSAM Angers, 2006.

[Gar57] F.J. Gardinier. Transaction of ASME, pp 1-9, January 1957.

[Gel95] J. C. Glin, O. Ghouati. The Inverse Approach for the Determination of Constitutive Equations in
Metal Forming. Annals of the CIRP Vol. 44/1/1995, pp 189-192.

[Gol87] D. E. Goldberg et J. Richardson. Genetic algorithms with sharing for multimodal function
optimization. In proceedings of the Second International Conference on Genetic Algorithms, pp 41-49,
Lawrence Erlbaum Associates, 1987.

[Gol89] D. E. Goldberg. Genetic algorithms in search, optimisation and machine learning. Addison-
Wesley, 1989.

[Gro73] S. Grossberg. Contour enhancement, short term memory, and constancies in reverberating neural
networks. Studies in Applied Mathematics, L11, pp. 213-257, 1973.

[Guo90] Y.Q. Guo, J.L. Batoz, J.M. Detraux, P. Duroux. Finite element procedures for strain estimations
of sheet metal forming parts. Proc. I.J.N.M.E., Vol 30, pp 1385-1401, 1990.

[Gur77] A.L. Gurson. Continuum theory of ductile rupture by void nucleation and growth, part I, yield
criteria and flow rules for porous ductile media. Transactions of the ASME, Journal of Engineering
Materials Technology, pp 2-15, 1977.

[Ham96] R. Hambli. tude exprimentale, numrique et thorique du dcoupage des tles en vue de
l'optimisation du procd. Thse de doctorat, ENSAM Angers, 1996.

137
[Ham00] Y. Hammi. Simulation numrique de lendommagement dans les procds de mise en forme.
Thse de Doctorat UTC 21 avril 2006

[Heb49] D. Hebb. The organization of behaviour: A neuropsychological theory. Wiley, New York, 1949.

[Hil90] R. Hill. Constitutive modeling of orthotropic plasticity in sheet metals. Journal of the Mechanics
and Physics of solids, Vol. 38, N3, pp 405-417, 1990.

[Hol44] J.H. Hollomon. Tensile deformation. Transactions of the American Institute of Mining,
Metallurgical and Petroleum, Vol. 162, pp 268-290, 1945.

[Hol75] J. H. Holland. Adaptation in natural and artificial systems. University of Michigan Press, 1975.

[Hop82] J. J. Hopfield. Neural networks and physical systems with emergent collective computational
abilities. Proceedings of the National Academy of Sciences of the USA, vol. 79 no. 8, pp. 2554-2558, April
1982.

[Joh83] G. R. Johnson, W.H. Cook. A constitutive model and data for metals subjected to large strains,
high rates and high temperatures. Proceedings of the 7
th
International Symposium on Ballistics, The
Hague, Netherlands, pp 541-547, 1983.

[Koh84] T. Kohonen. Self-Organization and Associative Memory. Springer-Verlag, New York, 1984.

[Lem88] J. Lematre, J.L. Chaboche. Mcanique des matriaux solides. DUNOD Paris, ISBN 04-018618-
2, 1988.

[Ler95] I. C. Lerman et R. F. Ngouenet. Algorithmes gntiques squentiels et parallles pour une
reprsentation affine des proximits. Institut de Recherche en Informatique et Systmes Alatoires,
publication interne N901, 01/1995.

[Lud09] P. Ludwick. Elemente der technologischen mechanik. Springer Verlag, Berlin, 1909.

[Mai91] A. Maillard. tude exprimentale et thorique du dcoupage. Thse de doctorat, Universit de
Technologie de Compigne, 1991.

[Mar95] G. Marron (Sollac) et C. Bouchlier (CETIM). Le Pliage des aciers H.L.E. Prvision et matrise
du retour lastique. Revue de mtallurgie CIT, pp 191-204, 1995.

[Mar02] Z. Marciniak, J.L. Duncan, S.J. Hu. Mechanics of Sheet Metal Forming. Second Edition,
Butterworth-Heinemann, 2002, ISBN 0-7506-5300-0. pp 86-91.

[Mat01] The MathWorks, Inc, MatLab R2007a.

[Mei00] T. Meinders. Developments in numerical simulations of the real-life deep drawing process. PhD
Thesis, University of Twente, Enschede, Ponsen & Looijen Wageningen (publ.), ISBN 90-36514002, 2000.

[Mei08] T. Meinders, I.A. Burchitz, M.H.A. Bonte, R.A. Lingbeek. Numerical product design: Springback
prediction, compensation and optimization. International Journal of Machine Tools & Manufacture, Vol.
48, pp 499-514, 2008.

[Mka03] A. Mkaddem. Exprimentation et simulation du pliage de tle H.L.E. Prvision du comportement
en service des pices plies. Thse de doctorat, ENSAM Angers, 2003.

[Mka04a] A. Mkaddem, S. Boude, P. Dal Santo, A. Potiron. Springback evaluations in wiping die-bending
processes with experimental verification. The 7
th
International ESAFORM Conference on Material
Forming 2004, 28-30 avril 2004, Trondheim, Norvge, pp 583-586.

[Mka04b] A. Mkaddem, R. Hambli, A. Potiron. Comparison between Gurson and Lematre damage
models in wiping die bending processes. International journal of Advanced Manufacturing Technology,
N23, pp 451-461, 2004.

[Mon84] G. Monfort, A. Bragard. Voraussage und reduzierung der Rckfederung beim biegen hockfester
stahlbleche. Stahl. U. Eisen, Vol. 104, pp 1059-1064, 1984.

138
[Par04] M. Parizeau. Rseaux de neurones. Cours l'universit de Laval, 2004.

[Pol69] E. Polak, G. Ribire. Note sur la convergence de mthode de directions conjugues. Revue
franaise d'informatique et de recherche oprationnelle, Vol. 3, pp. 35-43, 1969.

[Que68] A. Queener, R.J. De Angelis. Elastic springback and residual stresses in sheet metal formed by
bending. Transaction of ASME vol. 61.

[Ric69] J.R. Rice, D.M.Tracey. On the ductile enlargement of voids in triaxial stress fields. Journal of the
Mechanics and Physics of Solids, Vol. 17, pp. 201-217, 1969.

[Ros58] F. Rosenblatt. The Perceptron: A Probabilistic Model for Information Storage and Organization in
the Brain. Cornell Aeronautical Laboratory, Psychological Review, v65, No. 6, pp. 386-408, 1958.

[Rou86] G. Rousselier. Les modles de rupture ductile et leurs possibilits actuelles dans le cadre de
l'approche locale de la rupture. Sminaire International sur l'Approche locale de la rupture, pp 257-284,
Moret-sur-Loing, 1986.

[Saa89] K. Saanouni, J.L. Chaboche et P.M. Lesne. On the creep crack-growth prediction by non-local
damage formulation. European journal of Mechanics, A/Solids, Vol. 13, N 3, pp 395-418, 1994.

[Saa06] K. Saanouni. Virtual metal forming including the ductile damage occurrence. Actual state of the
art and main perspectives. Journal of Materials Processing Technology, Vol. 177, pp 19-25, 2006.

[Sar08] A. Sarfati, E. Gildemyn, J.L. Lebrun, F. Morel, D. Sadane. A Study of Damage in high Strength
steels. Proceedings of the International Deep Drawing Research Group (IDDRG 2008), Olofstrm Sweden, 16-
18 June 2008.

[Sim01] Simulia Inc. ABAQUS 6.7 HTML Documentation Analysis User's Manual 30.1.5
Frictional Behavior.

[Sim02] SIMULIA, Inc, Abaqus 6.7.

[Swi47] H.W. Swift. Plastic instability under plane stress. Journal of the Mechanics and Physics of Solids,
Vol. 1, Issue 1, pp 1-18, October 1952.

[Teo95] C. Teodosiu, Z. Hu. Evolution of the intragranular microstructure at moderate and large strains:
modelling and computational significance. Proceedings of the Numiform95. pp. 173182, 1995.

[Teo98] C. Teodosiu, Z. Hu. Microstructure in the continuum modelling of plastic anisotropy. Proceedings
of the 19th Riso International Symposium on Materials Science, pp. 149168, 1998.

[Tho06] T. Tho Do. Optimisation de forme en forgeage 3D. Thse de doctorat, Ecole des Mines de Paris,
CEMEF, 2006.

[Tve82] V. Tvergaard. Influence of void nucleation on ductile shear fracture at a free surface. Journal of
the Mechanics and Physics of Solids, Vol. 30, pp 399-425, 1982.

[Tve84] - V. Tvergaard, A. Needleman. Analysis of cup-cone fracture in a round tensile bar. Acta Metall.
32, pp 157-169, 1984.

[Val01] T. Valle et M. Yildizoglu. Prsentation des algorithmes gntiques et de leurs applications en
conomie. Universit de Nantes et Universit de Bordeaux, 7 septembre 2001.

[Vay04] C. Vayssade. Cours d'optimisation en mcanique, Minimisation locale sans limite. Universit de
Technologie de Compigne, 2004.

[Ven02] S. Venkataraman et R.T. Haftka. Strutural optimization: What has Moore's law done for us?
AIAA Strutures, Strutural Dynamics, and Materials Conference, 2002.

[Vie99] D. Vieilledent. Optimisation des outils en forgeage chaud par simulation lments finis et
mthodes inverse. Applications des problmes industriels. Thse de doctorat, cole des Mines de Paris,
1999.

139
[Voc48] E. Voce. The relationship between stress and strain for homogeneous deformation. Journal
Institute of Metals, Vol. 74, pp 537-562, 1948.

[Web01] http://www.industrie.gouv.fr/enjeux/TBacieranalysesept07.pdf

[Web02] http://www.ssabdirekt.com/

[Web03] http://fr.wikipedia.org/wiki/Algorithme_g%C3%A9n%C3%A9tique

[Web04] http://www.iitk.ac.in/kangal/codes.shtml

[Whi07] G. Whittaker, R. Confesior, S. M. Griffith, R. Fre, S. Grosskopf, J. J. Steiner, G. W. Mueller-
Warrant, G. M.Banowetz. A hybrid genetic algorithm for multiobjective problems with activity analysis-
based local search. European Journal of Operational Research, 2007 (accepted).

[Wid60] B. Widrow et M.E. Hoff. Adaptive switching circuits. In Institute of radio Engineers, Western
Electronic Show and CONvention (WESCON), convention record, Part 4, pp. 96-104, 1960.

140
Liste des figures
Figure I.1 volution du prix de l'acier [Web01].................................................................................................................................................... 4
Figure I.2 Procd de fabrication de la pice........................................................................................................................................................... 5
Figure I.3 Schma de l'outillage de dcoupe........................................................................................................................................................... 6
Figure I.3 Bord de dcoupe [Ham96] ..................................................................................................................................................................... 6
Figure I.5 Effort Pntration lors du procd de dcoupe [Mai91]...................................................................................................................... 7
Figure I.6 Relation entre aspect du bord dcoup avec l'effort de dcoupe (d'aprs [Ham96])............................................................................... 7
Figure I.7 Pliage a) en V b) en U c) en tomb de bord ........................................................................................................................................... 9
Figure I.8 Variations du module de Young et de la limite d'coulement pour un acier ......................................................................................... 9
Figure I.9 Phnomne du retour lastique [Mei08].............................................................................................................................................. 10
Figure I.10 Distribution des dformations et des contraintes en flexion traction combine [Mei08] ................................................................... 10
Figure I.11 Distribution des contraintes en flexion pure ..................................................................................................................................... 10
Figure I.12 Modes de dformation en pliage ........................................................................................................................................................ 11
Figure I.13 Comparaison de la prdiction du retour lastique entre le modle original de Monfort-Bragard et modifi par Mkaddem [Mka03]. 13
Figure I.14 Loi de Coulomb [Sim01].................................................................................................................................................................... 13
Figure I.15 Valeur du retour lastique en fonction du rayon de la matrice de pliage et du jeu poinon-matrice a) Valeurs exprimentales b)
Valeurs issues de la simulation. [Bah05] .................................................................................................................................................... 14
Les aciers HLE sont des aciers faiblement allis dont la composition rpond la norme EN 10149. Les normes auxquelles rpond la composition
de l'acier S500MC sont reportes dans le tableau II.1................................................................................................................................. 17
Figure II.1 Essai de traction sur un acier HLE S500MC..................................................................................................................................... 18
Figure II.2 Comparaison des aciers HLE utiliss par l'entreprise DEVILL S.A. .............................................................................................. 19
Figure II.3 Gamme d'aciers HLE [Web02] .......................................................................................................................................................... 19
Figure II.4 Aciers Dual-Phase [Web02]............................................................................................................................................................... 20
Figure II.5 Aciers proposs par l'entreprise Arcelor-Mittal................................................................................................................................. 20
Figure II.6 Diagramme prsentant les principaux aciers du domaine automobile [Arc01].................................................................................. 21
Figure II.7 Types de dislocations a)Vis b) Coin c) Mixte..................................................................................................................................... 21
Figure II.8 Diffrentes reprsentations macroscopiques du comportement plastique........................................................................................... 22
Figure II.9 Reprsentation du critre de Von Mises dans l'espace des contraintes principales............................................................................ 24
Figure II.10 prouvette de traction normalise.................................................................................................................................................... 25
Figure II.11 Machine de traction Zwick Z100..................................................................................................................................................... 25
Figure II.12 volution des coefficients de Lankford du S420MC et du S500MC ................................................................................................ 26
Figure II.13 crouissage isotrope dans l'espace des contraintes et en traction compression................................................................................ 27
Figure II.14 Dtermination des paramtres de la loi de Ludwick pour l'acier S500MC...................................................................................... 28
Figure II.15 Dtermination des paramtres de la loi de Hollomon pour l'acier S500MC.................................................................................... 29
Figure II.16 Dtermination des paramtres de la loi de Swift pour l'acier S500MC ........................................................................................... 29
Figure II.17 Dtermination des paramtres de la loi de Voce pour l'acier S500MC............................................................................................ 30
Figure II.18 Courbe d'crouissage pour le S500MC, a- loi de Ludwick et b loi de Voce .................................................................................... 31
Figure II.19 crouissage cinmatique dans l'espace des contraintes et en traction compression [Lem88]. .......................................................... 32
Figure II.20 prouvette utilise pour les essais de traction compression ............................................................................................................. 33
Figure II.21 Cycle de traction compression stabilis a- 0,67% et b- 0,83% de dformation pour le S500MC................................................... 33
Figure II.22 Gomtrie de l'essai de bipoinonnement -a- avant et -b- aprs dformation [Gel95] ...................................................................... 35
Figure II.23 Identification des paramtres de Ludwick pour chaque taux de dformation ................................................................................... 36
-a- 0,01s
-1
-b- 0,1s
-1
-c- 1s
-1
-d- 25s
-1
-e- 125s
-1
-f- 250s
-1
......................................................................................................................................... 36
Figure II.24 Comparaison entre la prdiction de Johnson Cook globale et Ludwick individuelle sur les essais de bipoinonnement ................... 37
Figure II.25 lment endommag ........................................................................................................................................................................ 38
Figure II.26 prouvette utilise pour les essais de charge dcharge ..................................................................................................................... 39
Figure II.27 Cycles de charge dcharge sur acier S500MC.................................................................................................................................. 40
Figure II.28 volution du dommage pour un S500MC....................................................................................................................................... 40
Figure II.29 Identification inverse du modle GTN pour l'acier S500MC .......................................................................................................... 44
Figure II.30 Identification inverse du modle GTN pour l'acier S420MC .......................................................................................................... 44
Figure III.1 Pice non plie .................................................................................................................................................................................. 46
Figure III.2 Effet du rayonnage sur les proprits mcaniques ............................................................................................................................ 46
Figure III.3 tapes du procd de rayonnage ....................................................................................................................................................... 47
Figure III.4 Outil de rayonnage des prouvettes.................................................................................................................................................. 47
Figure III.5 Porte-poinons et poinons de rayonnage. ........................................................................................................................................ 48
Figure III.6 Micrographie d'une arte de dcoupe -a- avant rayonnage -b- aprs rayonnage -c- aprs rayonnage ct bavure de dcoupe.......... 48
Figure III.7 Microduret Vickers sur prouvette -a- non rayonne -b- rayonne.................................................................................................. 49
Figure III.8 Microduret Vickers sur pice -a- non rayonne -b- rayonne.......................................................................................................... 49
Figure III.9 Diffraction des rayons X sur les plans rticulaires ........................................................................................................................... 50
Figure III.10 Direction de mesure dans l'espace des dformations....................................................................................................................... 51
Figure III.11 Points de mesure des contraintes rsiduelles .................................................................................................................................. 52
Figure III.12 Sens de mesure ............................................................................................................................................................................... 52

141
Figure III.13 prouvette aprs polissage lectrolytique ....................................................................................................................................... 52
Figure III.14 Valeurs de contraintes rsiduelles longitudinales........................................................................................................................... 52
Figure III.15 Valeurs de contraintes rsiduelles transversales............................................................................................................................. 53
Figure III.16 Valeurs de contraintes rsiduelles largeurs de cordes .................................................................................................................. 53
Figure III.17 Positionnement gomtrique initial du poinon et de l'prouvette ................................................................................................. 54
Figure III.18 Suppression des lments aux conditions limites............................................................................................................................ 54
Figure III.19 Dfinition du chemin par les nuds utilis pour le relev des valeurs............................................................................................ 55
Figure III.20 Isovaleurs de la contrainte quivalente de Von Mises pour la loi lastoplastique ........................................................................... 56
Figure III.21 Isovaleurs de la contrainte quivalente de Von Mises pour le modle LC....................................................................................... 56
Figure III.22 Isovaleurs de la contrainte quivalente de Von Mises pour le modle GTN................................................................................... 56
Figure III.23 volution de la contrainte quivalente et de la dformation plastique quivalente dans le rayon................................................... 57
Figure III.24 volution des composantes du tenseur des contraintes en simulation pour le procd de rayonnage -a- 11 -b- 22 -c- 33 -d- 12 -e-
13 -f- 23...................................................................................................................................................................................................... 58
Figure III.25 Directions principales des contraintes rsiduelles aprs rayonnage................................................................................................ 59
Figure IV.1 Itration pour l'algorithme de Newton-Raphson [Vay04]................................................................................................................ 63
Figure IV.2 Schma de principe de la roulette biaise .......................................................................................................................................... 68
Figure IV.3 Effet d'une probabilit de mutation nulle sur la convergence d'un A.G. ......................................................................................... 69
Figure IV.4 Schmatisation globale d'un A.G. [Web03]...................................................................................................................................... 70
Figure IV.5 Diffrents types de front de Pareto en fonction des objectifs [Cor06] ............................................................................................... 74
Figure IV.6 Schma d'un neurone unique [Mat07]............................................................................................................................................. 75
Fig. IV.7 Schma d'une couche de neurones [Mat07].......................................................................................................................................... 76
Figure IV.8 Schma d'un rseau multicouches [Mat07]...................................................................................................................................... 76
Figure IV.9 Fonctions de transfert les plus utilises pour un rseau de neurones [Mat07] ................................................................................. 77
(a) : fonction seuil, (b) : linaire, (c) : tangente sigmode.................................................................................................................................. 77
Figure IV.10 Schma de principe de l'apprentissage supervis [Par04]............................................................................................................... 78
Figure IV.11 Schma de principe du perceptron simple [Mat07]......................................................................................................................... 79
Figure IV.12 Conditions de symtrie sur la demi-pice ....................................................................................................................................... 82
Figure IV.13 Conditions d'encastrement du trou de fixation.............................................................................................................................. 83
Figure IV.14 Chargement appliqu sur la demi-pice.......................................................................................................................................... 83
Figure IV.15 Isovaleurs de la contrainte de Von Mises pour la pice initiale ...................................................................................................... 84
Figure IV.16 Paramtres utiliss pour l'optimisation.......................................................................................................................................... 84
Figure IV.17 volution de la fonction cot au cours des gnrations Optimisation mono-objectif................................................................... 86
Figure IV.18 Fronts de Pareto des diffrents algorithmes Optimisation multi-objectifs ................................................................................... 87
Figure IV.19 Influence de la probabilit de mutation et de croisement Cas mono-objectif ................................................................................ 88
Figure IV.20 Influence de la probabilit de mutation et de croisement Cas multi-objectifs............................................................................... 89
Figure IV.21 Exemple de courbes rcupres suite l'entranement d'un rseau de neurones -a- volution de l'erreur quadratique moyenne au
cours de l'entranement -b- rgression linaire des sorties du rseau par rapport aux valeurs dsires. ..................................................... 90
Figure IV.22 Efficacit relative des rseaux en fonction de l'algorithme d'entranement utilis Approximation sur cart type....................... 91
Figure IV.23 Efficacit relative des rseaux en fonction de l'algorithme d'entranement utilis Approximation sur contrainte maximum..... 92
Figure IV.24 Efficacit relative des rseaux en fonction de l'algorithme d'entranement utilis Approximation sur dommage maximum...... 92
Figure IV.25 Influence du nombre de tours d'apprentissage sur la valeur du coefficient de rgression............................................................... 93
Figure IV.26 Influence du nombre de couches sur la valeur du coefficient de rgression..................................................................................... 94
Figure IV.27 Influence du nombre de neurones sur les couches caches sur la valeur du coefficient de rgression ............................................. 94
Figure V.1 Paramtres de forme .......................................................................................................................................................................... 97
Figure V.2 Formes gnriques ............................................................................................................................................................................. 97
Figure V.3 Demi-pice rsultant de l'excution du script.................................................................................................................................... 98
Figure V.4 Profil du poinon de rayonnage ......................................................................................................................................................... 99
Figure V.5 Demi-poinon rsultant de l'excution du script............................................................................................................................. 100
Figure V.6 Contrainte de cisaillement XY lors du procd de dcoupe .............................................................................................................. 104
Figure V.7 Contrainte quivalente de Von Mises lors du procd de dcoupe ................................................................................................... 104
Figure V.8 Surfaces utiles du poinon de rayonnage......................................................................................................................................... 105
Figure V.9 Conditions de symtrie suivant l'axe X........................................................................................................................................... 105
Figure V.10 Conditions d'encastrement sur les faces extrieures pour le procd de rayonnage ....................................................................... 105
Figure V.11 Conditions d'encastrement du trou de fixation pour le procd de rayonnage............................................................................... 105
Figure V.12 Positionnement initiale pour le procd de rayonnage................................................................................................................... 106
Figure V.13 tat de contrainte dans la pice aprs rayonnage........................................................................................................................... 106
Figure V.14 Condition d'encastrement pour le procd de pliage...................................................................................................................... 107
Figure V.15 Positionnement initial pour le procd de pliage............................................................................................................................ 107
Figure V.16 tat de contrainte dans la pice aprs le procd de pliage............................................................................................................. 108
Figure V.17 Positionnement initial pour le dpliage de la pice ........................................................................................................................ 108
Figure V.18 tat de contrainte dans la pice aprs dpliage .............................................................................................................................. 109
Figure V.19 Squenage de la simulation.......................................................................................................................................................... 110
Figure V.20 Schma de principe du couplage A.G. / CATIA / Abaqus.............................................................................................................. 111
Figure V.21 Schma de principe du couplage avec utilisation des rseaux de neurones sous MatLab............................................................... 112
Figure VI.1 Simulation d'un essai de traction monotone avec le logiciel Abaqus 6.7
...................................................................................... 115
Figure VI.2 Schma de principe de la mthode inverse ...................................................................................................................................... 116
Figure VI.3 prouvette avec gradient de dformation ....................................................................................................................................... 116
Figure VI.4 Photographies prises au MEB, -a- avant et -b- aprs traitement sur VISILOG
........................................................................... 117
Figure VI.5 volution du taux de porosit pour un acier HLE S500MC.......................................................................................................... 117
Figure VI.6 Principe du calcul de lerreur quadratique sur la courbe effort-dplacement.................................................................................. 118
Figure VI.7 volution de l'erreur quadratique normalise avec l'algorithme de MatLab.................................................................................. 119
Figure VI.8 Front de Pareto obtenu aprs 20 gnrations.................................................................................................................................. 119
Figure VI.9 Comparaison exprience simulation sur la courbe de dommage -a- optimisation avec l'algorithme de MatLab -b- optimisation avec
NSGA-2/meilleur compromis ................................................................................................................................................................... 120
Figure VI.10 Comparaison exprience simulation sur la courbe d'effort -a- optimisation avec l'algorithme de MatLab -b- optimisation avec
NSGA-2/meilleur compromis ................................................................................................................................................................... 121

142
Figure VI.11 Zone utilise pour l'tude............................................................................................................................................................. 123
Figure VI.12 Fronts de Pareto 3D obtenus pour 30 gnrations avec 20 et 60 individus par gnration.......................................................... 124
Figure VI.13 Front de Pareto projet dans les trois plans principaux de l'espace des solutions Fonction 1 =
rel
VM
; Fonction 2 =
rel
VM
;
Fonction 3 =
max
rel
D . ............................................................................................................................................................................... 125
Figure VI.14 Schma des pices tudies -a- pice actuelle -b- pice de la premire gnration -c- pice sur le front de Pareto ......................... 126
Figure VI.15 Front de Pareto pour les valeurs normalises (2
ime
cas d'tude)................................................................................................... 127
Figure VI.16 - Schma des pices tudies -a- individu ayant le volume le plus faible -b- individu ayant le volume le plus grand -c- individu du
front de Pareto repr par la flche orange ................................................................................................................................................ 128
Figure VI.17 Rsultats obtenus en utilisant des rseaux de neurones partir de la gnration 5 ..................................................................... 129
Figure VI.18 Rsultats obtenus en utilisant des rseaux de neurones partir de la gnration 10 ................................................................... 130

143
Liste des tableaux

Tableau II.1 Norme pour la composition chimique du S500MC.......................................................................................................................... 18
Tableau II.4 Coefficients de Lankford du S420MC et du S500MC...................................................................................................................... 26
Tableau II.5 Coefficients d'anisotropie de Hill pour les aciers S500MC et S420MC........................................................................................... 26
Tableau II.6 Coefficients d'crouissage pour le S500MC dtermins avec la mthode directe.............................................................................. 30
Tableau II.7 Coefficients d'crouissage pour le S500MC dtermins avec la mthode optimise ......................................................................... 30
Tableau II.8 Erreur quadratique moyenne sur les lois d'crouissage du S500MC............................................................................................... 31
Tableau II.9 Coefficients d'crouissage pour le S420MC dtermins avec la mthode optimise ......................................................................... 31
Tableau II.10 Correspondance des vitesses en s
-1
et m.s
-1
pour les essais de bipoinonnement............................................................................. 35
Tableau II.11 Paramtres d'identification de la loi de Ludwick pour chaque taux de dformation....................................................................... 35
Tableau II.12 Coefficients de la loi de Johnson Cook pour un acier S500MC....................................................................................................... 36
Tableau II.13 Paramtres utiliss comme point de dpart pour l'optimisation sur acier S500MC ...................................................................... 43
Tableau II.14 Paramtres obtenus aprs optimisation pour l'acier S500MC....................................................................................................... 43
Tableau II.15 Paramtres utiliss comme point de dpart pour l'optimisation sur acier S420MC ...................................................................... 44
Tableau II.16 Paramtres obtenus aprs optimisation pour l'acier S420MC....................................................................................................... 44
Tableau IV.1 Paramtres lastiques utiliss pour la simulation........................................................................................................................... 83
Tableau IV.2 Bornes des paramtres pour l'optimisation .................................................................................................................................... 86
Tableau VI.1 Valeurs limites des paramtres de l'tude .................................................................................................................................... 123
Tableau VI.2 Comparatif entre un individu du front de Pareto et un individu de la 1
re
gnration ................................................................. 126
er
cas d'tude)................................................................ 126
Tableau VI.5 Valeurs des paramtres pour les deux individus slectionns (2
ime
cas d'tude).......................................................................... 127
ime
cas d'tude) ............................................................. 128

144
Annexes

Annexe I Plans de l'outil utilis pour reproduire le procd de rayonnage................................ 145

Annexe II Dveloppement pour l'implmentation du modle de Lematre-Chaboche............... 147

Annexe III Approximation par surfaces de rponses .................................................................. 150

Annexe IV Coefficients pour les quations polynomiales d'ordre 2 des surfaces de rponses .. 152

145
Annexe I Plans de l'outil utilis pour reproduire le procd de
rayonnage

Figure A-I.1 Plan de la matrice de l'outil de rayonnage

Figure A-I.2 Plan du porte-poinons de l'outil de rayonnage

146

Figure A-I.3 Plan des poinons pour l'outil de rayonnage

Figure A-I.4 Eprouvette utilise avec l'outil de rayonnage


147

Annexe II Dveloppement pour l'implmentation du modle de
Lematre-Chaboche
(Cette partie reprend et complte le dveloppement prsent au V.3.1)

Dans lhypothse dune quivalence en dformation et dun endommagement isotrope,
on dfinit la fonction de charge suivante :

( ) ( )
0
, ,
1
eq
e
R D R
D
= = +
(AII.1)

1 D
est la contrainte effective (voir II.4.1). R dcrit l'volution isotrope de

l'crouissage.
eq
e0
la limite d'coulement du matriau
vierge. D est la variable interne d'endommagement.

Le potentiel d'endommagement [Lem88] est choisi sous la forme dune fonction
puissance de la variable Y associe l'endommagement:

( ) ( )
0
1
* 0
0 0
1
1 1
s
D
S Y
s D S
+
| |
=
|
+
\
(AII.2)

On montre que Y est le taux de restitution de lnergie lastique. Elle scrit :

( )
1
2
Y =
el el el
C : : (AII.3)

Dans [Lem88] S
0
et s
0
sont des paramtres du matriau, fonctions de la temprature. Le
potentiel de dissipation est gal :

*
D
F = + (AII.4)

Expression dans laquelle correspond la dissipation plastique et
*
D
la dissipation
due l'endommagement. Si la variable dcrouissage R suit une volution de type Ludwick :

( )
n
pl
R K = (AII.5)

pl
est la dformation plastique cumule. Lquation d'tat lastique est :

( ) 1 D =
el el
C (AII.6)

el
C est le tenseur dlasticit, et
el
est le tenseur des dformations lastiques. Les
volutions des variables internes sont dcrites par les quations suivantes :

3
2 1
F
D

= = =

pl
eq
s

(AII.7)

148
0
*
*
0
1 1
s
D
Y
D Y
Y D S D

| |
= = =
|

\

(AII.8)

F
r
R

= =

(AII.9)

Avec s le tenseur dviateur des contraintes, r est la variable associe lcrouissage R
et en posant:

0
*
0
s
Y
Y
S
| |
=
|
\
(AII.10)

Pour calculer le correcteur plastique , la mthode du retour d'Euler a t utilise. Il
convient dans un premier temps de calculer la normale a la surface de charge:

( )
3
2 1
eq
D
= =

s
a
(AII.11)

Puis la condition de consistance qui s'crit :

: 0 d R D
R D

= + + =

(AII.12)

Il faut ensuite calculer chacun des termes :

- Calcul de :

:

En utilisant l'quation AII.6 :

( ) : : 1 : : : D D

= +

el el el el
C C

(AII.13)

En remplaant D
par l'expression AII.8, il vient :

( ) ( )
( )
*
: : 1 : : 1 : : :
1
D D Y
D

=

el el pl el el
C C C

(AII.14)

En remplaant
pl
par l'quation AII.7 :

( ) ( )
( )
*
: : 1 : 1 : : : :
1
D D Y
D

=

el el el el
a C a C a a C
(AII.15)

- Calcul de : R
R

:
: R R
R

=

(AII.16)

149

En posant :
R
R
H
r
(AII.17)

L'quation AII.16 devient :

:
R
R H
R

(AII.18)

- Calcul de : D
D

:
( )
( )
*
2
1
:
1
1
eq
D Y
D D
D

(AII.19)

Or, l'quation AII.1 est nulle lors d'un coulement plastique, on obtient par
consquent :
( )
( )
0
1
eq
e
R
D
= +
(AII.20)

En remplaant dans l'quation prcdente :

( )
( )
*
0
2
:
1
e
D R Y
D
D

= +
(AII.21)

Nous pouvons dsormais remplacer les expressions de :

, : R
R

et : D
D

dans
l'quation AII.12 :

( ) ( )
( )
( )
( )
*
*
0
2
: :
: 1 : 1 : : 0
1
1
e
R
R Y
Y
D D H
D
D
(
+
+ + = (
(

el el
el el
a C
a C a C a
(AII.22)

En posant :
( )
( )
*
0
1
1 1
e
D
R Y
H D
D D
+ (
= +
(

el el el
a : C : a a : C : (AII.23)

L'incrment du correcteur plastique est donc :

( ) 1
D R
D
H H

=
+
el
a : C :
(AII.24)

150
Annexe III Approximation par surfaces de rponses

Dans le cadre de la rduction du temps de calcul global du processus d'optimisation,
des surfaces de rponses du second degr ont t utilises de la mme manire que les
rseaux de neurones artificiels (RNA). Ces surfaces, dont l'quation gnrale est rappele ci-
dessous (quation AIII.1), reprsentent un systme d'quations rsoudre. L'optimisation
portant sur 7 paramtres, 36 coefficients ont t identifis l'aide du logiciel MatLab.Ceci a
t possible en utilisant l'ensemble des solutions donnes par l'algorithme gntique pour la
deuxime tude sur les 5 premires gnrations et sur les 10 premires gnrations. Comme
indiqu prcdemment, il existe 55 individus effectivement diffrents dans les 5 premires
gnrations et 81 dans les 10 premires gnrations, ce qui rend possible l'identification des
36 coefficients.

De cette manire, il est possible de comparer l'efficacit des surfaces de rponses et des
RNA. Une surface de rponses a t dfinie pour chaque fonction objectif. Les coefficients
correspondants sont donns en annexe 5.

( )
2
0 0
N N N
o i i ij i j ii i
i i j i
y x a a x a x x a x
= < =
= + + +

(AIII.1)

Le principe gnral est identique celui utilis avec les RNA, lorsque l'algorithme
gntique atteint une certaine gnration, il effectue une approximation des calculs l'aide
d'un rseau de neurones pour chaque fonction objectif sans utiliser les logiciels Abaqus
o
Catia
. De mme que pour les rseaux de neurones, la dernire gnration (la gnration 15)
a t entirement recalcule en utilisant les scripts CATIA
et Abaqus
. Il est de cette faon

possible de juger de la pertinence de l'approximation des surfaces de rponses.

Premier cas : utilisation des 5 premires gnrations

La figure A-III.1 montre les rsultats obtenus en utilisant les 5 premires gnrations
pour rsoudre le systme d'quations AIII.1. La mme identification que pour les rseaux de
neurones a t utilise : les points bleus reprsentent le front de Pareto original obtenu avec
l'algorithme gntique en utilisant les scripts CATIA
et Abaqus
sur les 15 gnrations, les

carrs oranges les individus prsents dans la cinquime gnration, les losanges verts les
individus de la dernire gnration provenant de la prdiction des surfaces de rponses et
les triangles rouges, ces mme individus recalculs en utilisant le schma classique, donc leur
vritable valeur.

Nous observons sur cette figure un cart important entre les valeurs prdites des
surfaces de rponses et les valeurs relles des individus. Ce phnomne t dj observ
dans le cas de l'utilisation des RNA. Les valeurs recalcules de la dernire gnration
montrent que les surfaces de rponses ne permettent pas, dans ce cas, de prospecter sur le
front de Pareto. En effet, la moiti des individus de la 15
ime
gnration ne sont pas sur le
front de Pareto et pour certains d'entre eux, en sont mme trs loigns.

151
Utilisation de surfaces de rponse partir de la gnration 5
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
-2 -1 0 1 2 3
V
o
l
u
m
e

n
o
r
m
a
l
i
s
Front de Pareto
Gnration 5
Gnration 15 (vraie)

Figure A-III.1 Rsultats obtenus en utilisant des surfaces de rponses partir de la gnration 5

Deuxime cas : utilisation des 10 premires gnrations

La figure A-III.2 prsente les rsultats obtenus en utilisant les 10 premires gnrations
pour rsoudre le systme d'quations dfinissant les surfaces de rponses.

Utilisation de surfaces de rponse partir de la gnration 10
0
0.2
0.4
0.6
0.8
1
1.2
-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
V
o
l
u
m
e

n
o
r
m
a
l
i
s
Front de Pareto
Gnration 10
Gnration 15 (vraie)

Figure A-III.2 Rsultats obtenus en utilisant des surfaces de rponses partir de la gnration 10

Le rsultat obtenu est cette fois bien meilleur. En effet, nous pouvons dans un premier
temps remarquer que la prdiction des surfaces de rponses (losanges verts), est bien plus
proche des valeurs relles (triangles rouges). Cependant, les losanges verts situs sur le front
de Pareto ne font que reproduire des individus existant pralablement dans les 10 premires
gnrations, ceci qui indique nanmoins, que les surfaces de rponses sont capable de
fournir les bonnes valeurs pour les individus qui ont servis dfinir leurs coefficients.

Si nous comparons avec les rsultats obtenus en utilisant des rseaux de neurones
entrans avec les 5 premires gnrations, le rsultat reste moins intressant car plusieurs
individus se positionnent en dehors du front de Pareto.

152

Annexe IV Coefficients pour les quations polynomiales d'ordre 2
des surfaces de rponses

Indice Valeur Paramtre(s) associ(s)
a0 8.30E-05 -
a1 2.68E-05 X1
a2 -2.57E-04 X2
a3 3.16E-06 X3
a4 -5.35E-07 X4
a5 -4.32E-04 X5
a6 1.03E-03 X6
a7 1.49E-03 X7
a12 -2.51E-07 X1*X2
a13 -7.79E-09 X1*X3
a14 -3.47E-08 X1*X4
a15 -2.87E-07 X1*X5
a16 -2.02E-05 X1*X6
a17 -8.87E-06 X1*X7
a23 -7.44E-08 X2*X3
a24 -6.86E-08 X2*X4
a25 9.05E-06 X2*X5
a26 -6.27E-06 X2*X6
a27 -5.84E-05 X2*X7
a34 -4.20E-10 X3*X4
a35 3.66E-08 X3*X5
a36 -3.62E-07 X3*X6
a37 -9.07E-07 X3*X7
a45 1.49E-07 X4*X5
a46 6.37E-07 X4*X6
a47 1.12E-07 X4*X7
a56 1.40E-05 X5*X6
a57 -2.89E-05 X5*X7
a67 -2.30E-04 X6*X7
a11 1.19E-06 X1*X1
a22 1.50E-05 X2*X2
a33 -3.37E-10 X3*X3
a44 7.71E-10 X4*X4
a55 4.78E-05 X5*X5
a66 -1.02E-04 X6*X6
a77 -7.62E-05 X7*X7
-a-

a0 4.45E-07 -
a1 2.98E-07 X1
a2 -1.02E-07 X2
a3 -3.93E-09 X3
a4 -7.62E-10 X4
a5 -5.90E-07 X5
a6 -2.37E-06 X6
a7 1.02E-06 X7
a12 -1.41E-08 X1*X2
a13 1.59E-10 X1*X3
a14 3.09E-11 X1*X4
a15 3.86E-08 X1*X5
a16 -8.71E-08 X1*X6
a17 -8.25E-08 X1*X7
a23 2.91E-10 X2*X3
a24 1.01E-10 X2*X4
a25 9.99E-08 X2*X5
a26 2.59E-08 X2*X6
a27 1.15E-07 X2*X7
a34 -1.88E-12 X3*X4
a35 -4.66E-10 X3*X5
a36 5.53E-10 X3*X6
a37 -1.32E-09 X3*X7
a45 -4.40E-10 X4*X5
a46 -1.40E-09 X4*X6
a47 1.42E-09 X4*X7
a56 -7.24E-08 X5*X6
a57 9.54E-09 X5*X7
a67 1.22E-06 X6*X7
a11 8.27E-09 X1*X1
a22 -3.92E-09 X2*X2
a33 2.73E-11 X3*X3
a44 -4.47E-13 X4*X4
a55 2.42E-10 X5*X5
a66 2.30E-07 X6*X6
a77 -9.78E-07 X7*X7
-b-
Tableau A-IV.1 Valeurs des coefficients des quations polynomiales des surfaces de rponses identifis
avec les 5 premires gnrations

153

a0 7.88E-04 -
a1 6.89E-05 X1
a2 -3.65E-04 X2
a3 4.19E-06 X3
a4 1.62E-06 X4
a5 -2.95E-04 X5
a6 7.06E-04 X6
a7 1.15E-03 X7
a12 -1.19E-06 X1*X2
a13 -8.33E-08 X1*X3
a14 -8.55E-08 X1*X4
a15 -7.70E-06 X1*X5
a16 -3.05E-05 X1*X6
a17 -1.94E-05 X1*X7
a23 -2.90E-08 X2*X3
a24 -1.20E-07 X2*X4
a25 7.96E-06 X2*X5
a26 8.67E-06 X2*X6
a27 -3.89E-05 X2*X7
a34 -1.92E-09 X3*X4
a35 -1.38E-07 X3*X5
a36 -8.46E-07 X3*X6
a37 -4.87E-07 X3*X7
a45 7.58E-08 X4*X5
a46 5.89E-08 X4*X6
a47 1.58E-07 X4*X7
a56 -1.66E-05 X5*X6
a57 -6.59E-06 X5*X7
a67 -7.16E-05 X6*X7
a11 2.87E-06 X1*X1
a22 1.78E-05 X2*X2
a33 -4.34E-09 X3*X3
a44 1.53E-09 X4*X4
a55 4.05E-05 X5*X5
a66 -7.81E-05 X6*X6
a77 -1.08E-04 X7*X7
-a-

a0 7.12E-07 -
a1 2.50E-07 X1
a2 -5.81E-08 X2
a3 -2.51E-09 X3
a4 -1.77E-09 X4
a5 -3.58E-07 X5
a6 -9.26E-07 X6
a7 -1.06E-06 X7
a12 -7.79E-09 X1*X2
a13 -2.79E-10 X1*X3
a14 2.01E-10 X1*X4
a15 5.40E-08 X1*X5
a16 -4.50E-08 X1*X6
a17 2.19E-08 X1*X7
a23 1.85E-10 X2*X3
a24 -9.91E-11 X2*X4
a25 8.60E-08 X2*X5
a26 -3.08E-09 X2*X6
a27 -1.15E-09 X2*X7
a34 7.22E-12 X3*X4
a35 9.76E-11 X3*X5
a36 8.51E-10 X3*X6
a37 -1.53E-10 X3*X7
a45 -1.74E-10 X4*X5
a46 -7.53E-10 X4*X6
a47 1.20E-09 X4*X7
a56 -4.79E-08 X5*X6
a57 -1.16E-07 X5*X7
a67 5.55E-07 X6*X7
a11 -7.92E-09 X1*X1
a22 5.75E-09 X2*X2
a33 1.11E-11 X3*X3
a44 2.91E-12 X4*X4
a55 -7.27E-09 X5*X5
a66 1.16E-07 X6*X6
a77 5.52E-08 X7*X7
-b-
Tableau A-IV.2 Valeurs des coefficients des quations polynomiales des surfaces de rponses identifis
avec les 10 premires gnrations

X5 paisseur de la pice
X6 Modification du rayon de la matrice de pliage

X7 Modification du rayon du poinon de rayonnage
Figure A-IV.1 Rappel des paramtres de l'optimisation


RSUM: Les pices de scurit automobile fabriques en acier comme les ferrures d'ancrage
de ceinture de scurit ont vu leur cot de fabrication augmenter ces dernires annes du fait de
l'augmentation du prix des matires premires. De plus, ces pices sont soumises des normes
europennes de plus en plus exigeantes. C'est pourquoi les quipementiers automobiles comme
l'entreprise DEVILL S.A. cherchent aujourd'hui dvelopper des outils numriques permettant
d'optimiser et de prdire le comportement de ces pices l'usage en intgrant l'ensemble du
processus de fabrication. Le travail propos ici s'efforce d'apporter une contribution ce
dveloppement. L'utilisation de mthodes d'optimisation, en particulier un algorithme gntique
NSGA-2, couples avec des logiciels de conception et de calculs par lments finis a permis
d'amliorer diffrentes fonctions cot comme le dommage maximum subit par la pice lors de sa
conception ou encore l'effort maximal ncessaire son dpliage
L'utilisation de rseaux de neurones pour rduire le temps d'optimisation global a galement fait
l'objet d'une tude. Ces mthodes numriques ncessitent la modlisation du comportement du
matriau avec des lois de comportement et d'endommagement qui ont fait l'objet d'une tude
exprimentale ainsi que d'une identification. Une mthode d'identification inverse a notamment
permis de rduire l'erreur commise lors de la simulation numrique.

Mots-cls: simulation EF, optimisation, algorithme gntique, endommagement, procds, loi de
comportement

CARACTERISATION OF FORMING PROCESSES FOR
AUTOMOBILE SAFETY PARTS. MULTIOBJECTIVE
OPTIMISATION

ABSTRACT: Automotive safety parts manufactured out of steel sheets are more and more
expansive due to the increase in price of raw materials. Moreover, these parts are subjected to
increasingly demanding European standards. This is why automobile equipment supplier, such as
company DEVILL S.A. are looking to develop numerical tools in order to optimize and predict the
behavior of these parts, in-service, by integrating the entire manufacturing process. The work
presented here is a contribution to this end. The use of optimization methods, in particular a
genetic algorithm called NSGA-2, coupled with CAD and finite elements codes made it possible to
improve various cost functions like the maximum material damage value obtained in the part at the
time of its design or the maximum effort necessary for unbending, etc.
The use of neural networks to reduce the total calculation time has also been studied in this work.
These numerical methods require the use of material behavior and damage laws which were the
subject of an experimental study as well as the identification of the model parameters. In particular
an inverse methodology has been used to reduce the error made during the numerical simulation.

Keywords: FEM, optimization, genetic algorithm, material damage, manufacturing process,
behavior law

These E Gildemyn

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

These E Gildemyn

Încărcat de

Drepturi de autor:

Formate disponibile

N: 2008 ENAM 0019

cole doctorale n 432 : Sciences des Mtiers de lIngnieur

Coefficient de Lankford pour l'angle de prlvement

Incrment du correcteur plastique de Lagrange

[Sim02]. Les couplages CAO-calculs ainsi que la conception de certains

est une vitesse de dformation de rfrence, T0 est la temprature de rfrence et Tm

sur laquelle a t effectue une srie d'essais de bipoinonnement diffrentes

de laquelle est retranche

est le module effectif du matriau. Il sensuit que la valeur scalaire de

reprsente lincrment de dformation plastique cumule. Pour que cette

exprimant le taux de triaxialit est sensiblement constant gal

peut tre relie aux contraintes

sur le bord au point 1, nous trouvons les valeurs suivantes

. Ils suivent tous un schma d'apprentissage de

, l'algorithme gntique lance le R.N.A. sur les gnrations suivantes et rcupre

. Cette tude nous a conduits

. Ensuite dans le cadre de la simulation numrique par

, les quations constitutives lasto-plastique

, le code de calcul EF Abaqus

et le logiciel d'analyse numrique MatLab

. Dans le cas de CATIA

, les scripts sont

. En effet, il n'est pas possible de

, ici la pice, doit tre

. Un autre avantage du lancement en mode batch est qu'il

. La hauteur Ht qui dfinit la partie haute du poinon, la

est la contrainte effective (voir II.4.1). R dcrit l'volution isotrope de

du correcteur plastique s'crit :

. Lors de cette simulation sont

Polinme sur exprimentale (a)

. De cette manire, lorsque l'algorithme gntique

est la contrainte effective (voir II.4.1). R dcrit l'volution isotrope de

par l'expression AII.8, il vient :

. Il est de cette faon

sur les 15 gnrations, les

S-ar putea să vă placă și