Thèse soutenue

Modèles de substitution pour l’analyse de problèmes de Vibrations induites par le frottement sous incertitudes

FR  |  
EN
Auteur / Autrice : Jérémy Sadet
Direction : Thierry TisonEl-Ghazali TalbiFranck MassaIsabelle Massa-Turpin
Type : Thèse de doctorat
Discipline(s) : Mécanique, génie mécanique, génie civil
Date : Soutenance le 20/06/2022
Etablissement(s) : Valenciennes, Université Polytechnique Hauts-de-France
Ecole(s) doctorale(s) : École doctorale polytechnique Hauts-de-France (Valenciennes, Nord ; 2021-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire d'automatique, de mécanique et d'informatique industrielles et humaines (Valenciennes, Nord ; 1994-...)
Etablissement délivrant conjointement le doctorat : Institut national des sciences appliquées Hauts-de-France (Valenciennes, Nord ; 2019-....)
Jury : Président / Présidente : Nathalie Bartoli
Examinateurs / Examinatrices : Thierry Tison, El-Ghazali Talbi, Franck Massa, Isabelle Massa-Turpin, Michael Hanss, David Néron, Jean-Jacques Sinou
Rapporteurs / Rapporteuses : Michael Hanss, David Néron

Résumé

FR  |  
EN

Le crissement automobile est une nuisance sonore qui intéresse à la fois les chercheurs et les industriels. Ce phénomène fugace, perçu par les acquéreurs de véhicule comme gage de piètre qualité, induit un coût de plus en plus important pour les équipementiers automobiles dû aux réclamations-client. Par conséquent, il est primordial de proposer et développer des méthodes permettant de prédire avec efficacité l’occurrence de cette nuisance sonore grâce à des modèles de simulation numérique. Ainsi, cette thèse se propose de poursuivre les récents travaux montrant l’apport certain d’une intégration des incertitudes au sein des simulations numériques de crissement. L’objectif est de proposer une stratégie de propagation d’incertitudes pour des simulations de crissement en maintenant des coûts numériques acceptables (en phase d’avant-projet). Plusieurs méthodes numériques sont évaluées et améliorées pour permettre des calculs à la fois précis et dans des temps de calcul compatibles avec les contraintes de l’industrie. Après avoir positionné ce travail de thèse par rapport aux avancées des chercheurs travaillant sur la thématique du crissement, une nouvelle méthode d’amélioration des solutions propres d’un problème aux valeurs propres complexes est proposée. Pour réduire les coûts numériques de telles études, trois modèles de substitution (processus gaussien, processus gaussien profond et réseau de neurones profonds) sont étudiés et comparés pour proposer les stratégies optimales que ce soit en termes de méthode ou de paramétrage. La construction de l’ensemble d’apprentissage est un élément clé pour assurer les futures prédictions des modèles de substitution. Une nouvelle stratégie/méthode d’optimisation exploitant l’optimisation bayésienne est présentée pour cibler idéalement le choix des données de l’ensemble d’apprentissage, données potentiellement coûteuses d’un point de vue numérique. Ces méthodes sont ensuite exploitées pour proposer une technique de propagation des incertitudes selon une modélisation par sous-ensembles flous.