Identification et recalage d'un modèle de barrage par vibrations amdiantes et algorithme génétique

Abstract

L'un des défis de la surveillance de la santé structurale des grands ouvrages, consiste à fournir un modèle numérique de référence précis et fiable pour prédire le comportement de la structure réelle pendant sa durée de vie. Le barrage de Mahouane a été choisi pour mener la présente étude. Un modèle en éléments finis a été élaboré puis recaler pour servir de référence. Comme ce barrage est constitué de plusieurs couches de matériaux avec des caractéristiques différentes, il est relativement compliqué de recaler le comportement de l’ensemble de ces matériaux. A cet effet, une méthode basée sur l'intelligence artificielle a été adoptée dans la procédure de recalage, utilisant un algorithme génétique approprié pour de tels problèmes inverses avec des fonctions multi-objectifs. Des modèles numériques du barrage avec différents niveaux de détails ont été élaborés et contre-vérifiés. Le modèle bidimensionnel (2D) a été choisi pour le calage, car il représente avec précision relativement correcte le comportement global du barrage dans le sens transversal et il est moins coûteux en termes de calcul. Pour constituer les données expérimentales de calage, des séries d'essais de vibrations ambiantes in-situ ont été effectuées pour identifier les propriétés modales de la structure réelle (fréquences naturelles) utilisées comme base de données pour le modèle numérique de référence représentant l’état initial. La structure comporte six modules élastiques correspondant aux différents matériaux constituant le barrage. Dans la procédure suivie, l’algorithme génétique génère d'abord une population initiale en utilisant des sélections aléatoires à partir d'intervalles ayant cinq valeurs discrètes de chacun des six modules élastiques. Ensuite, l'algorithme génétique est appliqué pour croiser et muter les individus de la population après plusieurs itérations. Par la suite choisir dans chacune des itérations, les meilleurs individus pour les prochains parents jusqu'à la dernière itération qui converge vers une meilleure corrélation. Les fonctions « Objectif » de l'algorithme sont une combinaison d'erreurs dans l'évaluation des s fréquences fondamentales cibles. Les résultats obtenus montrent que l'algorithme génétique est très efficace pour optimiser les paramètres et converge en quelques itérations vers une solution optimale.