Cours Durabilite Composite Guillaumat v1 2015-11-09 PDF

Approche Mécano-Fiabiliste
OPM
Introduction
Laurent Guillaumat
1 S’intéresser à l’incertain
Est-ce vraiment incertain ?
Pur hasard ? Géométrie
Répartition des masses
rugosité
Trop de paramètres, souvent inconnus

Impossibilité à décrire le système
3
Approche pragmatique : on recommence l’observation
un grand nombre de fois
Nb tirages
augmente
4
Attention au trucage, l’incertain à donc des règles :
équiprobabilité
Nb tirages
augmente
5
La planche de GALTON
Loi binomiale => Loi de Gauss

Si connaissance de tous les paramètres ?
6
Incertain et variabilité
Incertain : qui n’est pas sûr, qui n’est pas établi

avec exactitude.
Quelle sera la température dans 30 jours ?
Variabilité : Disposition à varier; caractère de ce

qui est variable.
STAT. Éparpillement des valeurs d'une distribution de fréquence, mesurée
souvent par l'écart-type (Industries1986).
7
Environnement incertain
L’incertain en mécanique peut être dû à :
•  Environnement
•  Chargements
•  Propriétés des matériaux
•  Tolérances géométriques
•  …
Exemple de la conception d’un véhicule :
8
On peut borner un minimum le problème :
Prise en compte de la région
9
Faut-il considérer tous les environnements ?
-40°C
variabilité
+60°C
Danger de considérer qu’une valeur moyenne
10
Danger de ne considérer qu’une valeur moyenne
La valeur moyenne ne se réalise jamais
11
Propriétés matériaux
métal
composite
12
Aléas internes et externes au système
Conditions climatiques
Facteur humain
(E, n, G, σ, …)
Propriétés matériaux
Relief de la route
13
Exemples
25 juillet 2000, le Concorde opérant le vol 4590 d'Air France
113 victimes
Défaillance mécanique
1.  P i è c e s u r l a p i s t e
2.  P n e u q u i é c l a t e
3.  P r o j e c t i l e v e r s l e r é s e r v o i r
14
Exemples
En mars 2011, un séisme et un tsunami ont entraîné la fusion
du combustible de trois des six réacteurs de la centrale de
Fukushima.
Élément naturel
15
Exemples
Un des deux conducteurs du train a affirmé qu'il roulait à
190 km/h pour une limite de vitesse de 80 km/h sur le tronçon
de voie où s'est produit l'accident.
Défaillance humaine
16
2 Définitions
Aléas :
Indépendant du temps : variable aléatoire
Variable dans l’espace géométrique : champs aléatoire
Variable dans le temps : processus stochastique
Toutes les méthodes ne s’appliquent pas à tous les types
Toutes les représentations ne suffisent pas non plus à

décrire l’incertain
18
Quelques définitions
Fiabilité : aptitude d’un bien à accomplir une

fonction requise, dans des conditions données,
durant un intervalle de temps donné
Notion qualitative, désigne une valeur de la probabilité d’être en état de fonctionnement. On

peut aussi parler de confiance technique.
Robustesse : aptitude d’un bien à fonctionner

en situation anormale ou suite à une situation
anormale
19
Durabilité : aptitude d’un bien à accomplir une

fonction requise, dans des conditions données
d’usage et de maintenance, jusqu’à qu’un état
limite soit atteint
Suggère l’existence d’une limite, réglementaire, technico-économique, maintenabilité.
[ D é f i n i t i o n s e x t r a i t e s d e l a n o r m e E N 1 3 3 0 6 ( 2 0 0 1 )]
20
Défaillance : cessation de l'aptitude d'un bien

à accomplir sa fonction requise
La fonction n’est plus assurée. Notion différente de rupture.
Dégradation : évolution irréversible d'une ou

plusieurs caractéristiques d'un bien liée au
temps, à la durée d'utilisation ou à une cause
externe
Il s’agit davantage d’altération de fonction, phénomène continu,

vieillissement physique
21
Mode de défaillance : phénomène conduisant

à la défaillance ;
Scénario de défaillance : enchainement

d’événements conduisant à la défaillance.
22
Maintenance corrective:maintenance
exécutée après détection d'une panne et destinée
à remettre un bien dans un état dans lequel il
peut accomplir une fonction requise
Il s’agit d’une remise en état de bon fonctionnement après

constatation de la panne, aspect technologique - réactivité
Maintenance préventive:
maintenance
exécutée à des intervalles prédéterminés ou selon
des critères prescrits et destinés à réduire la
probabilité de défaillance ou la dégradation du
fonctionnement d’un bien
L’objectif est d’éviter la perte de fonction, notion probabiliste,

anticipation, prévision
23
L’approche fiabiliste est un outil de conception et

de dimensionnement !
Objectif en conception : atteindre les exigences de

fiabilité
1.  E l i m i n e r a u t a n t q u e p o s s i b l e l e s p o i n t s f a i b l e s
2.  A i d e r a u x c h o i x t e c h n o l o g i q u e s
3.  D é m o n t r e r l ’ e x i g e n c e d e f i a b i l i t é
4.  D é v e l o p p e r l a Q u a l i t é
24
Problème pluridisciplinaires
Approche multidisciplinaires
Ne se substituera jamais à la physique
Nécessite une équipe :
•  P h y s i c i e n s – m é c a n i c i e n s , c h i m i s t e s , …
•  S t a t i s t i c i e n s
•  M a t h é m a t i c i e n s
25
Positionnement de la fiabilité
Système à n fonctions
AMDEC
m modes de défaillance/fonction
Analyse des modes de défaillances, étude de leurs effets et
criticité
Modèle physique pour chaque mode

Analytique, éléments finis, …
Déterministe
Probabiliste
Valeurs moyennes, limites, …
Variables aléatoires, distributions, …
26
Déterministe
Valeurs moyennes, limites, …
1.  V a l e u r u n i q u e
2.  M a r g e
3.  C o e f f i c i e n t d e s é c u r i t é o u « d ’ i g n o r a n c e »
4.  V a l i d a t i o n p a r r e t o u r d ’ e x p é r i e n c e
27
Probabiliste
Variables aléatoires, distributions, …
1.  P r i s e e n c o m p t e d e l a v a r i a b i l i t é
2.  B a n q u e d e d o n n é e s
3.  O u t i l s s t a t i s t i q u e s e t p r o b a b i l i s t e s
4.  F o n c t i o n d ’ é t a t l i m i t e
28
La fiabilité ne se résume pas à :
1.  L a l o i d e g a u s s
2.  L a m é t h o d e C o n t r a i n t e R é s i s t a n c e
3.  R e m p l a c e m e n t d u t r a v a i l d u b u r e a u d ’ é t u d e s o u
de calculs
4.  L ’ a b s e n c e d ’ a n a l y s e f o n c t i o n n e l l e o u A M D E C
5.  t r a v a i l d ’ u n s t a t i s t i c i e n
29
La fiabilité en mécanique c’est :
1.  U n e m é t h o d o l o g i e i n t é g r é e considérant les

processus de dégradation ;
2.  E l l e e s t p r a t i q u é e p a r l e s m é c a n i c i e n s .
Elle utilise :
1.  L e s m é t h o d o l o g i e s d é r i v é e s des techniques

classiques de la fiabilité ;
2.  l e s r é s u l t a t s d e s b u r e a u x d e c a l c u l s .
30
Approche fréquentielle
1.  U n p o i n t d e v u e d e p h y s i c i e n , l e s c o n d i t i o n s
expérimentales d’obtention des données sont bien
connues.
2.  L ’ a n a l y s e f r é q u e n t i e l l e r e p o s e s u r l e s s e u l e s
données objectives. Elle est en défaut lorsque les
données sont en nombre insuffisant, le processus
non répétitif, le nombre de paramètres à estimer
important.
3.  L e f r é q u e n t i e l r e f u s e d ’ i n t r o d u i r e u n a p r i o r i
dans l’analyse.
4.  E l l e e f f e c t u e u n e a n a l y s e c o m p l è t e p r é a l a b l e
suivie d’une interprétation physique.
5.  U n e v o l o n t é d ’ o b j e c t i v i t é .
6.  U t i l i s a t i o n : a n a l y s e d e s c r i p t i v e , a n a l y s e d e
données, fiabilité opérationnelle, qualité,...
31
Approche bayesienne
1.  U n p o i n t d e v u e d ’ i n g é n i e u r , u n e p h i l o s o p h i e
séduisante, une démarche d’apprentissage
2.  L ’ a n a l y s e i n t è g r e t o u t e s l e s i n f o r m a t i o n s
disponibles, en particulier l’expertise
3.  N é c e s s i t é d ’ i n t r o d u i r e u n e a p r i o r i ( s o u v e n t
subjective), mais l’impact doit être réduit le
plus possible par le retour d’expérience
(considéré aussi essentiel).
4.  U n o u t i l d ’ a i d e à l a d é c i s i o n p a r e x c e l l e n c e , o n
peut exprimer des préférences
5.  U t i l i s a t i o n : f i a b i l i t é p r é v i s i o n n e l l e ,
incertitudes, aide à la décision,...
32
3 Approche Contrainte - Résistance
U1
β
U2
Les étapes de la fiabilité
1 - Définir le modèle mécanique (AMDEC) ;
2 - Définir les données probabilistes, ou variables de conception ;
3 - Choisir le scénario de défaillance (dimensionnant pour la structure)

⇒ définition de la fonction de performance G = R − S :
v  Surface d’état-limite
v  Domaine de sûreté Ds
v  Domaine de défaillance Df
4 - Effectuer les calculs de probabilité ;
5 - Analyser les résultats, étude de sensibilité.
34
Fonction d’état limite
( ) ( ) (
G X = R X 1, ... , X i − S X i +1, ... , X n )
G(X)=0
Défaillance Sûreté
Densité conjointe de probabilité

35
Fiabilité
! $
" ( )
P #G X > 0& =
% ∫
G ( X )>0
f X (X ) dX 1 ... dX n
Probabilité de défaillance
" %
# ( )
P $G X ≤ 0' =
& ∫
G ( X )≤0
f X (X ) dX 1 ... dX n
36
S R
σS
σR
S R
37
Méthodes de calcul
Monté-Carlo
Tirages aléatoires des variables
10-n => 10n+2 tirages
Temps de calculs !
Couplage avec surfaces de réponses
12
10
8
6
( ) ( ) (
G X = R X 1, ... , X i − S X i +1, ... , X n ) 4
2
0
-2 -1 0 1 2 3 4
( )
G X ≤ 0 => Pf
38
Méthodes de calcul
FORM - SORM
Méthode d’approximation
Temps de calcul beaucoup plus court
Pas d’estimation de l’erreur (aveugle)
Accès aux sensibilités
U1
P = φ (−β )
β
U2
39
Méthodes de calcul
FORM – SORM : comparaison avec Monté-Carlo
1er cas :
G=R-S
R et S deux gaussiennes
Moyenne : R=100 et S variable de 100 à 5 par pas de 5
Ecart type de 20
40
Méthodes de calcul
Ecart moyenne entre R et S

0 10 20 30 40 50 60 70 80 90 100
1,0E-01 FORM
MC (1 million)
Probabilité
1,0E-02
1,0E-03
1,0E-04
41
Méthodes de calcul
1er cas :
G=R-S
R et S deux gaussiennes
Moyenne : R=100 et S variable à partir de 100
Ecart type de 5
42
Méthodes de calcul
Ecart entre moyenne R et S

1,0E-02 0 10 20 30 40 50 60 70 80 90 100
1,0E-05
1,0E-08
FORM
1,0E-11
Proche du nombre de tirages
1,0E-14
Probabilité
1,0E-17
1,0E-20
1,0E-23
1,0E-26
1,0E-29
1,0E-32
1,0E-35
1,0E-38
1,0E-41
43
Méthodes de calcul
Que se passe t-il si le calcul analytique n’est pas possible ?
Par exemple utilisation des éléments finis
Le temps de calcul est probablement incompatible avec un grand nombre

d’appels au modèle (probabilité faible).
44
Surfaces de réponses
L’idée est de remplacer le calcul par une modélisation analytique de la

réponse :
1.  Plans d’expériences
2.  Chaos polynomiales
3.  Krigeage
45
Plans d’expériences :
Identification d’un polynôme empirique à des points particuliers de l’espace

⇒  Peu de calculs
Y = a0 + ∑ ai Xi + ∑ aij Xi X j + ∑ aii Xi2
⇒  Tirage de Monté-Carlo sur le polynôme

46
Chaos polynômial :
Approximation suivant le polynôme :
p−1
Y = ∑ ai Ψ i (X)
i=0
Identification des coefficients ai par différentes techniques

p−1
Intérêt : E(Y ) = a0 V (Y ) = ∑ a 2
i
i=1
47
Krigeage :
Le Krigeage est la méthode optimale, au sens statistique du terme, d’estimation.

Il s’agit d’une modélisation statistique de données spatiales.
Notion de variogramme
m
F(xP ) = ∑ wi .F(xi )
i=1
Il faut identifier les poids wi :
•  interpolation linéaire
•  méthode des splines cubiques
48
4 Méthode de Monté-Carlo
Introduction
Permet de calculer des intégrales
Mesure de π
•  S o i t u n d i s q u e de rayon = 1 et de
centre (0,0).
•  O n t i r e a l é a t o i r e m e n t l a v a l e u r d e s
coordonnées d’un point P dans le carré
de coté =1.
•  L a p r o b a b i l i t é q u e P appartienne au
d i s q u e e s t d e π/4 .
•  O n u t i l i s e r a c o m m e g é n é r a t e u r une
distribution uniforme.
50
Introduction
3,60 (10 tirages) 2,96 (102 tirages)
3,18 (103 tirages) 3,12 (104 tirages)

51
Introduction
3,148 (105 tirages)
52
Technique
Générateur nombre aléatoire classique
100 tirages
1000000 tirages
5000 tirages
53
Technique
Tirages équidistants
Fonction inversible
54
Technique
//**************************************** Tirages équidistants avec une boucle
//
// Tirage Monté-Carlo Gaussienne
//
//****************************************
clear
compteur=1 //initialisation de l'indexation des valeurs

moyenne=3 //moyenne de la population
ecartype=2 //écart type de la population
//tirage équiréparti
for x=0.001:0.001:0.999
invprob=cdfnor("X",moyenne,ecartype,x,1-x)
y(compteur)=invprob
compteur=compteur+1
end
//hystogramme des tirages

histplot(30,y,style=2)
//tracé de la gaussienne de référence

x=linspace(moyenne-7,moyenne+7,1000)
DensGauss1=1/(ecartype*sqrt(2*%pi))*exp(-((x-moyenne).^2)/(2*ecartype.^2))
plot(x,DensGauss1,"red", "thickness",3)
55
Technique
//****************************************
// Tirages équidistants avec la loi uniforme
// Tirage Monté-Carlo Gaussienne
//
//****************************************
clear
clf()
compteur=1 //initialisation de l'indexation des valeurs

nbtirages=100000
moyenne=3 //moyenne de la population
ecartype=2 //écart type de la population
//tirage équiréparti
for i=1:nbtirages
x(compteur)=grand(1,1,"unf",0,1)
invprob=cdfnor("X",moyenne,ecartype,x(compteur),1-x(compteur))
y(compteur)=invprob
compteur=compteur+1
disp(i)
end
//hystogramme des tirages

histplot(50,y,style=2)
//tracé de la gaussienne de référence

xx=linspace(moyenne-7,moyenne+7,1000)
DensGauss1=1/(ecartype*sqrt(2*%pi))*exp(-((xx-moyenne).^2)/(2*ecartype.^2))
plot(xx,DensGauss1,"red", "thickness",3)
56
Technique
Tirages équidistants avec la loi uniforme
100 tirages
Tirage loi uniforme Résultats gaussiens
Déséquilibre vers P=0,7 => valeur de la v.a.≈4
57
Technique
Tirages équidistants avec la loi uniforme
100000 tirages
Tirage loi uniforme Résultats gaussiens
58
Simulation directe
La simulation directe consiste, pour estimer la
probabilité de défaillance, à couvrir l’ensemble du
domaine par des tirages aléatoires et à compter le
nombre de tirage dans le domaine de défaillance :
Z2
domaine de défaillance
fZ2 (Z 2 )
G(Z1, Z 2 ) = 0
Z1
fZ1 (Z1 )
59
Simulation directe
La simulation directe à partir d'un échantillon de taille

n est constituée des trois étapes suivante :
1.  G é n é r a t i o n d e n v e c t e u r s z i s e l o n l a l o i c o n j o i n t e
de probabilité de densité fZ ;
2.  S i m u l a t i o n d u m é c a n i s m e de défaillance
considéré pour l'échantillon ;
3.  V é r i f i c a t i o n d e l ' o b t e n t i o n d ' u n é t a t d e

défaillance ou non à partir de la fonction de
défaillance.
60
Simulation directe
Dans le cas de la simulation directe on peut définir la
probabilité de défaillance comme :
Pf = ∫ f X (X )dX 1 ...dX n = ∫f X
(X ).1G( X )≤0 (X ).dX 1 ...dX n
G( X )≤0 RN
La fonction 1G( X )≤0 (X) correspond à la fonction
caractéristique 0-1 sur le domaine de défaillance.

Cette fonction vaut 1 si X appartient au domaine de
défaillance et 0 sinon.
Pour n simulations du vecteur X respectant fX, la

probabilité de défaillance Pf est approchée par la
moyenne des :
Pi = 1G( Xi )≤0 (Xi )
61
Simulation directe
Géométriquement, dans l'espace des variables aléatoires,
chaque vecteur généré représente un point aléatoire. La
simulation directe consiste à dénombrer les points
appartenant au domaine de défaillance et à
n*
calculer la probabilité donnée par : Pf ≈ θ MC =
n
θ M C e s t u n e s t i m a t e u r s a n s b i a i s d e P f ( Biais(θˆ) ≡ E[θˆ]− θ )
La variance de l’estimation est égale à :
θ MC (1− θ MC )
S=
n
62
Simulation directe
En pratique, pour obtenir un coefficient de variation CV
d’environ 10% pour une probabilité P, il faut effectuer au
moins 100/P simulations. En effet le coefficient de
variation est défini comme le quotient de l’écart-type
par la moyenne :
CV =
S
=
(1− θ MC )
θ MC n.θ MC
Si Pf est supposée être très petite :
CV =
(1− P ) ≈
f 1 donc pour un CV=0,1 et Pf=10-n
n.Pf n.Pf => N=10n+2

Pf →0
63
Simulation directe
Intervalle de confiance dans le cadre de l’estimation de

la moyenne à variance inconnue, pour un intervalle de
confiance bilatéral symétrique au seuil α :
" 1− Pf % " 1− Pf %
P̂f $$1−1, 96 ' ≤ Pf ≤ P̂f $1+1, 96
' $
'
'
# n.Pf & # n.Pf &
64
Simulation directe
Formule de Shooman :
" 1− P!f %
%erreur = $ 2. ' x100
1,0E+06
$
# n. P!f '&
1,0E+05
1,0E+04
Erreur (%)
1,0E+03
1,0E+02 %erreur (Pf=0,5)
%erreur (Pf=0,01)
%erreur (Pf=10-6)
1,0E+01
1,0E+00
1 10 100 1000 10000 100000 1000000 10000000
1,0E-01
1,0E-02
Nombre de tirages
65
Simulation directe
Convergence très lente
Probabilité de 0,5, évolution du nombre de tirage
66
Simulation directe
Pf : 0,92
Pf : 0,5
Pf : 0,078
67
Simulation directe
Pf
erreur = 10%
Nombre de tirages
68
Listes des autres méthodes
Echantillonnage stratifié
Tirage d’importance
Simulation directionnelle
69
Listes des méthodes
Les deux premières méthodes permettent une réduction
de la variance.
Elles permettent d’estimer des probabilités
d’évènements rares ou de diminuer le temps de calcul.
La réduction de variance consiste à privilégier un
domaine d'intérêt au cours de la simulation puis de
pondérer les résultats obtenus par application du
théorème des probabilités totales.
Z2
+∞ domaine de défaillance
P(B)= ∑ P(B / An ).P(An )
n=1
G(Z1, Z 2 ) = 0
fZ2 (Z 2 )
domaine de sûreté Z1
fZ1 (Z1 )
70
Un inconvénient de la méthode M.C. directe est de ne pas
assurer la couverture totale de l'espace formé par les N
variables : les procédures de générations de nombres
pseudo-aléatoires ne sont pas parfaites
Les tirages produits évitent souvent les régions de faibles

probabilités, i.e. les queues de distributions qui sont les
régions les plus sensibles du point de vue fiabilité
mécanique.
On découpe chaque domaine en p strates, équiprobables ou

plus raffinées dans les queues de distribution. On obtient
ainsi pN cellules dans lesquelles sont réalisées ni
simulations. Il est alors plus probable d'effectuer des
tirages dans des régions de faible probabilité. L'ensemble
des cellules définit une partition de l'espace des variables.
71
PN
Pf ≈ ∑ ∫ 1G( X )≤0 (X ). f (X ).dX 1 ...dX N
i=1 Si
Si est la cellule étudiée
Z2
domaine de défaillance
fZ2 (Z 2 )
G(Z1, Z 2 ) = 0
domaine de sûreté Z1
fZ1 (Z1 )
72
Trois solutions peuvent être appliquées lors de la
partition du domaine :
-  E c h a n t i l l o n n a g e s t r a t i f i é é q u i p r o b a b l e : l a p r o b a b i l i t é
d’être dans chaque strate est la même. Cette méthode
de stratification tend à « sous échantillonner » les
queues de distribution des variables aléatoires
d’entrée.
-  E c h a n t i l l o n n a g e s t r a t i f i é é q u i d i s t a n t : les strates
sont toutes de même taille.
- Echantillonnage stratifié personnalisé : lorsque l’on

possède une connaissance a priori du système à étudier,
il est possible de déterminer les strates en fonction
des zones que l’on souhaite étudier en particulier. Il est
également possible d’optimiser le nombre de tirage par
strate afin d’augmenter la précision de la simulation
dans les zones d’intérêt.
73
Tirages d’importances
Comme le poids de la probabilité de défaillance est
généralement situé au voisinage du point de conception
P*, il est plus efficace de concentrer les tirages autour
de ce point. Le centre des tirages est déterminé
notamment par des techniques d’homogénéisation.
L’intégrale à évaluer est donnée par :
f X (X)
Pf = ∫ p(X)
p(X). dX1... dX n
G( X )≤0
Toute la problématique est de bien définir la

distribution P(X) !
74
La probabilité peut être écrite suivant :
φn (uk )
Pf = ∫ I D f ψ (uk ). du1... dun
RN
ψ (uk )
Une solution est de choisir pour la fonction ψ une

densité normale réduite centrée au point de
c o n c e p t i o n uk* :
1 " (ui − ui* )2 %

ψ (uk ) = n
exp $ − '
# 2 &
( 2π ) 2
75
u2
u1
H(uk)=0
I l f a u t g é n é r e r d e s V . A . n o r m a l e s c e n t r é e s r é d u i t e s uk
(r )
e t d ’ e f f e c t u e r l e c h a n g e m e n t d e v a r i a b l e s : u!k = uk + uk
(r ) (r ) *
r étant le numéro du tirage.
76
La probabilité de défaillance est estimée par :
N # # 2 &&
1 N
φ ( !
u (r )
) 1 β
P!f = ∑ I D(rf) n (rk ) = ∑%% I D(rf) exp % −∑ ui*ui(r ) − (((
N r=1 ψ (u!k ) N r=1 $ $ i 2 ''
*2
β  é t a n t l ’ i n d i c e d e H a s o f e r e t L i n d , d o n n é p a r ∑u i
i
Les résultats sont corrects si le point de conception a

bien été identifié.
77
Plus récente que les précédentes, la méthode de

Simulation Directionnelle utilise une décomposition
polaire de l’espace des paramètres.
Il faut se placer dans l’espace centrée réduit en
opérant les transformations nécessaires et rendre
l’ensembles des variables indépendantes.
Pf = P(H (U) ≤ 0 = ∫ fZ (X). dX1... dX n = ∫ φ N (U). dU1... dU n

G( X )≤0 H (U )≤0
Avec φN : est la fonction densité normale standard à N

dimensions.
L'idée est de générer des directions issues de l'origine

d e l ' e s p a c e s t a n d a r d e t d e c a l c u l e r P f
conditionnellement à ces directions.
78
La variable aléatoire U, de dimension k, s’exprime sous
la forme d’un produit de variables aléatoires R.A avec
pour loi de A la loi uniforme sur la sphère unité de Rk et
pour R une loi telle que R2 suive une χ2 à k degrés de
liberté. R et A sont indépendantes entre elles.
u2
r
a u1
0
H(uk)=0
79
Le problème se pose alors sous la forme d’une

probabilité conditionnelle :
Pf = ∫ P(H (Ra) ≤ 0). f A (a)da1 ... dan

a∈Ωn
fA densité de A (i.e. densité uniforme sur Ωk),

Ωk sphère unité de Rk définie par Ωk = {y / ||y||2 = 1}.
Si, dans une direction définie par a, l’équation G(Ra) = 0

n’admet qu’une solution r pour R :
P(H (Ra ≤ 0) = P(R > r) = 1− χ n2 (r 2 )

la solution correspond à la distance de l'origine à la
surface de défaillance dans la direction a .
80
5 Méthode FORM SORM
U1
β
U2
Généralités
Domaine de défaillance
" " 2 2 %%
Densité de probabilité : P=
1 (
exp$ − $
) (
$ 1 $ X1 − X1
+
X2 − X2 ) ''
''
2.π .σ 1 .σ 2 $ 2 $$ σ 12
σ 22 ''''
$
# # &&
Limite Monté-Carlo :
=> Approximation analytique

82
Méthode FORM
Cas d’une gaussienne à deux dimensions
X1
G(xi)=0
G(xi)=0
X2
Espace physique
" " 2 %% 2
P' =
1 (
$ 1 $ X1 − X1
exp $ − $
) ( +
)
X 2 − X 2 ''
2.π .σ 1.σ 2 $ 2 $ σ1
2
σ 22 ''''
# # &&
Se ramener toujours dans mes mêmes conditions => transformation de l’espace
83
Méthode FORM
Cas d’une gaussienne à deux dimensions
" " 2 2 %%
P' =
1 (
$ 1 $ X1 − X1
exp $ − $
) ( +
)
X 2 − X 2 ''
2.π .σ 1.σ 2 $ 2 $ σ1
2
σ 22 ''''
# # &&
Condition 1 : se mettre dans un espace standard : gaussiennes centrées

réduites (Changement de variable) et indépendantes :
X1 − X1
U1 = ó U 1 = 0 et σ U1 = 1
σ1
1 # 1 2 2 &
P’ devient : Δ' = exp % − (U1 +U 2 ) ( => Équation d’un cercle
2.π $ 2 '
84
Méthode FORM
First Order Reliability Method
X1 H(ui)=0 U1
G(xi)=0
X2 U2
Espace physique Espace centré réduit
85
Méthode FORM
First Order Reliability Method
U1
Condition 2 : état limite doit être un hyper-plan
U2
Erreur
Espace centré réduit
86
Méthode FORM
Calcul de la probabilité de défaillance :
1 " 1 2 2 %
P= ∫ exp $ − (U1 +U 2 ) '. dU1. dU 2
2.π σ1U1−σ 2U2 +X1−X 2 ≤0 # 2 &
Faire un changement de repère pour mettre l’un des axes parallèle à

l’état limite => intégration sur un rectangle.
U2 U2
U’2
α
U1 U1
U’1
87
Méthode FORM
Fonction d’état limite dans l’espace physique : G(R, S) = R − S = 0
Etape 1 – Changement de variables :
R−R S−S
U1 = U2 =
σR σS
Etape 2 - Écriture de G dans l’espace centré réduit :
G(U1 ,U2 )=(U1 .σ R + R)−(U2 .σ S + S)= 0

Etape 3 – Rotation du repère :
!
U
$ ( +! U ' $
# 1 & = * cos(α ) −sin(α ) -# 1 &
# U & * sin(α ) cos(α ) -# U ' &
" 2 % ) ," 2 %
G(U1',U 2' ) = (σ R cos(α ) − σ S sin(α )).U1' − (σ R sin(α ) + σ S cos(α )).U 2' + R − S = 0
88
Méthode FORM
G(U1',U 2' ) = (σ R cos(α ) − σ S sin(α )).U1' − (σ R sin(α ) + σ S cos(α )).U 2' + R − S = 0
Equation générale du type : a.U1' + b.U 2' + c = 0
a=0
U2
U’2 sin(α ) σR
= tan(α )=
cos(α ) σS
U’0
α ' ' '
U1 G(U1 ,U 2 ) = −(σ R sin(α ) + σ S cos(α )).U 2 +R−S = 0
U’1 R−S
U 2' = = U 0'
(σ R sin(α ) + σ S cos(α ))
89
Méthode FORM
Le déterminant du jacobien de la matrice rotation =1
dU1'. dU 2' = dR. dS
*$ +∞ −1(U ' )2 ' $ +∞ −1(U ' )2 '-

U2
1, ' & ' )/
P= &
& ∫ e 2 1
dU 1 )& ∫
) e 2 2
dU 2)
U’2 2π % −∞
, ( '
/
+ % U0 (.
U’0
U1
+∞ 1
− x2
U’1
∫e 2
dx = 2π
−∞
90
Méthode FORM
*$ +∞ −1(U ' )2 ' $ +∞ −1(U ' )2 '-

1, ' & ' )/
P= &
& ∫ e 2 1
dU 1 )& ∫
) e 2 2
dU 2)
2π % −∞
, ( '
% U0
/
(.
+
= 2π
$ −U0' −1(U ' )2 '
1 & 2 2 ') '
P= ∫ e dU2 = Φ(−U0 )
&
2π % −∞ )
(
Notion d’indice de fiabilité !
U’0 est la plus proche distance entre l’origine et l’état limite.
91
Méthode FORM
$ −U0' −1(U ' )2 '
1 & ') '
P= ∫ e 2 2
dU 2)
= Φ(−U 0
)
&
2π % −∞ (
Fonction de répartition de la gaussienne centrée réduite
−U0'
92
Méthode FORM
93
Méthode FORM
Application : tige en traction
L’état limite est définie par : G = σ résis tance .A− P

P : moyenne = 70MN ; écart type = 15MN
σrésistance : moyenne = 272,72MPa ; écart type = 16,36
La section de la tige est de 0,42m2
Les distributions sont supposées gaussiennes.
Quelle est la probabilité de défaillance ?

Rappel :
La distance entre une droite d’équation a.x + b. y + c = 0 et un point A(x A , y A )
a.x A + b. y A + c
d=
a2 + b2
94
Méthode FORM
95
Méthode FORM
Que représente : mR − mS et σ R2 + σ S2
Que représente β
Donnez une signification de β en vous aidant d’une gaussienne à 1

dimension
96
Méthode FORM
Indice de CORNELL
FZ(z)
Domaine de
sûreté G(r,s)>0
Domaine de
défaillance
G(r,s)<0
βc*σz mz
On définit un indice comme représentant l’écart à la valeur moyenne.
m Z = m R − mS mZ
Z = R −S
βc =
σ Z = σ R2 + σ S2 σZ
97
Méthode FORM
Indice de CORNELL
# mG & # &
m −m
Pf = Φ (−βC ) = Φ % − ( = Φ %% − R2 S2 (
(
$ σG ' $ σ R +σ S '
La situation ou les variables sont gaussiennes et l’état limite est linéaire est la
seule représentation rigoureuse pour cet indice.
Cet indice a des limites :
•  Une représentation différente de la variable Z, pour le même état limite

conduit à une valeur différente de βc.
R
Exemple : Z = − 1 , Z n’est plus une V.A. gaussienne
S
•  Cas ou l’état limite n’est plus linéaire
98
Méthode FORM
Indice de HASOFER et LIND
Pour éviter le problème précédent on utilise l’espace standard :
X1 H(ui)=0 U1
G(xi)=0
X2 U2
Espace physique Espace centré réduit (standard)
99
Méthode FORM
L’indice est ensuite défini comme la distance la plus courte entre

l’origine et l’état limite
t
β = min(d {u}) = {u} {u}
Sous la contrainte : H ({u}) ≤ 0
Pf ≈ Φ(−β )
100
Méthode FORM
Le problème de fiabilité se ramène donc à un problème d’optimisation :
t
β = min(d {u}) = {u} {u} Sous la contrainte : H ({u}) ≤ 0
Il faut donc trouver ui*

Qui minimise d 2 (ui ) (plus facile à utiliser que d(ui ) )
Sous la contrainte H (ui ) = 0
Ce problème se pose sous la forme (multiplicateur de Lagrange) :
2
L(ui , λ ) = d (ui ) + λ H (ui )
101
Méthode SORM
Soit l’état limite suivant :
2 2
H(u1 ,u2 )= u −2 3u1u2 +3u −2 3u1 −2u2 +12
1 2
Changement de variables {u} = [ R] {v}

V1
U2
" %
$ 1 3 ' H(u)<0
$ 2 2 '
[ ] $
R = ' V2
$ − 3 1 '
$# 2 2 '&
U1
102
Méthode SORM
V1
U2
H(u)<0
V2
β
U1
H (v1, v2 ) = 4v12 − 4. v2 +12 = 0 => v2 = v12 + 3
103
Méthode SORM
β =3
Pf _ FORM ≈ φ (−β ) = 0, 001350

104
Méthode SORM
H (v1, v2 ) = 4v12 − 4. v2 +12 = 0 => v2 = v12 + 3
β = 3 ⇒Pf = φ (−3)
Pf _ FORM ≈ φ (−β ) = 0, 001350
105
Méthode SORM
Problème : la fonction n’est pas un hyper-plan !
Erreur
V1
U2
H(u)<0
Erreur
V2
β
U1
106
Méthode SORM
Second Order Reliability Method
FORM Pf ≈ Φ (− β )
Courbures
n−1 1
−
SORM Pf ≈ Φ (−β ) ∏ (1− β κ i ) 2
i=1
Breitung
107
Méthode SORM
! $ " 1 %
# 3 & $ '
2 '
Courbures principales : λ1 = 0, φ1 = ## 2 && λ2 = 0, φ2 = $
1 $ 3 '
# & $ − '
" 2 % # 2 &
Résultat FORM
Pf _ FORM ≈ φ (−β ) = 0, 001350 soit β = 3
Formule de Breitung
1
Pf _ SORM = φ (−β ) = 0,00051 <=> β = 3,285
1+ κβ
Intégration analytique
P = 0,000483 soit β = 3,3

analytique
108
Généralisation
Variable centrée réduite indépendante

X1
û1 U1
X2 û2 U2
(
uˆi = Φ −1 FX ii (xi )) ( )
ui = Γ0,ij Φ −1 FX j (x j )
Espace physique Espace normal corrélé Espace standard
109
Généralisation
Le calcul de l’indice de fiabilité demande deux étapes :
1.  Le passage de l’espace physique vers l’espace standard (variables

centrées, réduites et indépendantes ;
2.  La recherche de la distance la plus courte entre la fonction d’état limite

et l’origine de l’espace standard.
Il faut donc pouvoir transformer toute distribution en une distribution

gaussienne centrée réduite et la rendre indépendante des autres.
On notera :
Variables physiques : Xi Variables gaussiennes normées : Ui
110
Généralisation
Transformation probabiliste
U i = Ti (X j )
u2
x2 Domaine de
défaillance Domaine de
défaillance
P* P*
x * u2* H(ui)=0
2 G(xi)=0 β
* x1 u1
0 x 0 *
1 u
1
111
Généralisation
Cas de variables indépendantes
Il y a indépendance entre les variables si la densité conjointe correspond

au produit des densités marginales.
La transformation peut donc se construire variable par variable : ui = Ti (xi )

Variables gaussiennes
T xi - mx
x i → ui = i
σi
Il s’agit d’une transformation linéaire qui transforme une gaussienne

quelconque en une gaussienne de moyenne nulle et d’écart type unitaire :
N (0,1)
112
Généralisation
Variables gaussiennes
Exemple avec une fonction d’état limite du type : G (R , S ) = R − S

xi - mx
x i → ui = i
=> x i = u i σ i + m x
σi i
La transformation donne : H (u 1, u 2 ) = σ RU 1 − σ SU 2 + m R − mS
Cette fonction est une droite dont la distance la plus courte avec l’origine est
donnée par :
m R − mS
d (0, H ) = =β
σ R2 + σ S2
113
Généralisation
( )
Pf = Φ −β
mS=2
σS=1
σR=1
mR=5
mS=2
σS=1
114
Généralisation
Si la variable Xi ne suit pas une loi normale il est possible de définir la

transformation T en écrivant l’égalité des probabilités pour les deux
variables xi et ui (d’ou isoprobabiliste) :
T
x i → u i définie par : Φ(u ) = F (x )

i x i i
T
x i → u i = Φ−1 (F x (x i ))
i
Si Fx est inversible pour tout xi, la transformation inverse s’écrit :

i
T -1
u i → x i = F x−1 (Φ(u i ))
i
115
Généralisation
Exemple simple avec la transformation gaussienne point par point :
Gaussienne : moyenne=2 ; σ=1
1ère étape
N (2;1)
Xi -> Probabilité
0,158
1,0
116
Généralisation
2ème étape
N (0,1) -> ui
-1,00
0,158
117
Généralisation
3ème étape
Détermination de
la loi entre ui et xi -1,00
1,0
118
Généralisation
Exemple simple avec la transformation du gaussienne point par point :
Gaussienne : moyenne=2 ; σ=1 ; x=1
x i -m x
x i → ui = i
σi
119
Généralisation
Exemple avec la loi uniforme point par point :
Loi uniforme : limite inférieure =2, supérieure=8
120
Généralisation
Cas de variables dépendantes :
1.  Transformation de ROSENBLATT

2.  Approximation selon une loi normale
3.  Transformation de NATAF
121
Généralisation
Méthodes d’optimisation La détermination de l’indice
de fiabilité demande la
G(X)=0 recherche du point de
défaillance le plus probable
noté P*.
S
Appelé aussi point de

A conception il faut utiliser
une méthode d’optimisation
non linéaire dont le choix
β dépendra du problème..
R
0
L’avantage de ce point de
conception est aussi de
pouvoir calculer les cosinus
directeur qui donneront des
i n f o r m a t i o n s s u r l a
sensibilité stochastique des
variables.
122
Généralisation
Cette approche permet également d’accéder à la sensibilité

stochastique des variables par les cosinus directeur :
S u i* = −βαi
P*
β
R
0
123
Généralisation
Bien poser le problème d’optimisation
Dans l’espace normé le point de conception correspond à la

distance la plus courte entre l’origine et l’état limite.
Il faut considérer :
" %
u su l2a' c o n t H
β = min d (u k ) = min $$ s o∑ r a (i u
n t e) ≤ 0
i ' k
# i &
Il faut considérer les questions suivantes :

1.  C o m m e n t o b t e n i r l e m i n i m u m g l o b a l
2.  D i s p o s e t - o n d e s d é r i v é s d ’ o r d r e 1 , v o i r e d ’ o r d r e 2 d e
l a c o n t r a i n t e H (u k ) ≤ 0
3.  C o û t d e c a l c u l n é c e s s a i r e
124
Généralisation
Dans le cas d’un seul scénario de défaillance et donc un

seul état limite il est sûr que l’optimum se trouve sur
l’état limite. Le problème devient :
Trouver : u k*
Qui minimise : d 2 (u k ) = ∑u i2
i
Sous la contrainte : H (u k ) ≤ 0
d 2 (u k ) est préféré car facilite le calcul des dérivées.
Dans le cas de la fiabilité des systèmes (plusieurs états

limite) il faut modifier :
sous les contraintes H t (u k ) ≤ 0

125
Généralisation
Les algorithmes d’optimisation
Calcul de la direction de recherche
Il existe de nombreuses méthodes pour la résolution d’un

problème de minimisation sous contraintes. Il y a 4
catégories principales :
Méthodes d’ordre zéro
1.  D i c h o t o m i e
2.  S i m p l e x e n o n l i n é a i r e
Méthodes du premier ordre
1.  Méthode du gradient

2.  Méthode du gradient projeté
3.  Méthode des pénalités
4.  Méthode du Lagrangien augmenté
126
Généralisation
Calcul de la direction de recherche
Méthodes du second ordre
1.  M é t h o d e d e N e w t o n
2.  M é t h o d e d e p r o g r a m m a t i o n q u a d r a t i q u e s é q u e n t i e l l e
Méthodes hybrides
1.  M é t h o d e s D F P e t B F G S
127
Généralisation
Problématique :
Minimum local
Minimum global
128
Généralisation
Exemple méthode du premier ordre

Méthode du gradient projeté
Principe : se déplacer dans

l ’ e s p a c e t a n g e n t
contraintes actives.
a u x
u2
Phase de descente : définir la
direction de descente qui
minimise la fonction objectif
dans l’espace tangent.
H u =0
{}
P h a s e d e p r o j e c t i o n : o n
projette pour revenir sur les
contraintes actives
u1
129
Généralisation
Synthèse
Pénalité +robuste
-choix arbitraire des pénalités
Gradient projeté +très robuste

-inadapté si forte courbure
HLRF +coût calcul réduit, simple

-forte courbure
SQP +haute efficacité, très robuste

-calcul du Hessien
HLRF : Hasofer-Lind-Rackwitz-Fiessler
SQP : Programmation quadratique Séquentielle
130
Facteurs de sensibilité
L’analyse de la fiabilité permet d’obtenir plusieurs informations :
•  L’indice de fiabilité
•  Les Cosinus directeur
•  Les Facteurs de sensibilité

Regroupés comme facteurs d’importance
•  Les élasticités
•  Les facteurs d’omission
131
132
133
134
L’importance d’une variable peut être vue selon :
•  S e n s i b i l i t é m é c a n i q u e
Influence sur la fonction de performance => liée au système

Si sera donc la dérivée de la fonction de performance G({x})
par rapport aux variables xi
•  S e n s i b i l i t é s t o c h a s t i q u e
Influence sur l’indice de fiabilité => variabilité
135
Sensibilité mécanique
Il s’agit de calculer les dérivées sur la fonction de performance :
({ }) = ∇ G {x }
∂G x
si =
∂x i
( ) i
Dans le cas de variables composées:
"
si =
{ ({y })}%'& = ∑ ∂G "$#{x ({y })}%'& ∂x ({y })
∂G $ x
# i
∂y i j ∂x i ∂y i
Afin de pouvoir comparer les résultats entre eux il est préférable de

normer (élasticité mécanique) :
si =
∂G x ({ }) xi
∂x i
({ }) { } {
G x
x = xr }
136
Attention !!
Pas forcément de liens entre
sensibilité mécanique
et
stochastique
137
Sensibilité fiabiliste
L’étude de l’influence des variables aléatoires et de leurs

paramètres de distribution permet d’étudier le comportement
mécano-fiabiliste.
L’étude se porte surtout au point de défaillance le plus probable.
Il existe plusieurs mesures d’importance :
1.  Sensibilité de l’indice de fiabilité aux variables de conception

2.  Sensibilité de β aux paramètres des lois de distribution
3.  Sensibilité de β aux paramètres de la fonction de performance
4.  Sensibilité de la probabilité de défaillance
Il est possible d’y associer les élasticités.
138
Sensibilité de l’indice de fiabilité
Cas de β avec les V.A. normées :

t
H u ({ }) = {α} {u } + β = 0
Les cosinus directeur sont :
αi =
({ })
∇i H u
∇H ({u })
{ } u*
t
∂β ∂β
{ }{}
β =− α u ⇒ {}
=− α = −αi
∂ u
{ }{ ∂u i
u*} {u *}
Ils représentent les sensibilités de β dans l’espace standard.
139
Cas de β avec les V.A. physiques :
∂β
=∑
∂β ∂u j
= −∑α j
∂T j ({x }) t
= − $J & α{}
∂x i ∂u j ∂x i ∂x i % '
j j
{x *}
Il existe aussi des expressions si les variables physiques sont

dépendantes.
140
Cas de β aux paramètres pi des lois de distribution :
Il s’agit d’étudier les sensibilités de β par rapport à des paramètres

qui qualifient les lois de distribution (moyenne, écart type, …).
Cela peut permettre de mieux contrôler la qualité.

On considère le γème paramètre de la variable Xi : notée Piγ.
∂β u *j
= −α j =
∂u j β
αi =
∂β αi = ∑
∂β ∂u j
= −∑
({ } { })
u *j ∂T j x * , p
γ
∂Pi
γ
j ∂u j ∂p iγ j β ∂Piγ
{u *}
γ
{u *}
141
Facteurs d’omission
Ils expriment l’erreur relative sur l’indice de fiabilité lorsqu’une

variable aléatoire est remplacée par une valeur déterministe :
β u
{} U i =u i
ς (U i = u i ) =
β
β est l’indice d’Hasofer et Lind

β u
{} est l’indice conditionné calculé pour la variable déterministe
U i =u i
Ui = ui
142
Ils expriment l’erreur relative sur l’indice de fiabilité lorsqu’une

variable aléatoire est remplacée par une valeur déterministe :
! $
({ }) = β + ∑α U
H U
i
i i
=0 devient H # U U k = u k & = β + αk u k + ∑αiU i = 0
" {} %
i ≠k
L’indice de fiabilité conditionné est :

β + αk u k β + αk u k
β = =
{U }U =u 2
1 − αk2
k k
∑α i
i ≠k
Le facteur d’omission qui en découle :
αk u k
β 1+
{U }U k
=u
k β
ς (U =u )
= =
k k
β 1 − αk2
143
Exemple :
Soit un état limite avec deux V.A. normale indépendantes :
G (X 1 , X 2 ) = X 1 − X 2
mX1=5 σX1=0,8
mX2=2 σX2=0,6
Les deux transformations pour l’espace standard sont :
X1 −5 X2 −2
U1 = U2 =
0,8 0,6
L ’ é t a t l i m i t e d e v i e n t : H (U ,U ) = 3 + 0,8.U − 0,6.U
1 2 1 2
β + α R u R + αS u S = 0
m R − mS 5−2 " % {u *} = −β {α } " %

β= = =3 α * = $ 0,8 '
{ } u * = $ −2, 4 '
{ }
σ R2 + σ S2 0,82 + 0,62 $# −0,6 '& $# 1,8 '&
144
Exemple :
En imposant la valeur de la première variable :
H (U 1 = u 1,U 2 ) = 3 + 0,8.u 1 − 0,6.U 2
u2 H (U 1,U 2 ) = 0
H (U 1 = u 1,U 2 ) = 0
β
{U }U =u
1 1
βU
{}
u1
145
Exemple :
En imposant la valeur de la première variable :
H (U 1 = u 1,U 2 ) = 3 + 0,8.u 1 − 0,6.U 2
β + αk u k 3 + 0,8 * u 1
β = =
{U }U =u
1 1
1 − αk2 0,6
αk u k 0,8u 1
β 1+ 1+
L e f a c t e u r d ’ o m i s s i o n e s t : ς (U =u ) =
{U }U k
=u
k
=
β
= 3
1 1
β 1 − αk2 0,6
0,8u 1 (= 0)
1+
3 1
P o u r l ’ e x e m p l e o n f i x e x 1 = 5 ( u 1 = 0 ) = > ς (U =u ) = = = 1,67
1 1
0,6 0,6
β =5
{U }U =u1 1
146
6 Sûreté de fonctionnement
E3
E1 E4
E7
E2 E5
E6
Introduction
Toutes les notions vues précédemment concernaient un composant
générant un scénario de défaillance et donc un état limite.
Ici la notion de système est considéré et donc plusieurs composants

sont concernés conduisant à une combinaison d’évènements.
Ceux-ci peuvent conduire à la défaillance du système.
Ce chapitre concerne davantage la sûreté de fonctionnement :
La sûreté d e fonctionnement (SdF) traduit la confiance qu'on peut

accorder à un système ;
La sûreté de fonctionnement est la propriété qui permet aux

utilisateurs du système de placer une confiance justifiée dans le
service qu'il leur délivre
La sûreté de fonctionnement est considérée comme la science des

défaillances et des pannes.
148
Introduction
Un système subit une défaillance quand il ne peut plus délivrer le
service attendu. La panne est l’état du système résultant d’une
défaillance.
Les combinaisons suivantes seront explorées :
•  Série ;
•  Parallèle ;
•  Série de combinaisons parallèles ;
•  Parallèle de combinaisons séries ;
•  Parallèle conditionnelles.
149
Introduction
Considérons une population de N équipements, mis en service à
l'instant 0. À l'instant t, il reste R(t)×N équipements en
service ; la proportion R(t) est la fonction de survie de
l’équipement considéré. Cette fonction R(t) est la probabilité de
n’avoir connu aucune défaillance jusqu’à l’instant t.
Le taux de défaillance instantané est le taux de défaillance

d'un système ayant fonctionné pendant une durée t.
λ(t) = taux de défaillance instantané après t heures de service
La densité de probabilité ƒ(t) d'avoir une défaillance dans la

population restante vaut donc
f (t)= R(t).λ(t)
150
Introduction
Comme la probabilité de défaillance représente la variation
(négative) de la population, on a aussi
dR
f (t)= −
dt
D’où :
d ln(R)
λ(t)= −
dt
Finalement :
− λt
R(t)= e
151
Introduction
Mean Time Before Failure = Temps moyen entre pannes
MTBF =
∑ ( duréede fonctionnement −duréede panne )
nombrede pannes
Notion de taux de défaillance constant : λ
1
MTBF =
λ
152
Introduction
Un système subit une défaillance quand il ne peut plus délivrer le
service attendu. La panne est l’état du système résultant d’une
défaillance.
Fiabilité à la date t, notée R(t): probabilité d’atteindre la date t

sans défaillance
153
Systèmes en série
Considérons un ensemble d’évènements ayant chacun une défaillance
Ei, associée à une probabilité P(Ei). Le système est un système série
si l’occurrence d’un seul événement entraine la défaillance de
l’ensemble du système.
La probabilité de défaillance du système Pfsys, est alors la

probabilité de l’union des évènements de défaillance :
Psys = Prob(∪Ei )
Principe du maillon le plus faible !
E1 E2 E3 E4
154
Systèmes en série
Psys = Prob(E1 ∪E2 )= P(E1 )+ P(E2 )− P(E1 ∩E2 )
E1
E2
155
Systèmes en série
La défaillance d’un des maillons entraine la rupture du système :
n
Rsystème (t)= ∏ Ri (t)
1
Exemple :
R1 (t) = 0,99
R2 (t) = 0,97
R3 (t) = 0,96
R4 (t) = 0,98
R5 (t) = 0,99
Quelle est la fiabilité d’un système avec ces 5 maillons en série ?

Si R2 passe à 0,65 ?
156
Systèmes en parallèle
Considérons un ensemble d’évènements ayant chacun une défaillance
Ei, associée à une probabilité P(Ei). Le système est un système
parallèle si la défaillance de tous les événements est nécessaire pour
entrainer la défaillance du système.
La probabilité de défaillance du système Pfsys, est alors la

probabilité de l’intersection des évènements de défaillance :
E1
Psys = Prob(∩Ei )
E2
E3
Principe de la redondance
E4
157
Pour deux évènements la probabilité du système s’écrit :
Prob(E1 ∩E2 )= P(E1 ).P(E2 E1 )= P(E2 ).P(E1 E2 )
On retrouve les probabilités conditionnelles puisqu’il faut que E1 soit

réalisé pour étudier la réalisation de E2.
P(E2 E1 ) signifie la probabilité de réalisation de E2 sachant
que E1 est réalisé
158
n
Rsystème (t)= 1− ∏(1− Ri (t))
1
Exemple :
R1 (t) = 0,80
Avec 1 élément, 2 éléments, 5 éléments
Quelle est la fiabilité d’un système avec ces 5 maillons en // ?
159
Systèmes série de parallèle
Pf = Pr ob (∪(∩E i ) j )
sys j i
E3
E1 E4
E7
E2 E5
E6
160
Systèmes série de parallèle
Pf = Pr ob (∩(∪E i ) j )
sys j i
E1 E2 E3
E4 E5
161
Exemple
Quelle est la fiabilité de ce système ?
Elément R
1 0,65
1
2 0,65
5 7
3 0,65
2 4
4 0,96
6 8
5 0,92
3 6 0,89
7 0,87
8 1,0
162
Exemple
163

Cours Durabilite Composite Guillaumat v1 2015-11-09 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cours Durabilite Composite Guillaumat v1 2015-11-09 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Approche Mécano-Fiabiliste

Pur hasard ? Géométrie

Répartition des masses

Trop de paramètres, souvent inconnus

Loi binomiale => Loi de Gauss

Incertain : qui n’est pas sûr, qui n’est pas établi

Quelle sera la température dans 30 jours ?

Variabilité : Disposition à varier; caractère de ce

L’incertain en mécanique peut être dû à :

Exemple de la conception d’un véhicule :

Danger de considérer qu’une valeur moyenne

Danger de ne considérer qu’une valeur moyenne

La valeur moyenne ne se réalise jamais

Indépendant du temps : variable aléatoire

Variable dans l’espace géométrique : champs aléatoire

Variable dans le temps : processus stochastique

Toutes les méthodes ne s’appliquent pas à tous les types

Toutes les représentations ne suffisent pas non plus à

Fiabilité : aptitude d’un bien à accomplir une

Notion qualitative, désigne une valeur de la probabilité d’être en état de fonctionnement. On

Robustesse : aptitude d’un bien à fonctionner

Durabilité : aptitude d’un bien à accomplir une

Suggère l’existence d’une limite, réglementaire, technico-économique, maintenabilité.

Défaillance : cessation de l'aptitude d'un bien

La fonction n’est plus assurée. Notion différente de rupture.

Dégradation : évolution irréversible d'une ou

Il s’agit davantage d’altération de fonction, phénomène continu,

Mode de défaillance : phénomène conduisant

Scénario de défaillance : enchainement

Il s’agit d’une remise en état de bon fonctionnement après

L’objectif est d’éviter la perte de fonction, notion probabiliste,

L’approche fiabiliste est un outil de conception et

Objectif en conception : atteindre les exigences de

Ne se substituera jamais à la physique

Nécessite une équipe :

Modèle physique pour chaque mode

Variables aléatoires, distributions, …

1. U n e m é t h o d o l o g i e i n t é g r é e considérant les

1. L e s m é t h o d o l o g i e s d é r i v é e s des techniques

1 - Définir le modèle mécanique (AMDEC) ;

2 - Définir les données probabilistes, ou variables de conception ;

3 - Choisir le scénario de défaillance (dimensionnant pour la structure)

4 - Effectuer les calculs de probabilité ;

5 - Analyser les résultats, étude de sensibilité.

Densité conjointe de probabilité

Ecart moyenne entre R et S

Ecart entre moyenne R et S

Que se passe t-il si le calcul analytique n’est pas possible ?

Par exemple utilisation des éléments finis

Le temps de calcul est probablement incompatible avec un grand nombre

L’idée est de remplacer le calcul par une modélisation analytique de la

1. Plans d’expériences

2. Chaos polynomiales

Identification d’un polynôme empirique à des points particuliers de l’espace

Y = a0 + ∑ ai Xi + ∑ aij Xi X j + ∑ aii Xi2

⇒ Tirage de Monté-Carlo sur le polynôme

Approximation suivant le polynôme :

Identification des coefficients ai par différentes techniques

Le Krigeage est la méthode optimale, au sens statistique du terme, d’estimation.

Il faut identifier les poids wi :

3,60 (10 tirages) 2,96 (102 tirages)

3,18 (103 tirages) 3,12 (104 tirages)

3,148 (105 tirages)

1.  U n e m é t h o d o l o g i e i n t é g r é e considérant les

1.  L e s m é t h o d o l o g i e s d é r i v é e s des techniques

1.  Plans d’expériences

2.  Chaos polynomiales

⇒  Tirage de Monté-Carlo sur le polynôme

3.  V é r i f i c a t i o n d e l ' o b t e n t i o n d ' u n é t a t d e

•  Une représentation différente de la variable Z, pour le même état limite