Contribution à la modélisation de la fissuration par fatigue sous chargements constants

Abstract

La propagation des fissures de fatigue est essentielle pour comprendre l’intégrité structurelle dans les industries confrontées à des chargements cycliques. Les recherches existantes se concentrent sur le développement de modèles prédictifs pour minimiser les risques de défaillance et optimiser la conception/maintenance. Cette thèse propose une nouvelle approche qui combine les méthodes traditionnelles et celles de l'intelligence artificielle pour améliorer la précision et l'efficacité des modèles de prédiction des fissures de fatigue, en surmontant les limites des méthodes actuelles. Une tentative a été faite pour développer un modèle de prédiction des fissures de fatigue utilisant la fonction Gamma, prenant en compte divers facteurs d'influence et vitesses de propagation sous forme non dimensionnelle. La validation des résultats sera effectuée en les comparant avec ceux du modèle de paris. De plus un modèle de réseau neuronal prédira la longueur des fissures en fonction des cycles de fatigue, intégrant l’apprentissage par rétropropagation avec les méthodes d'optimisation de Levenberg-Marquardt (LM) et Loup Gris (Grey Wolf Optimisation GWO). Il utilise une couche cachée avec 12 neurones activés par la fonction d’activation tangente hyperbolique et une fonction d'activation linéaire pour la couche de sortie. La combinaison de méthodes d'optimisation améliore la précision du réseau neuronal dans la prédiction de la propagation des fissures de fatigue dans diverses conditions de chargement.