Un cadre de substitution unifié pour des informations sur la fiabilité des systèmes mécaniques basées sur les données

A Unified Surrogate Framework for Data-Driven Reliability Insights in Mechanical Systems

• Auteur / Autrice : Lun Shao
• Direction : Mohamed Ichchou, Alexandre Saïdi, Abdel Malek Zine
• Type : Thèse de doctorat
• Discipline(s) : Acoustique
• Date : Soutenance le 25/03/2025
• Etablissement(s) : Ecully, Ecole centrale de Lyon
• Ecole(s) doctorale(s) : École doctorale Mécanique, Energétique, Génie Civil, Acoustique (Villeurbanne ; 1993-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de tribologie et dynamique des systèmes (Écully, Rhône ; 1970-)
• Jury : Président / Présidente : Olga Klinkova
• Jury : Examinateurs / Examinatrices : Mohamed Ichchou, Alexandre Saïdi, Abdel Malek Zine
• Jury : Rapporteurs / Rapporteuses : Abdelkhalak El Hami, Sergio De Rosa

Mots clés

Mots clés contrôlés

Fiabilité

Mots clés libres

Fiabilité structurelle

Apprentissage automatique

Modélisation de substitution

Quantification de l'incertitude

Amortisseur de masse réglé

Structural Reliability

Machine Learning

Surrogate Modeling

Uncertainty Quantification

Tuned Mass Damper

Résumé

Les structures d'ingénierie modernes, des systèmes simples à un seul degré de liberté (SDOF) aux configurations complexes continues ou à plusieurs degrés de liberté (MDOF) et enfin aux systèmes continus, sont confrontées à des incertitudes dimensionnelles élevées en raison des charges variables, des propriétés des matériaux et des conditions environnementales. Les approches traditionnelles, telles que la simulation de Monte Carlo, peuvent devenir extrêmement coûteuses lors de la simulation d'un grand espace de paramètres ou de la modélisation d'un comportement structurel complexe. Dans ce travail, nous résolvons ces problèmes en utilisant des méthodes probabilistes avec des modèles d'apprentissage automatique. Ces modèles incluent Random Forests, Gradient Boosting, XGBoost et Neural Networks. Ils peuvent prédire les réponses structurelles avec moins de calcul. Par conséquent, il est plus facile d'étudier l'incertitude et la sensibilité.Cet article décrit un cadre d'étude de la dynamique et de la fiabilité des structures. Il combine la modélisation théorique des systèmes continus avec des tests expérimentaux sur des cadres en acier. Une structure de type poutre avec des degrés de liberté infinis est analysée à l'aide de la méthode Rayleigh-Ritz. Des équations aux dérivées partielles sont utilisées pour tenir compte de la masse, de la rigidité et de l'amortissement. Des amortisseurs de masse accordés (TMD) sont ajoutés pour réduire les vibrations résonnantes. Des méthodes d'échantillonnage telles que l'échantillonnage par hypercube latin et la simulation de Monte Carlo sont utilisées pour évaluer la fiabilité sous des charges incertaines. Des modèles d'apprentissage automatique tels que Random Forest et Neural Networks sont formés comme substituts pour prédire les probabilités de défaillance. Ces modèles montrent comment les paramètres du système interagissent de manière non linéaire. La structure est testée sur une charpente en acier à deux étages dans un laboratoire. Un vibrateur mécanique applique des forces dynamiques avec différentes caractéristiques, telles que l'aplatissement, la moyenne quadratique (RMS), l'asymétrie et le facteur de crête. Les mesures de force et d'accélération enregistrent les réponses de la structure. Des modèles d'apprentissage automatique, notamment Random Forest, Gradient Boosting, XGBoost et Neural Networks, sont formés sur ces caractéristiques. Les résultats des tests ont démontré que : 1) Les amortisseurs de masse accordés améliorent les performances structurelles et réduisent le risque de défaillance sous des charges dynamiques. 2) Les modèles d'apprentissage automatique avec extraction de caractéristiques statistiques surpassent les méthodes traditionnelles et offrent des avantages pratiques.

Modern engineering structures, from simple single degree of freedom (SDOF) systems to complex continuous or multi-degree of freedom (MDOF) configurations and finally to continuous systems, face high-dimensional uncertainties due to variable loads, material properties, and environmental conditions. Traditional approaches, such as Monte Carlo simulation, can become prohibitively expensive when simulating a large parameter space or modeling intricate structural behavior. In this work, we solve these problems by using probabilistic methods with machine learning models. These models include Random Forests, Gradient Boosting, XGBoost, and Neural Networks. They can predict structural responses with less computation. Therefore, it easier to study uncertainty and sensitivity.This paper describes a framework for studying structural dynamics and reliability. It combines theoretical modeling of continuous systems with experimental tests on steel frames. A beam-like structure with infinite degrees of freedom is analyzed using the Rayleigh-Ritz method. Partial differential equations are used to account for mass, stiffness, and damping. Tuned Mass Dampers (TMDs) are added to reduce resonant vibrations. Sampling methods like Latin Hypercube Sampling and Monte Carlo simulation are used to assess reliability under uncertain loads. Machine learning models such as Random Forest and Neural Networks are trained as surrogates to predict failure probabilities. These models show how system parameters interact in nonlinear ways. The framework is tested on a two-storey steel frame in a laboratory. A mechanical shaker applies dynamic forces with different characteristics, such as kurtosis, root mean square (RMS), skewness, and crest factor. Force and acceleration measurements record the structure's responses. Machine learning models, including Random Forest, Gradient Boosting, XGBoost, and Neural Networks, are trained on these features. The test results demonstrated that: 1) Tuned Mass Dampers enhance structural performance and reduce failure risk under dynamic loads. 2) Machine learning models with statistical feature extraction outperform traditional methods and provide practical advantages.