362 pages - janvier 2021
ISBN papier : 9781789480108
ISBN ebook : 9781789490107

Code ERC :

PE1 Mathematics
PE1_13 Probability
PE1_14 Statistics
PE8 Products and Processes Engineering
PE8_3 Civil engineering, architecture, maritime/hydraulic engineering, geotechnics, waste treatment
PE8_7 Mechanical and manufacturing engineering (shaping, mounting, joining, separation)

Papier
97,00
Ebook
20,00
 
Effacer

– Papier :
Livraison offerte pour toute commande directe effectuée sur le site istegroup.com
Délai de livraison : environ deux semaines
Envois uniquement vers : France métropolitaine, Belgique, Suisse et Luxembourg
Impression en couleur
Un ebook de l’ouvrage (à l’exception des titres de l’Encyclopédie SCIENCES) est offert pour tout achat
de sa version papier sur notre site, il vous sera envoyé après la finalisation de votre commande
Offre non applicable aux librairies

– Ebook :
Prix réservé aux particuliers
Pour les institutions : nous contacter 
Nos ebooks sont au format PDF (compatible sur tout support)

Considérer le contexte incertain en ingénierie mécanique dans le but d’améliorer les performances des futurs produits ou systèmes apparaît désormais comme un avantage compétitif, voire une nécessité pour garantir une exigence de sûreté de plus en plus élevée.

Ingénierie mécanique en contexte incertain traite de la modélisation, de la quantification et de la propagation d’incertitudes. Il étudie également la prise en compte des incertitudes dans l’analyse de la fiabilité et dans l’optimisation sous incertitudes. Le spectre des méthodes présentées va des approches classiques aux développements plus récents et les méthodologies sont illustrées par des exemples concrets dans des domaines variés de la mécanique (génie civil, génie mécanique et mécanique des fluides).

Cet ouvrage s’adresse aussi bien à un public de chercheurs que d’ingénieurs s’intéressant à la thématique du traitement des incertitudes en ingénierie mécanique.

Partie 1. Modélisation, quantification et propagation d’incertitudes
Partie 2. Prise en compte des incertitudes : analyse de fiabilité et optimisation sous incertitudes

Christian Gogu

Christian Gogu est enseignant-chercheur à l’Université Toulouse III – Paul Sabatier. Ses recherches, qu’il effectue à l’Institut Clément Ader, portent notamment sur la prise en compte des incertitudes dans la conception et l’optimisation de systèmes aéronautiques.

Chapitre 1

Modélisation des incertitudes (pages : 11-50)

Ce chapitre présente un certain nombre de concepts de base liés à la typologie et à la modélisation des incertitudes. Il introduit notamment les incertitudes aléatoires et épistémiques, leur modélisation probabiliste ainsi que leur extension aux boîtes de probabilités, la théorie des intervalles, la théorie des possibilités et la théorie de l’évidence.


Chapitre 2

Caractérisation et modélisation probabiliste de milieux hétérogènes (pages : 51-90)

Cette étude présente les outils permettant, d’une part, de caractériser les microstructures hétérogènes et leur morphologie et, d’autre part, de les modéliser, à l’aide d’ensembles aléatoires. Elle aborde les ensembles de points aléatoires de Poisson, les modèles booléens, les modèles à sphères dures et quelques modèles de partitions aléatoires et de champs gaussiens. Plusieurs exemples d’application sont présentés.


Chapitre 3

Propagation d’incertitudes à l’échelle de structures de génie civil vieillissantes (pages : 91-119)

Ce chapitre introduit les étapes d’une modélisation probabiliste du comportement thermohydromécanique – variable dans l’espace – des ouvrages en béton. À titre d’exemple, la fuite d’une enceinte de confinement est modélisée sous forme d’un chaos polynomial. L’étude fiabiliste des grands ouvrages de génie civil vieillissants apparaît ainsi accessible et utile à une meilleure maîtrise des risques et opérations de maintenance et de réparation.


Chapitre 4

Réduction d’incertitudes en analyse multidisciplinaire basée sur une étude de sensibilité par chaos polynomial (pages : 121-150)

Cette étude présente une approche originale pour l’approximation de systèmes multidisciplinaires comportant des incertitudes de modèle, basée sur la construction de métamodèles par processus gaussiens de chaque solveur disciplinaire. La solution du système d’équations aléatoires est approchée par chaos polynomial creux permettant d’approximer les indices de sensibilité de Sobol et de déterminer ainsi quel métamodèle disciplinaire enrichir. Un exemple d’aéroélasticité statique illustre la démarche.


Chapitre 5

Estimation de probabilité d’événements rares (pages : 153-222)

Ce chapitre aborde l’estimation de probabilités faibles utiles pour l’analyse de la fiabilité de systèmes à fortes exigences de sûreté. La présentation inclut les méthodes FORM et SORM connues en fiabilité structurale, mais également les méthodes basées sur un échantillonnage naïf (Monte-Carlo) ou préférentiel (tirage d’importance, subset simulation). La sensibilité de la probabilité de défaillance calculée est également introduite.


Chapitre 6

Méthodes adaptatives basées sur le krigeage pour l’évaluation de probabilités de défaillance : focus sur les méthodes AK (pages : 223-254)

Cette étude fournit au lecteur un aperçu des méthodes adaptatives récentes de calcul de probabilité de défaillance basées sur l’utilisation du krigeage (dit « processus gaussien ») avec un focus sur les méthodes nommées AK (Adaptative and Kriging-based methods). Ces méthodes sont particulièrement efficaces en présence de modèles de comportement coûteux à évaluer.


Chapitre 7

Analyse de sensibilité globale ciblée pour la fiabilité en présence d’incertitudes sur les paramètres de distribution (pages : 255-304)

Quantifier l’influence globale de variables d’entrée sur l’estimation de la fiabilité d’un système relève d’un intérêt majeur pour garantir la robustesse de cette mesure et la sécurité du système. Pour ce faire, cette étude décline une formulation des indices de Sobol sur la fonction indicatrice et une stratégie d’estimation à moindre coût dans le contexte où les distributions des variables aléatoires d’entrée sont entachées d’incertitudes épistémiques.


Chapitre 8

Optimisation multi-objectif stochastique : un algorithme de descente (pages : 305-343)

Dans cette étude, l’algorithme classique du gradient stochastique utilisé en optimisation stochastique est appliqué au cas de l’optimisation multi-objectif pour des fonctions coûts qui sont soit régulières, convexes ou non régulières. Cet algorithme est basé sur l’existence d’un vecteur de descente commun et il est presque sûrement convergent. Une application en optimisation fiabiliste est présentée ainsi que des comparaisons avec d’autres algorithmes.