Mecanique

Conception d’organes automobiles par optimisation
topologique
Sonia Calvel
To cite this version:

Sonia Calvel. Conception d’organes automobiles par optimisation topologique. Mathématiques [math].
Université Paul Sabatier - Toulouse III, 2004. Français. �NNT : �. �tel-00007196�
HAL Id: tel-00007196

https://theses.hal.science/tel-00007196
Submitted on 25 Oct 2004
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
UNIVERSITE PAUL SABATIER TOULOUSE III
U.F.R. Mathématiques Informatique Gestion
THE? SE
POUR OBTENIR LE GRADE DE
DOCTEUR DE l'UNIVERSITE TOULOUSE III

Discipline : Mathematiques Appliquees
Presentee et soutenue par

Sonia CALVEL
le mardi 5 octobre 2004
Conception d'organes automobiles

par optimisation topologique
Directeur de thèse :
M. MONGEAU Maître de conférence HDR, Université Paul Sabatier
Composition du jury :
M.P. BENDSØE Professeur, Technical University of Denmark (Rapporteur)
A. TITS Professeur, University of Maryland (Rapporteur)
?
C. BES Professeur, Université Paul Sabatier (Examinateur)
M. MASMOUDI Professeur, Université Paul Sabatier (Examinateur)
Y. TOURBIER Dr, Chef de projet, Renault S.A. (Examinateur)
S. GRIHON Dr, Chef de service, Airbus Toulouse (Invité)
Remerciements
Je tiens tout d'abord à remercier Marcel Mongeau qui a dirigé ces travaux. Ses
conseils scientiques et humains m'ont été précieux.
Je suis reconnaissante à Martin Bendsøe et André Tits d'avoir accepté, malgré
la distance, d'être rapporteurs de cette thèse.
J'exprime toute ma gratitude à Yves Tourbier, pour m'avoir proposé cette thèse
et pour l'avoir suivie au sein de Renault. Son investissement a été essentiel pour
mener à bien ce travail de recherche.
Je remercie également Mohamed Masmoudi, Christian Bès et Stéphane Grihon
d'être membres du jury.
J'adresse mes remerciements à tous les membres du laboratoire Mathématiques
et Applications de l'Université Paul Sabatier, pour m'avoir accueillie lors de mes
passages à Toulouse.
J'ai une pensée particulière pour toutes les personnes que j'ai côtoyées chez Re-
nault au cours de ces trois ans. En particulier, merci à Nadine, Caroline, Gaëlle,
Marc, Magali et François pour l'intérêt qu'ils ont porté à mon travail ainsi que pour
l'aide qu'ils ont su m'apporter.
Enn, je remercie du fond du coeur mon entourage, famille et amis, de m'avoir
soutenue et encouragée tout au long de ces trois ans, et tout particulièrement, un
grand merci à Stéphane.
Table des mati?eres
Introduction 4
1 Motivations pratiques et applications Renault 7
1.1 L'allégement chez les constructeurs automobiles . . . . . . . . . . . . 7
1.2 Exemples de composants automobiles . . . . . . . . . . . . . . . . . . 9
1.2.1 Une pièce de la caisse : la face avant technique . . . . . . . . . 9
1.2.2 Une pièce du groupe moto-propulseur : la face accessoires . . . 13
1.3 Apports de l'optimisation topologique pour la conception . . . . . . . 14
1.4 Limitations actuelles de l'optimisation topologique pour la conception 18
2 Notions préalables en mécanique des structures 21
2.1 La theorie de l'elasticite lineaire . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Denitions préalables . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Introduction à l'élasticité linéaire . . . . . . . . . . . . . . . . 24
2.1.3 La méthode variationnelle en élasticité . . . . . . . . . . . . . 26
2.1.4 Méthode des éléments nis en élasticité . . . . . . . . . . . . . 28
2.2 Quelques critères mecaniques utilisés chez Renault . . . . . . . . . . . 31
2.2.1 Critères statiques . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Critères dynamiques . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Calcul d'une base modale et méthode de recomposition . . . . . . . . 35
2.3.1 Calcul de la base modale . . . . . . . . . . . . . . . . . . . . . 36
2.3.2 Méthode de recomposition modale . . . . . . . . . . . . . . . . 36
3 Méthodes d'optimisation topologique 41
3.1 Les méthodes de distribution de mati?ere sur un maillage de conception 42
3.1.1 Méthodes conduisant à un problème d'optimisation discrète . 43
3.1.2 Les méthodes d'homogénéisation . . . . . . . . . . . . . . . . 50
3.1.3 La methode SIMP . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1.4 Dicultés fréquemment rencontrées avec les méthodes de dis-
tribution de matière . . . . . . . . . . . . . . . . . . . . . . . 61
3.2 Les méthodes basées sur le gradient de forme . . . . . . . . . . . . . . 63
3.2.1 Le gradient de forme . . . . . . . . . . . . . . . . . . . . . . . 63
3
3.2.2 La methode des lignes de niveaux . . . . . . . . . . . . . . . . 65
3.2.3 Le gradient topologique . . . . . . . . . . . . . . . . . . . . . 68
3.3 Les methodes evolutives . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4 Choix d'une méthode adaptée à notre problématique . . . . . . . . . 71
4 Optimisation numérique 75
4.1 Méthodes d'optimisation locale dans le cas d'un problème sans con-
trainte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1.1 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1.2 Méthodes de descente . . . . . . . . . . . . . . . . . . . . . . . 78
4.1.3 Méthode de Newton . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Méthodes d'optimisation locale dans le cas d'un problème avec con-
traintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2.1 Problèmes avec contraintes d'égalité . . . . . . . . . . . . . . . 81
4.2.2 Problèmes avec contraintes d'inégalité . . . . . . . . . . . . . 83
4.3 Calcul des sensibilites . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3.1 Calcul de l'etat adjoint . . . . . . . . . . . . . . . . . . . . . . 90
4.4 Algorithmes d'optimisation globale . . . . . . . . . . . . . . . . . . . 91
4.4.1 Les méthodes déterministes . . . . . . . . . . . . . . . . . . . 92
4.4.2 Les méthodes stochastiques . . . . . . . . . . . . . . . . . . . 93
5 Mise en oeuvre de la méthode : Choix algorithmiques 97
5.1 E tude et choix algorithmiques pour la méthode SIMP . . . . . . . . . 99
5.1.1 Réglage du paramètre p de la méthode SIMP . . . . . . . . . 100
5.1.2 E tude de la forme de la fonction de pénalisation de la méthode
SIMP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.2 Formulation mathématique des contraintes dynamiques . . . . . . . . 107
5.2.1 Discrétisation et agrégation . . . . . . . . . . . . . . . . . . . 110
5.2.2 Modélisation de la courbe de compliance dynamique . . . . . . 117
5.3 Un problème d'optimisation globale . . . . . . . . . . . . . . . . . . . 120
5.4 E tude et choix réalisés pour l'algorithme CFSQP . . . . . . . . . . . 132
6 La maquette logicielle DynamiTO : application à une pièce automobile135
6.1 La maquette logicielle DynamiTO . . . . . . . . . . . . . . . . . . . . . 135
6.1.1 Architecture de DynamiTO . . . . . . . . . . . . . . . . . . . . 136
6.1.2 Entrées - Sorties de la maquette . . . . . . . . . . . . . . . . . 137
6.1.3 Exemple d'application à une console cubique . . . . . . . . . . 139
6.2 Optimisation topologique d'une face accessoires . . . . . . . . . . . . 143
Conclusion 158
4
Introduction
En raison de l'exigence croissante des clients en terme de sécurité et de confort

(notamment vibratoire et acoustique), la masse des véhicules automobiles est en
constante augmentation depuis 1980. Cette dérive pondérale présente des eets né-
gatifs sur la consommation, sur la performance et plus généralement sur l'agrément
de conduite. Ainsi, la plupart des constructeurs automobiles, et notamment Renault,
mène des études an d'alléger les véhicules tout en respectant un cahier des charges
garant des exigences de confort et de sécurité.
L'objectif de l'optimisation topologique est de déterminer, très en amont des
projets, les caractéristiques d'une pièce ou d'une structure mécanique. Il s'agit de
dénir dans l'espace disponible (place que la pièce peut occuper dans le véhicule) où
il est avantageux de mettre de la matière. Le calcul est introduit susamment tôt
dans le processus de conception an d'envisager et de tester des solutions originales
et non pas forcément de reconduire des solutions adoptées sur des projets véhicules
précédents, pour lesquelles les possibilités d'amélioration sont limitées.
Aujourd'hui l'optimisation topologique d'un organe mécanique n'est possible
qu'à partir d'un cahier des charges simplié car toutes les contraintes déclinées sur les
projets véhicules (notamment celles concernant le comportement vibro-acoustique de
la pièce) ne peuvent être prises en compte dans les solutions logicielles actuellement
disponibles sur le marché. Ceci est un frein important à l'utilisation de l'optimisation
topologique dans le processus de conception d'un constructeur automobile comme
Renault.
Ainsi, l'enjeu principal de la thèse est de développer une méthodologie d'optimi-
sation topologique et une solution logicielle associée, permettant la prise en compte
d'un cahier des charges intégrant des contraintes dynamiques et conforme à ceux
utilisés chez Renault.
Dans le chapitre 1 de ce document, nous développerons la problématique d'allé-
gement et ses enjeux pour Renault. Nous décrirons à l'aide d'exemples, les méthodes
actuelles de conception, leurs limitations et la problématique à laquelle nous nous
intéressons (prise en compte de critères dynamiques, primordiaux dans la conception
de composants automobiles).
Le chapitre 2 concernera les notions de mécanique nécessaires à la compréhension
5
des termes utilisés par la suite. Après avoir rappelé la théorie de l'élasticité linéaire,
nous introduirons les critères dynamiques que les ingénieurs de Renault utilisent
pour la conception de pièces automobiles.
Nous ferons dans le chapitre 3 un état de l'art des méthodes d'optimisation
topologique. Nous comparerons ces diérentes techniques et nous justierons le choix
de la méthode des matériaux ctifs appelée SIMP, qui nous paraît la plus adaptée
à la résolution de notre problème particulier.
Cette méthode d'optimisation topologique conduit à un problème d'optimisa-
tion continue de grande dimension. Nous discuterons donc dans le chapitre 4 des
méthodes d'optimisation numérique adaptées à la résolution d'un tel problème, et
notamment de la méthode FSQP que nous avons retenue. Nous terminerons ce cha-
pitre par un bref état de l'art des méthodes d'optimisation globale.
Les deux derniers chapitres concerneront l'application et l'évaluation de la mé-
thodologie d'optimisation topologique que nous proposons.
Plus précisément, le chapitre 5 concernera nos choix algorithmiques pour la mise
en oeuvre de la maquette logicielle DynamiTO que nous avons développée : réglages
des paramètres de la méthode SIMP et de l'algorithme d'optimisation FSQP.
L'architecture et le principe de fonctionnement de DynamiTO seront décrits dans le
chapitre 6. Nous donnerons également dans ce dernier chapitre les résultats obtenus
pour la conception d'une pièce du moteur automobile : la face accessoires.
6
Chapitre 1
Motivations pratiques et applications
Renault
Nous décrivons dans ce chapitre la problématique de conception des pièces au-

tomobiles.
An d'illustrer notre propos et de mettre en évidence la diculté de résolution
de tels problèmes, nous citerons l'exemple de deux composants automobiles. Nous
parlerons alors des techniques actuelles de résolution et de ce que peuvent apporter
les méthodes de conception sans a priori. Enn, pour terminer, nous expliquerons
les limitations actuelles de l'optimisation topologique et les solutions apportées par
ce travail de recherche.
1.1 L'allégement chez les constructeurs automobiles

La réduction des gaz à eet de serre et plus particulièrement la réduction des
émissions de CO2 fait partie des principaux challenges environnementaux mondiaux.
L'accumulation de ces gaz dans l'atmosphère est en eet considérée comme une des
causes du réchauement climatique observé depuis plusieurs années.
Les véhicules automobiles étant en partie responsables des émissions de ces gaz
(17% des émissions de CO2 provenant de la combustion des énergies fossiles - étude
réalisée par Booz, Allen et Hamilton), l'Association des Constructeurs Européens
d'Automobiles (ACEA) a proposé en 1997, suite à la conférence de Kyoto, de réduire
en Europe les émissions moyennes de CO2, sur un cycle de conduite normalisé, à
140g par kilomètre en 2008, ce qui représente une réduction de 25% par rapport à
la valeur de référence en 1995.
Dans un véhicule, les émissions de CO2 sont directement corrélées à la consom-
mation. Ainsi, hormis les gains liés à l'amélioration du rendement du moteur, l'aé-
rodynamique et le poids du véhicule inuent sur les quantités émises. Par exemple,
si on prend un véhicule du type Scénic Essence émettant environ 160g de CO2 par
7
Chapitre 1 : Motivations pratiques et applications Renault
kilomètre, une réduction de masse de 10kg permet un gain d'environ 1g de CO2 par
kilomètre. Sachant, de plus, que les réductions de poids permettent des économies
de matière première, une amélioration de la performance et plus généralement un
meilleur agrément de conduite, construire des véhicules les plus légers possible est
un thème prépondérant dans l'industrie automobile.
Or, en parallèle les exigences en confort acoustique et vibratoire, en niveau d'équi-
pement règlementaire ou de confort et surtout en matière de sécurité n'ont cessé
d'augmenter, ce qui s'est traduit par un alourdissement croissant des véhicules. Par
exemple, 225kg séparent une R19 de 1989 et une Mégane2 berline de 2002, soit 22%
d'augmentation de masse en 13 ans, équivalent à environ 17kg par an (cf. gure 1.1).
Fig.
1.1 Evolution de la masse des véhicules en fonction de l'année de sortie.
L'allégement des véhicules est donc devenu une problématique cruciale chez les
constructeurs automobiles. L'objectif poursuivi est de minimiser la masse des véhi-
cules tout en améliorant les prestations 1 sécurité, acoustique et confort.
Aussi, la conception de chaque composant mécanique consiste souvent à trouver
un compromis entre des objectifs contradictoires : diminuer la masse et améliorer
les niveaux de diérentes prestations (acoustique, sécurité, ). Nous illustrerons
:::
cette problématique au travers d'exemples donnés dans la partie 1.2 et nous mon-
trerons dans la partie 1.3 comment un outil de conception sans a priori peut faciliter
l'obtention de solutions.
1. La prestation client est l'ensemble de ce qu'attend une personne d'une automobile, de ce
qu'elle peut ressentir en regardant ou en utilisant un véhicule, ce dont elle peut parler en bien ou
en mal à son propos.
8
1.2 Exemples de composants automobiles
Dans un véhicule, quatre zones représentent plus de 80% de la masse. Il s'agit
par ordre d'importance décroissante, de la caisse 2, du groupe moto-propulseur 3, des
sièges et du châssis (liaison au sol).
Dans la conception des véhicules, des objectifs d'allégement sont déclinés au ni-
veau de la conception de très nombreuses pièces. An d'illustrer le type de cahier
des charges pris en compte et notamment de montrer l'importance des critères dy-
namiques (réponses aux excitations du moteur), nous allons présenter le cas de deux
composants automobiles : une pièce de la caisse, appelée face avant technique et une
pièce du groupe moto-propulseur appelée face accessoires.
Ces deux exemples nous permettront également de décrire les méthodes actuelles
de conception et d'introduire celle qui est proposée dans cette thèse.
1.2.1 Une pièce de la caisse : la face avant technique
La face avant technique d'un véhicule automobile (cf. gure 1.2) est une pièce de
la caisse du véhicule qui se trouve en avant du bloc moteur et qui a pour fonction de
supporter diérents organes comme l'éclairage principal et auxiliaire, le système de
refroidissement moteur (radiateur), les systèmes d'absorption de chocs et les pare-
chocs, les guides d'air, l'électronique embarquée, les serrures et butées de capot,
divers réservoirs et autres équipements traditionnellement présents dans cette partie
du véhicule (cf. gure 1.3).
Fig. 1.2 Une face avant technique.

2. Tout le véhicule sauf les trains, les roues, le moteur, les échappements et les ouvrants.
3. Moteur, boîte de vitesse et transmission.
9
Fig. 1.3 La face avant technique dans la caisse.
La face avant technique est une pi?ece impactant les prestations vibro-acoustiques
et endurance de la caisse puisque sa position est transversale (elle relie les deux côtés
de caisse).
Aujourd'hui, cette pièce est souvent en plastique pour des raisons d'allégement
et de facilite d'accrochage des accessoires, ou composite (plastiques et acier). Elle
pèse en général entre 3 et 4kg.
La problématique de conception d'une face avant technique consiste ainsi à trou-
ver une pièce de masse minimale qui respecte les contraintes suivantes (les notions
mécaniques évoquées sont dénies dans le chapitre 2) :
Contraintes de résistance : raideurs dites statiques
Contrainte de raideur au niveau des butees de capot et de la serrure,
qui est essentielle pour eviter que la face avant technique ne s'aaisse et
que les optiques ne cassent si on claque le capot trop fort. On contraint
la raideur statique, c'est-à-dire la déformation sous un eort donné, au
niveau des deux butees de capot et au niveau de la gache de la serrure.
Contrainte de resistance du capot ?a l'arrachement pour eviter que la
serrure ne se rompe et le capot ne se soul?eve a? cause d'une forte prise au
vent, par exemple lorsqu'on roule sur autoroute.
Prestations en vibro-acoustique : raideurs dites dynamiques
La face avant technique joue un rôle primordial dans les prestations vibro-
acoustiques de la caisse. Elle doit permettre de (( ltrer )) le bruit et les vibra-
tions lies au fonctionnement du moteur, an qu'ils ne soient pas répercutés sur
10
Fig. 1.4 Mesures de raideurs dynamiques sur la caisse.
Fig. 1.5 Inertance mesurée sur le support moteur.
le pare-brise, ce qui se manifesterait par un bruit dans l'habitacle perceptible

par le conducteur et les passagers.
La face avant technique permet de rigidier la caisse en vue de diminuer l'im-
pact des excitations du moteur. On évalue sa raideur selon deux types de
critères (cf. gure 1.4) :
L'inertance du support moteur : On trace les courbes d'inertance 4 du
support moteur (point d'entrée des excitations du moteur vers la caisse)
an de vérier que la face avant technique joue bien son rôle de (( ltre )).
On pourra voir un exemple de courbe d'inertance sur la gure 1.5.
Sur une telle courbe, on peut voir plusieurs pics correspondant aux grands
4. On appelle inertance ou raideur dynamique (en un point et dans une direction de l'espace)
la décomposition en fréquences de la réponse de la structure à une excitation (cf. chapitre 2).
11
Fig. 1.6 Transfert acoustique entre le support moteur et le pare-brise.
modes propres de la caisse. On note qu'ici il ne servirait a? rien d'augmen-

ter la fréquence du (ou des) premier(s) mode(s) car le spectre d'excitation
du moteur (lorsque le régime varie) est tr?es grand et les modes decales se-
raient quand meme excites. Il s'agit ainsi d'abaisser les pics de la courbe
d'inertance, c'est-à-dire d'imposer que la courbe soit au-dessous d'une
courbe de référence donnée.
Le transfert acoustique entre le support moteur et le pare-brise : On
trace les courbes de transfert 5 entre le point d'entrée des excitations
du moteur et le pare-brise (un exemple de transfert est donne sur la
gure 1.6). Le cahier des charges impose que la courbe calculee reste,
pour toutes les frequences, au-dessous d'une courbe de reference donnee
(appelée calibre). Le but recherché est que les excitations du moteur ne
se répercutent pas comme une vibration du pare-brise, ce qui conduirait
à un bruit perceptible par les occupants du véhicule.
Prestations endurance et sécurité
Dans le processus actuel, une fois que l'on a trouvé la face avant technique de
masse minimale et respectant le cahier des charges, on vérie a posteriori les
prestations liées à l'endurance et à la sécurité.
Ainsi, dans la conception de la face avant technique, les aspects dynamiques
(inertances et transferts acoustiques) sont essentiels pour assurer les bonnes perfor-
mances vibratoires et acoustiques du véhicule.
Pourtant, il est dicile et peu intuitif de comprendre quelle est l'inuence de la
face avant technique sur les inertances et les transferts de la caisse. On verra dans la
partie 1.3 comment des procédures automatiques d'optimisation et notamment les
5. On appelle transfert acoustique d'un point A à un point B (dans une direction donnée de
l'espace) la décomposition en fréquences de la réponse de la structure au point B à une excitation
au point A (cf. chapitre 2).
12
méthodes d'optimisation topologique peuvent aider les ingénieurs à aborder un tel
problème de conception.
1.2.2 Une pièce du groupe moto-propulseur : la face acces-

soires
Le groupe moto-propulseur est une source de bruits et de vibrations importante
dont on cherche à reduire l'impact.
La resolution de ce probl?eme passe par un travail en reponse forcee : on si-
mule sur banc l'excitation du groupe moto-propulseur (au niveau des quatre pis-
tons sur le vilebrequin) ?a certaines frequences (correspondant aux diérents régimes
tours/minute du moteur), puis on mesure les accelerations qui en resultent. Le
probl?eme consiste ?a minimiser ces accelerations.
Sur le graphique obtenu (ensemble de courbes representant les accelérations du
groupe moto-propulseur pour dierents régimes du moteur), les fortes accélérations
correspondent soit aux modes propres du groupe moto-propulseur, soit à ceux de
pièces particulières (comme la face accessoires). Pour réduire tous les pics de la
courbe, on recherche quelles sont les pi?eces excitees qui sont entrées en résonance.
Un cahier des charges est alors decline pi?ece par pi?ece, an d'élever leurs frequences
propres et d'améliorer leur comportement dynamique (optimisation d'inertances).
On prend ici l'exemple d'une face accessoires qui fait partie du groupe moto-
propulseur. Elle est xée au moteur par le carter-cylindres et permet l'accrochage au
moteur du compresseur d'air et de l'alternateur (cf. gure 1.7). La face accessoires est
une petite pièce légère (environ 2kg) qui doit supporter des accessoires relativement
lourds : le compresseur et l'alternateur pèsent chacun environ 6kg. La raideur et la
résistance de la face accessoires sont donc primordiales.
Il s'agit de minimiser la masse tout en s'assurant que la premi?ere frequence
propre soit au-dessus d'une valeur donnée. Il est également nécessaire que la face
accessoires ltre les excitations du moteur et puisse supporter les accessoires, ce qui
revient à imposer que les inertances (raideurs dynamiques) au niveau de tous les
points d'accrochage (points d'accrochage de la face accessoires au compresseur et à
l'alternateur) soient superieures ?a une valeur de référence.
Dans ce cas, le cahier des charges ne comporte que des contraintes dynamiques.
On note ainsi, comme pour la face avant technique, l'importance de telles contraintes
pour assurer les prestations vibratoires et acoustiques du véhicule.
Nous avons illustré, au travers de ces deux exemples, les objectifs qui guident
la conception dans l'industrie automobile. Nous expliquons dans la partie suivante
quelles sont les méthodes actuelles de résolution et le rôle que peut jouer l'optimi-
sation topologique.
13
Fig. 1.7 Une Face Accessoires.
1.3 Apports de l'optimisation topologique pour la

conception
Traditionnellement, l'ingénieur de bureau d'étude résout de tels problèmes de
conception en procédant par essais successifs. A? partir de son expérience et de son
savoir-faire, il dessine une première pièce, puis vérie par le calcul qu'elle respecte
le cahier des charges. Si ce n'est pas le cas, il modie son dessin et ainsi de suite
jusqu'au respect des contraintes. Dans la plupart des cas, plusieurs itérations sont
nécessaires. Cette façon de faire est ainsi souvent très coûteuse en temps et imprécise.
Elle est actuellement de plus en plus souvent remplacée par l'utilisation de logi-
ciels de modélisation numérique et d'optimisation (logiciels d'optimisation de forme
(( classique ))) qui permettent d'analyser de nombreuses possibilités et qui automa-
tisent la recherche de la forme optimale. Il existe de nombreux logiciels qui per-
mettent d'optimiser un composant sous diérents critères en modiant itérative-
ment une forme de départ. Comme explique dans [12] ou [26], l'inconvenient de ces
methodes est que le résultat obtenu dépend fortement du choix de la geometrie ini-
tiale. En eet, au cours des itérations, les formes successives ne peuvent varier que
par leur frontière, tandis que leur topologie reste xe : la structure garde le même
nombre de composantes, de bords et de trous (cf. gure 1.8).
Fig. 1.8 Optimisation de forme classique.
14
1.3 Apports de l'optimisation topologique pour la conception
Ces méthodes peuvent par ailleurs etre coûteuses en temps de calcul car si une
forme s'éloigne trop de la géométrie initiale au cours des itérations, il sera nécessaire
de remailler la structure.
L'optimisation de forme est devenue dans les années 80 un outil répandu pour
optimiser la forme des structures et elle est utilisée dans l'industrie automobile de-
puis ces années-l?a. Dans les années 90, l'optimisation de forme a gagné en popularité
(voir [18] pour plus de details). Toutefois, même si c'est devenu un outil facilement
accessible aux ingenieurs grâce à l'existence de logiciels performants, comme évoqué
précédemment, les caractéristiques des formes obtenues sont limitées. Le calcul in-
tervient lorsque la forme géométrique de la pièce est déjà avancée, les modications
apportées sont mineures et l'architecture de la pièce reste quasiment la meme. Ainsi,
comme on part souvent de solutions connues ou expérimentées sur des véhicules pré-
cédents, on reste dans des schémas classiques.
L'optimisation topologique remet en cause la topologie de la pi?ece (c'est-à-
dire le nombre de composantes, de bords et de trous) et permet ainsi de bénécier
d'un potentiel d'optimisation plus élevé. Elle consiste ?a eectuer, avant l'optimisa-
tion proprement dite de la structure, une optimisation de sa topologie (cf. gure
1.9).
Fig. 1.9 Optimisation topologique.
Dans cette optique, il s'agit d'un outil de conception sans a priori, permettant
de choisir une topologie initiale adéquate. Cela intervient, en avant-projet, comme
une aide objective pour la sélection des caractéristiques générales de la structure.
Le calcul etant introduit très tôt dans le processus de conception, l'optimisation
topologique permet d'éviter de reconduire les solutions adoptées sur des projets
véhicules précédents.
D'apr?es [18], l'industrie automobile a commencé à s'intéresser à l'optimisation
topologique à la n des années 80 - début des années 90. Les exemples que l'on
trouve dans la littérature du milieu des années 90 restent toutefois assez théoriques
et l'optimisation topologique n'est pas aujourd'hui utilisée à son plein potentiel dans
l'industrie automobile (aussi bien chez les constructeurs que chez les équipementiers),
notamment à cause des limitations que nous décrirons dans la partie suivante, au
travers de l'exemple de la face avant technique.
Parmi les logiciels d'optimisation topologique existants, on peut citer le logiciel
OPTISTRUCT de la société ALTAIR. Il est utilisé chez Renault et a permis de
15
résoudre divers problèmes de conception. Nous présentons ici celui concernant la

forme d'un support de boîte de vitesse. Il s'agissait dans ce cas de minimiser la masse
tout en respectant un cahier des charges à la fois statique (compliance à minimiser) et
dynamique (fréquence propre à élever). On a représenté sur la gure 1.10 le domaine
d'encombrement maximal de la pièce qui est le point de départ de l'algorithme
d'optimisation topologique. La gure 1.11 représente la topologie préconisée par
Fig. 1.10 Encombrement maximal d'un support de boîte de vitesse.
OPTISTRUCT. La dernière étape consiste à générer un modèle CAO de la pièce
Fig. 1.11 Topologie préconisée par le logiciel OPTISTRUCT.
préconisée (cf. gure 1.12 droite) qui peut-être comparé à la version antérieure (cf.
16
1.3 Apports de l'optimisation topologique pour la conception
gure 1.12 gauche). Cet exemple illustre bien l'intérêt de l'optimisation topologique
car on obtient une forme qui n'était pas intuitive (à cause de sa dissymétrie) et qui
est conforme au cahier des charges.
Fig. 1.12 Exemple d'application du logiciel OPTISTRUCT.

Toutefois, comme nous le verrons dans la partie suivante, les logiciels actuelle-
ment disponibles (comme OPTISTRUCT) ne permettent de traiter que partielle-
ment la plupart des cahiers des charges exigés chez Renault. En eet, par exemple, le
logiciel OPTISTRUCT ne peut résoudre, dans sa version actuelle, que les problèmes
d'optimisation dont la fonction objectif et les contraintes correspondent à :
la masse,
le volume,
la compliance,
un des modes propres,
le déplacement d'un noeud,
une combinaison pondérée des fonctions précédentes.
Il n'est donc pas possible de travailler avec par exemple le tenseur des contraintes ou
avec les raideurs dynamiques (inertance ou transfert), qui sont pourtant essentielles
pour garantir les prestations vibratoires et acoustiques du véhicule comme nous
l'avons montré dans la partie précédente. Notons de plus, que toutes les grandeurs
doivent être calculées sur le même modèle de calcul, ce qui est une autre limitation
problématique.
Nous illustrons dans la partie suivante, sur le cas de la face avant technique
(présenté en détail dans la partie 1.2.1), les limitations de l'optimisation topologique
et diérentes méthodes déjà envisagées pour s'eorcer de prendre en compte les
critères vibratoires dans la conception d'une telle pièce.
17
1.4 Limitations actuelles de l'optimisation topolo-

gique pour la conception
Le cahier des charges de nombreuses pièces automobiles (comme celui de la face
avant technique et celui de la face accessoires) n'entrent pas dans le cadre des logi-
ciels d'optimisation topologique actuels. Il n'est en eet pas possible, par exemple,
de prendre en compte des raideurs dynamiques, pourtant primordiales dans de nom-
breux problèmes de conception de pièces automobiles.
Nous allons illustrer cette limitation et les contournements envisagés sur l'exem-
ple de la conception de la face avant technique. Ceci nous amènera à la problématique
retenue dans cette thèse.
Pour rigidier la face avant technique, on utilise un réseau de nervures (cf. gure
1.13). Une première approche possible pour concevoir ces nervures consiste à utiliser
un outil d'optimisation (( classique )) (de forme ou paramétrique) permettant de
prendre en compte le cahier des charges complet.
Fig. 1.13 Réseau de nervures de la face avant technique.

Cette technique a été utilisée dans le cadre d'un stage de n d'études [34] pour
optimiser les épaisseurs des nervures de la face avant technique (minimisation de la
masse tout en respectant les contraintes statiques et dynamiques décrites dans la
partie 1.2.1). Le but de cette étude était principalement de déterminer les nervures
inuentes sur le comportement vibratoire de la caisse et de trouver ainsi le nervurage
optimal. Pour cela, la démarche adoptée consistait à créer une surface de réponse à
l'aide d'une méthode de krigeage puis à utiliser le modèle obtenu, dont les évaluations
sont peu coûteuses, an d'optimiser les épaisseurs des nervures.
La gure 1.14 représente les écarts au cahier des charges dynamique, obtenus
pour l'ensemble des épaisseurs des nervures testées dans un plan d'expériences. Ce
graphique nous permet d'évaluer le potentiel d'amélioration, à géométrie xée, en
optimisant l'épaisseur des nervures (l'optimum trouvé est en noir). On constate ainsi
que les performances que l'on peut espérer atteindre restent limitées. En l'occurrence,
il est impossible pour la topologie des nervures étudiée de vérier le cahier des
18
1.4 Limitations actuelles de l'optimisation topologique pour la
conception
charges. On peut au mieux essayer de s'en approcher.
Fig.
1.14 Ecarts au cahier des charges dynamique obtenus pour l'ensemble des
épaisseurs des nervures testées dans un plan d'expériences.
Dans ce cas, on peut prendre en compte l'intégralité du cahier des charges (il
est en eet possible d'optimiser des critères dynamiques) et on travaille avec un
modèle mécanique représentatif de la réalité. Toutefois, le potentiel d'optimisation
à géométrie xée reste limité. La topologie de la pièce n'est pas remise en cause et
on reste dans des schémas classiques. Il serait donc intéressant de pouvoir utiliser
l'optimisation topologique pour concevoir le nervurage (combien de nervures, où et
quelle épaisseur ?).
Il est aujourd'hui possible de déterminer un nervurage optimal vis à vis du cahier
des charges statique par optimisation topologique, ce qui fait partie du processus
actuel de conception chez Renault. C'est un premier pas intéressant mais ce n'est
pas satisfaisant car les contraintes dynamiques, pourtant essentielles, ne sont pas
prises en compte (elles ne peuvent qu'être évaluées a posteriori). On peut ensuite
appliquer une optimisation paramétrique telle que celle décrite dans le paragraphe
précédent. Nous avons vu cependant que le potentiel d'amélioration est réduit.
Deux solutions sont actuellement envisageables pour prendre en compte le cahier
des charges dynamique dans le choix de la topologie.
Une première solution consiste à essayer de traduire les contraintes dynamiques
en un ensemble de contraintes statiques équivalentes qui pourront être prises en
compte par un logiciel comme OPTISTRUCT. La technique utilisée consiste à iden-
tier les modes qui posent problèmes en dynamique (par exemple une torsion ou une
exion particulière) et à les contraindre par un ensemble de contraintes statiques.
Cette approche, qui a été étudiée par les ingénieurs concepteurs, s'est avérée peu
satisfaisante car elle repose sur des a priori métier forts et le lien avec les contraintes
initiales (inertances et transferts) est mal établi.
19
Une alternative consiste à utiliser un modèle simplié de la face avant technique

composé d'un réseau d'éléments de type poutre. Un algorithme d'optimisation per-
met ensuite de sélectionner les poutres les plus inuentes, c'est-à-dire, d'obtenir le
treillis de poutres minimal améliorant les performances de la structure. On pourra
voir sur la gure 1.15 un exemple de treillis de poutres pouvant être utilisé pour
la modélisation de la face avant technique. Dans ce cas, les variables d'optimisation
Fig. 1.15 Treillis de poutres utilisé pour la modélisation de la face avant technique.
sont les raideurs des poutres (une raideur nulle correspond à l'absence de la poutre).
Le cahier des charges dynamique peut être pris en compte dans sa totalité mais
l'approche n'est pas satisfaisante car le modèle poutre ne se comporte pas forcément
comme la vraie pièce (modélisation grossière). Par ailleurs, il est très souvent dicile
d'interpréter les résultats, c'est-à-dire de savoir comment générer une pièce réelle à
partir des résultats obtenus.
Nous avons vu que les diérentes méthodes de conception disponibles aujourd'hui
pour une telle pièce ne sont pas entièrement satisfaisantes puisque soit on travaille à
topologie xée (et donc avec un potentiel d'amélioration réduit puisque les caracté-
ristiques générales de la pièce ne sont pas remises en cause et il peut arriver qu'une
partie du cahier des charges ne soit pas réalisable), soit on cherche à optimiser la
topologie mais les contraintes portant sur des raideurs dynamiques ne peuvent être
prises en compte.
Le but de notre travail de recherche est de construire une méthodologie d'op-
timisation topologique utilisable par les secteurs opérationnels et supprimant ces
limitations, c'est-à-dire permettant la prise en compte de critères dynamiques, pri-
mordiaux dans la conception des pièces automobiles. Ce travail nous a amené à
proposer une méthode et une solution logicielle que nous décrivons dans ce docu-
ment.
20
Chapitre 2
Notions préalables en mécanique des
structures
Nous presentons dans ce chapitre les notions de mecanique des structures qui
nous seront necessaires pour expliciter mathematiquement les contraintes de notre
probl?eme d'optimisation topologique. Aussi, après avoir décrit la theorie de l'elastici-
te lineaire, dont le succès vient du fait qu'elle fournit un modèle réaliste du compor-
tement d'une grande classe de matériaux, nous expliciterons des notions mécaniques
intervenant dans la dénition des cahiers des charges Renault. Nous terminerons
en décrivant la méthode de calcul de la base modale d'une structure donnée, puis
comment à partir de cette base modale il est possible de prévoir le comportement
de la pièce lorsqu'elle est soumise à des eorts dynamiques sinusoïdaux.
Les démonstrations des résultats présentés et des details supplémentaires concer-
nant ce chapitre pourront etre trouves dans [21] ou [28] par exemple.
2.1 La theorie de l'elasticite lineaire

Cette partie est consacrée à la description du problème de l'élasticité linéaire.
Nous expliciterons ainsi la formulation variationnelle qui en découle et la méthode
éléments nis permettant sa résolution.
Les notions présentées dans cette partie ne concernent que des problèmes à l'équi-
libre, la variable temps n'interviendra pas.
2.1.1 Denitions préalables

Les denitions mecaniques décrites dans ce paragraphe, sont nécessaires ?a l'ecri-
ture et à la compréhension des equations de l'elasticite lineaire.
Soit
la conguration du corps étudié non déformé dans R3, on note
21
Chapitre 2 : Notions préalables en mécanique des structures
' 7 '(x) la déformation,
:
! R3; x !

D = '(
) la conguration déformée,
F' = r' le gradient de la déformation,
u 7 u(x) = '(x) ? x le champ des déplacements de

.
:
! R3; x !
On appelle E = 21 (F'F'T ? I ) le tenseur des déformations (E est une (( me-

sure )) de la déformation) et on a
1
@u
E (u) = (ru + ru + ru ru) avec ru =
T T i
2 @xj 1i;j 3
i.e.
1
@u X
3
Eij (u) =
2
i
@xj
@uj
+ @x + @uk @uk
@xi @xj
; 1 i; j 3:
i k=1
On remarque que E est symétrique mais non linéaire par rapport ?a u.

Si on note la partie linéaire de E :
1
@u
ij (u) =
2
i
@xj
@uj
+ @x ; 1 i; j 3;
i
on a
( ) = ij (u) + o(jruj); 1 i; j 3:
Eij u
On dit que est le tenseur des déformations linéarisées et lorsqu'on fait l'hy-
pothèse des petites déformations (jruj 1), on a Eij (u) ' ij (u).
Dénition 2.1 (Conditions aux limites) Soient u le déplacement déni à l'in-

térieur du domaine
et sur sa frontière @
et n la normale unitaire extérieure
dénie sur @
. On dit qu'on a des conditions aux limites de Dirichlet si la valeur
de u est connue sur @
. Dans le cas particulier où les conditions de Dirichlet sont
homogènes, on a u = 0 sur @
. En revanche, les conditions aux limites sont de
Neumann si @n u = ru:n (avec : le produit scalaire) est donné sur @
et les condi-
tions de Neumann sont dites homogènes si @nu = 0 sur @
.
22
fs
!D
fv nD
Fig. 2.1 Représentation du domaine de travail

D .
La conguration deformee
D est soumise à des forces appliquées sur sa frontière
@
D (forces de contact) ou à l'intérieur (forces de gravité). On note f s et f v
les forces appliquées en un point X de
D respectivement sur la frontière et dans le
volume, !D un domaine de
D et nD la normale unitaire extérieure dénie sur @!D,
la fronti?ere de !D (cf. gure 2.1).
L'action sur !D exercée par le reste du corps,
D n !D , peut être représentée par
une densité surfacique des forces dénie sur @!D . On fait ici l'hypothèse de Cauchy,
c'est-à-dire on suppose que cette densité en X 2 @!D ne dépend que de X et de
la normale nD en ce point. On la note t(X; nD ) et on dit que t(X; nD ) 2 R3 est le
vecteur contraintes au point X et dans la direction nD .
Théorème 2.1 (Théorème de Cauchy) Pour tout X 2
D , il existe un opéra-
teur linéaire (X ) de R3 dans R3, tel que t(X; nD ) = (X )nD . Ce tenseur , appele
tenseur des contraintes de Cauchy au point X , est représenté par la matrice
(ij (X ))1i;j3.
On a alors les propriétés fondamentales suivantes :
Propriété 2.1 Le torseur de l'ensemble des forces s'exerçant sur tout sous-domaine
!D de
D est nul, c'est-?a-dire
la résultante est nulle :
Z Z
nD dS + f v dX = 0;
@!D !D
le moment résultant est nul :
Z Z
X ^ (nD ) dS + X ^ f v dX = 0;
@!D !D
avec ^ le produit vectoriel.
23
Propriété 2.2 A l'intérieur de
D , le tenseur des contraintes vérie les équations
d'équilibre :
X
3
@ij

?div = f v sur
D div i = ; (2.1)
j =1 @Xj
n = f s sur @
D; (2.2)
ij = ji 1 i; j 3: (2.3)
2.1.2 Introduction à l'élasticité linéaire
Après quelques dénitions, nous explicitons dans ce paragraphe le problème de

l'élasticité linéaire. La théorie de l'élasticité linéaire recouvre de nombreux cas réels
concernant des matériaux divers (métaux, bois, plastiques, ...)
Dénition 2.2 (E lasticité) On dit qu'un matériau est élastique s'il peut se dé-
former sans casser et s'il revient à sa forme initiale quand on relâche un eort
appliqué.
Dénition 2.3 (Loi de comportement) On appelle loi de comportement, la

relation entre contraintes et déformations spéciques du milieu.
Si le milieu est élastique la loi de comportement est de la forme :
(X ) = (x; E (u)) (2.4)
avec X = '(x), x 2
et :
S ! S, S étant l'ensemble des matrices 3 3
réelles symétriques.
Si de plus le milieu est homogène, on a :
(X ) = (E (u)); indépendant de x:
Le problème de l'élasticité consiste à trouver le champ de contraintes dé-

ni dans
D (conguration déformée) et le champ de déplacements u déni dans
(conguration non déformée) vériant les équations d'équilibre (équations (2.1),

(2.2) et (2.3)), la loi de comportement (équation (2.4)) et des conditions aux limites
convenables.
Lors de la résolution de ce problème nous sommes confrontés à deux dicultés.
Tout d'abord, est déni dans la conguration déformée a priori inconnue. De plus,
nous avons à résoudre un problème d'équations aux dérivées partielles non linéaires.
24
On fait alors l'hypothèse des petites perturbations, c'est-à-dire des petites défor-
mations (jruj 1) et des petits déplacements (juj 1), puis on linéarise le pro-
blème de l'élasticité (approximation au premier ordre) an d'obtenir un problème
linéaire posé dans la conguration initiale (non déformée).
Nous n'explicitons pas ici la démarche de linéarisation et nous posons directe-
ment le problème linéaire.
Le probl?eme d'elasticite linéaire se formule de la facon suivante :
Trouver = ( )1 3 et u = (u )1 3 dénis dans
vériant :
ij i;j i i
les équations de l'équilibre :

?div = f dans
; v
(2.5)
la loi de comportement :
(x) = A(x)(u) 8x 2
; (2.6)
où A(x) : S ! S est une application linéaire. Pour simplier, on supposera
dans la suite que le milieu est homogène, c'est-?a-dire
A(x) = A indépendant de x:
les conditions aux limites sur ? =
:
du type forces imposées sur un sous-ensemble donne ? ? : F
n = f sur ? ; s
(2.7) F
du type déplacements imposés sur ? = ? n ? : D F
u = d sur ? ; (2.8)
D
avec d : ? ! R3 donné.
D
On remarque que la loi de comportement de l'élasticité linéaire (2.6) se réécrit

ij =
Xa 3
ijkh (u) sur
kh
k;h =1
et on appelle les coecients a (1 i; j; k; h 3), les coecients d'élasticité.

ijkh
Ces derniers vérient les propriétés de symétrie suivantes :

aijkh =a jikh =a ijhk :
Remarque : Si l'on identie S à R6 (les matrices 3 3 réelles symétriques sont
caracterisees par 6 coecients) alors A s'identie à une matrice 6 6.
25
Dénition 2.4 (Isotropie) On dit qu'un milieu est isotrope au point x si son
comportement est (( le même dans toutes les directions )). Dans ce cas, on montre
que la loi de comportement de l'élasticité linéaire (2.6) s'écrit
= tr((u))I + 2(u);
où , 2 R sont les coecients de Lamé, tr est l'opérateur trace (somme des
termes diagonaux) et I la matrice identité (de dimension 3).
Dénition 2.5 Le coecient = (3++2 ) , appelé module de Young et le coe-

cient = 2(+) , appelé coecient de Poisson, caractérisent un matériau.
Le module de Young caractérise l'élasticité ou la raideur d'un matériau. C'est un
module de rigidité à l'allongement : pour une force F par unité de surface donnée,
l'allongement relatif LL est d'autant plus petit que est grand. Le module de Young
a la dimension d'une force par unité de surface, c'est-à-dire d'une contrainte ou d'une
pression. On l'exprime en Newton par m2 ou en Pascal (1 Pascal = 1 Newton/m2).
Le module de Young est toujours positif. Par exemple, pour l'acier =200 GPa et
pour l'aluminium =70 GPa.
Le module de Poisson permet de déterminer la capacité de rétrécissement de la
section par rapport à l'étirement. Il est sans unité et tel que 0 < < 0:5.
2.1.3 La méthode variationnelle en élasticité

Le problème de l'élasticité linéaire, décrit dans la partie précédente, peut se ré-
écrire sous la forme d'un problème d'equations aux derivees partielles dont découle
la formulation variationnelle en élasticité. Ce nouveau problème, du type ellip-
tique à 9 équations scalaires, peut alors être facilement résolu à l'aide de méthodes
classiques, comme la méthode des éléments nis décrite dans le paragraphe 2.1.4.
Dans la suite on suppose que le domaine
est susamment régulier. On note
? = @
et n la normale unitaire extérieure dénie sur ?.
Soient l'espace de Sobolev

H 1(
) = fv 2 L2(
) j rv 2 L2(
)g
avec L2(
) l'espace des fonctions dénies sur
, de carré intégrable et
V = H 1(
)3:
Les champs de déplacements u = (ui)i=1;2;3 et de contraintes = (ij )i;j=1;2;3
26
satisfont les équations et les conditions aux limites suivantes :

X
3
+ fiv = 0 dans
; 1 i 3;
@ij
@xj
(2.9)
j =1
X
3
ij = aijkh kh (u) dans
; 1 i; j 3; (2.10)
k;h=1
1
@u
1 k; h 3;
@uk
kh (u) =
2 @xk
h
+
@xh
; (2.11)
X
3
ij nj = s
fi ; 1 i 3 sur ?F ; (2.12)
j =1
ui = di ; 1 i 3 sur ?D :
(2.13)
Les équations (2.9) et (2.10) sont appelées respectivement équation d'équilibre
et équation de comportement.
Soit
Uad = fv 2 V j v = d sur ?D g
l'ensemble des solutions admissibles du problème (2.9)-(2.13) et v un élément quel-
conque de Uad.
En multipliant (2.9) par (vi ? ui) et en intégrant sur
, il vient
Z X
3
(vi ? ui )dx = 0 8v 2 Uad;
@ij
+ fiv

@xj
j =1
c'est-à-dire (après une intégration par parties)

Z X
3 Z Z X
3
(vi ? ui ) dx = (vi ? ui ) dx + ? ui) dS:
@
ij fiv ij nj (vi

j =1 @xj

j =1
Le tenseur ij étant symétrique, on a

(vi ? ui ) = ij ij (v ? u)
@
ij
@xj
P
et comme @
= ?F [ ?D , j ij nj = fis sur ?F et vi = ui = di sur ?D ,
Z X
3 Z Z
ij ij (v ? u) dx = v
fi (vi ? ui ) dx + fi (vi
s
? ui)dS 8v 2 Uad :

j =1
?F
On a ainsi démontré la proposition suivante :

27
Proposition 2.1 Si u est solution du problème (2.9)-(2.13), u est solution de la
formulation variationnelle suivante :
Trouver u 2 U tel que
ad
a(u; v ? u) = L(v ? u) 8v 2 U ad
avec, pour 1 i 3
Z X
3 X
3
ai (u; v ) = aijkh kh (u) ij (v ) dx

j =1 k;h=1
et
Z Z
Li (v ) = fi vi dx +
v
fis vi dS:

?F
2.1.4 Méthode des éléments nis en élasticité

Nous décrivons dans ce paragraphe, la méthode la plus souvent utilisée pour la
résolution de la formulation variationnelle en élasticité.
Par souci de simplicite, on presente ici un cas en deux dimensions (
R2,
x 2
: x = (x1; x2)). On suppose également que d = 0 et que le matériau utilisé
est isotrope et homogène.
On note

ij = 1 si i = j le symbole de Kronecker.
0 sinon,
Le problème d'élasticité linéaire s'écrit alors :

Trouver u = (u ) et = ( ) (i; j = 1; 2) dans
tels que :
i ij
ij = (11 + 22)ij + 2 dans

; (2.14)
X @
ij
? @xj
ij
= fiv dans
; (2.15)
X j
ij nj = fis sur ? et u = 0 sur ?

F i D : (2.16)
j
et la formulation variationnelle devient :
28
Trouver u 2 V tel que :
a(u; v ) = L(v ) 8v 2 V;
V = fv = (v ) =1 2 j v
i i ; i 2 H 1(
) et v i = 0 sur ? ; i = 1; 2g D
avec, pour i = 1; 2
Z X
2
a (u; v ) =
i ((11 + 22)(11 + 22) + 2 ) dx
ij ij

j =1
et
Z Z
L (v ) =
i f v dx +
v
i i f v dS:
i
s
i

?F
Dans tout ce qui suit, on écrit u, et sous forme de vecteurs colonnes :
u 0 1 0 1
11 11
u= 1
u2
; = @ 22 A ; = @ 22 A ; avec 12 = 212:
12 12
Remarque : Pour des problèmes en trois dimensions, et sont représentés par

des vecteurs colonnes de dimension 6.
On a ainsi
0 1 0 @u1
1 0 @
0
1
@ 1122 A = @ @x1
@u2
@x2
A=@ @x1
0 @x2
@
A uu1
2
12 @u1
@x1
+ @u2
@x2
@
@x2
@
@x1
et on peut écrire
= Du;
où D est l'opérateur de dérivation sous forme de matrice, appele matrice des dé-
formations.
La loi de Hooke (2.14) peut s'écrire sous la forme matricielle suivante :
0 1 0 1
@ 1122 A = H @ 1122 A ;
12 12
o?u H est une matrice 3 3 qui s'exprime à l'aide de et , appelée matrice de
Hooke (en déformations planes). Elle décrit les propriétés physiques du matériau
29
en ce point.
Supposons, pour simplier,
polygonal et considérons une triangulation h de
(h > 0) :
[N
h = Tk ;
k=1
avec N le nombre d'éléments du maillage.
Soient am les sommets des éléments Tk n'appartenant pas ?a ?D (1 m p,
avec p le nombre de sommets). On note C 0 l'ensemble des fonctions continues et P1
l'ensemble des polynômes de degré 1. On dénit alors l'espace des fonctions éléments
nis scalaires :
Xh = f :
! R; 2 C 0; =Tk 2 P1 8k 2 f1; : : : ; N g; = 0 sur ?D g
et on note Vh l'espace des fonctions éléments nis à valeurs vectorielles :
Vh = (Xh )2:
Soient 1; : : : ; m les fonctions de base éléments nis de Xh :
j 2 Xh et j (am) = jm; 1 j; m p;
on note j (1 j 2p) les fonctions :
0 0
0 ; 2 = 1 ; 3 = 0 ; : : : ; 2p = p ;
1 2
1 =
qui constituent une base de Vh et qui sont appelées fonctions de forme de la mé-
thode éléments nis choisie.
On cherche ainsi un déplacement éléments nis uh tel que
X
2p
8x 2
; uh(x) = qj j (x):
j =1
Les qj sont les degrés de liberté du déplacement éléments nis uh et
0q 1
q=@ . C
B 1
.
. A
q2p
est appele vecteur des déplacements nodaux.
30
2.2 Quelques critères mecaniques utilisés chez Renault
On peut donc ecrire
0 1
8x 2
; uh(x) = N (x) B CA ;
q1
@ ...
q2p
avec N (x) = (j )1j2p une matrice 2 2p, appelee matrice d'interpolation.
Le tenseur des déformations du champ de déplacement s'ecrit alors
8x 2
; (x) = DN (x)q = B (x)q;
où B (x) = DN (x) est une matrice 3 2p, qui s'exprime à l'aide des dérivées par-
tielles des j et appelee matrice des déformations éléments nis.
Ainsi, le problème éléments nis associé à la formulation variationnelle s'écrit
Trouver uh 2 Vh; a(uh; vh) = L(vh) 8vh 2 Vh :
Ce problème équivaut à resoudre le syst?eme lineaire Rq = F , où
q = (qj ) est le vecteur des degrés de liberté;
Z?
R = (Rjl ) est une matrice 2p 2p; Rjl = B T (x)HB (x) jl dx;
Z ? Z
?
F = (Fj ) 2 R2p; Fj = NT fv j dx + N f
T s
j dS:

?F
R est la matrice de rigidité (pour la méthode éléments nis choisie), F est le
vecteur des forces extérieures (ou appliquées connues) et Rq est le vecteur des
forces intérieures (forces dues aux déformations élastiques).
Le système linéaire Rq = F exprime le fait que le vecteur des forces résiduelles
est nul à l'équilibre. Cela traduit l'équilibre de la structure discrète.
La méthode présentée ici en deux dimensions, se généralise aisément en trois
dimensions. C'est cette méthode qui est utilisée dans la plupart des logiciels de
calcul des structures comme le logiciel MSC/NASTRAN que nous avons utilisé et
dont nous parlerons plus tard.
2.2 Quelques critères mecaniques utilisés chez Re-

nault
Nous présentons dans cette partie quelques critères couramment utilisés dans les
cahiers des charges Renault et auxquels nous ferons référence par la suite.
31
Nous avons choisi de séparer les notions présentées en deux classes distinctes.
Ainsi, dans le premier paragraphe, nous parlerons de critères statiques dans lesquels
la variable temps n'intervient pas, par opposition aux critères dynamiques décrits
dans le second paragraphe.
2.2.1 Critères statiques

Nous présentons ici un critère statique couramment utilisé pour l'étude des ca-
ractéristiques d'une structure.
Compliance
La compliance permet de mesurer la raideur globale d'une structure déformée
(pour un cas de chargement donné), puisque minimiser la compliance revient à
maximiser la raideur totale de la structure sous un eort donné. Pour une pi?ece,
mesurer la compliance est equivalent ?a mesurer le travail des forces exterieures ou
l'energie elastique.
Plus precisément, la compliance est dénie par :
Z Z Z
c= f :u dS =
s
A(u):(u) dx = A?1: dx;

avec et u solutions du problème (2.9)-(2.13).
2.2.2 Critères dynamiques

Fréquence propre
Les fréquences propres correspondent à des frequences d'excitation caractéris-
tiques de la structure consideree. On cherche généralement à les éviter (c'est-à-dire
à les repousser ou en diminuer l'impact) car elles entraînent des déplacements im-
portants et donc des risques de rupture de la structure.
Les fréquences structurales sont très importantes dans l'industrie automobile. En
eet, par exemple, si un des harmoniques générés par le moteur coïncide avec une
fréquence structurale, cela va entraîner des problèmes de résonance, c'est-à-dire du
bruit et des vibrations à l'intérieur de l'habitacle.
La méthode de calcul des fréquences propres et des modes propres associés est
donnée dans la partie 2.3.
Inertance et transfert vibratoire
Notons tout d'abord que les termes dénis dans ce paragraphe sont ceux employés
chez Renault. Ils peuvent ainsi être diérents de ceux plus usuellement utilisés.
32
2.2 Quelques critères mecaniques utilisés chez Renault
Fig. 2.2 Calcul d'une inertance.

Une courbe d'inertance représente le comportement (dit comportement dyna-
mique) d'une structure soumise à des excitations de diérentes fréquences. On dit
parfois aussi qu'un calcul d'inertance permet de mesurer la raideur dynamique glo-
bale d'une pièce.
On calcule l'inertance en un point P d'une structure en procédant comme suit
(cf. gure 2.2). On applique une force F unitaire (par exemple un coup de marteau)
au point P de la structure au temps 0. On mesure la force appliquee et l'acceleration
au meme point P pendant un certain temps t. On transforme ensuite les courbes
obtenues (force et acceleration en fonction du temps) dans le domaine frequentiel
(transformation de Fourier). La courbe d'inertance est alors obtenue en tracant F ^^
(avec ^ et F^ les transformées de Fourier de et de F ) dans le domaine frequentiel.
Si le point de mesure de la force est dierent de celui de l'accelération, on parle
de transfert.
Dans le cas où on mesure la vitesse ou le déplacement (au lieu de l'accélération)
au point P , on utilise respectivement les termes mobilité et compliance dyna-
mique. Dans le dernier cas, les pics de la courbe correspondent aux frequences
propres de la pi?ece.
Le calcul d'une de ces courbes n'est pas réalisable directement à l'aide d'un
logiciel. On procède alors par calcul de reponses forcees (cf. partie 2.3). On excite
la pi?ece au point P avec une force unitaire frequentielle et on mesure l'acceleration
(ou la vitesse ou le déplacement) maximum au point P . On fait cela plusieurs fois,
en pratique sur une plage de frequences avec un pas donne. Si on trace le module
de l'accelération (ou la vitesse ou le déplacement) maximum mesuree en fonction
33
de la frequence d'excitation, on obtient la courbe d'inertance (ou de mobilité ou de
compliance dynamique) correspondante.
Montrons ce résultat dans le cas de la compliance dynamique et considérons pour
cela l'equation du second ordre ?a coecients constants suivante :
d2 d
u(t) + c u(t) + bu(t) = F (t); 8t 2 R (2.17)
dt 2 dt
donnant le déplacement u de la structure pour une force d'excitation F .
Si on note 1 et 2 les racines (distinctes ou non) de l'equation caracteristique
+ c + b = 0, l'equation (2.17) peut s'ecrire :
2
d d
(
dt
? 1 )( ? 2 )u(t) = F (t):
dt
Pour F continue et ?a support limite ?a gauche (c'est-à-dire nulle pour t inférieur
à un certain t0), il existe une et une seule solution u ?a support limite ?a gauche et
celle-ci est donnee par :
u(t) = G(t) F (t) (2.18)
avec G(t) la réponse impulsionnelle

G(t) = [H (t)e2t] t
[H (t)e 1 ] =
H (t) e 11 ??e 22
t t
pour1 6= 2
H (t)te1t pour1 = 2
et H (t) la fonction de Heaviside

H (t) =
0 si t < 0
1 si t 0.
Par propriété de la transformation de Fourier, la relation (2.18) devient :
u^(! ) = Gb(! )Fb(! )
avec u^, Gb et Fb les transformees de Fourier respectives de u, G, et F .
La courbe de compliance dynamique Fu^b est donc egale ?a la courbe de G^ (!).
Dans le cas d'une reponse forcee, F (t) = ei!t et donc d'apr?es (2.18)
u(t) = G(t) ei!t : (2.19)
Remarque : La fonction t 7! ei!t n'étant pas à support limité à gauche, on
ne peut pas en principe écrire (2.19). Toutefois, on peut rendre le calcul précédent
raisonnable en prenant pour t > 0 la fonction d'excitation F (t) = H (t + N )ei!t
34
2.3 Calcul d'une base modale et méthode de recomposition
(c'est-à-dire le signal sinusoïdal qui a commencé au temps ?N ). Le support étant
limité à gauche, on peut alors écrire
u(t) = G(t) (H (t + N )ei!t ) = Ge
^ i!t + r (t);
N
où l'erreur rN tend vers 0 avec N .
Par propriété de la convolution, (2.19) se réécrit
u(t) = Gb(! )ei!t:
On retrouve alors le résultat énoncé plus haut, c'est-à-dire que la courbe du mo-
dule du déplacement maximum correspond à la courbe de Gb(!) et donc à la courbe
de compliance dynamique.
Nous avons présenté dans cette partie quelques critères utilisés dans les cahiers
des charges Renault. Nous avons vu que le calcul des courbes de compliance dyna-
mique est réalisé à partir d'un calcul de réponses forcées. Nous allons voir ci-dessous
une méthode (dite méthode de recomposition modale) permettant, à partir de la base
modale de la pièce (c'est-à-dire de ses fréquences propres et de ses modes propres
associés), de connaître sa réponse quelle que soit la force fréquentielle d'excitation.
2.3 Calcul d'une base modale et méthode de recom-

position
Après avoir expliqué comment sont calculés les modes et les fréquences propres
d'une pièce donnée, nous décrivons dans cette partie la méthode de recomposition
modale permettant de connaître le comportement dynamique de la structure lors-
qu'elle est soumise à une force sinusoïdale quelconque.
On assimile ici la structure étudiée à un système mécanique discrétisé, composé
de n degrés de liberté (correspondant aux degrés de liberté des noeuds du maillage de
calcul) et on considère l'équation matricielle qui régit le mouvement de la structure :
d2 d
M u(t) + C u(t) + Ku(t) = F (t); 8t 2 R (2.20)
dt 2 dt
avec M la matrice de masse de la structure, C la matrice d'amortissement, K la
matrice de rigidité, u(t) le vecteur des déplacement et F (t) le vecteur des forces
extérieures appliquées.
La force appliquée F (t) est une force sinusoïdale et s'écrit donc sous la forme :
F (t) = F (! )ei!t
avec F (!) un vecteur à n composantes complexes indépendantes de t.
35
2.3.1 Calcul de la base modale
Explicitons tout d'abord comment est calculée la base modale d'une structure
donnée, c'est-à-dire ses fréquences propres et ses modes propres associés.
Considérons le système homogène associé à (2.20) sans amortissement :
d2
M u(t) + Ku(t) = 0: (2.21)
dt2
Les solutions de cette équation sont de la forme u(t) = ei!t, où ! est la pulsation
et un vecteur à n composantes réelles indépendantes de t.
Si on calcule les dérivées première et seconde de u par rapport à t :
d
et dtd 2 u(t) = ?!2ei!t
2
u(t) = i!ei!t
dt
et qu'on remplace ces expressions dans l'équation (2.21), on obtient :
?M!2ei!t + Kei!t = 0
c'est-à-dire
(K ? !2M ) = 0:
Pour trouver les solutions autres que triviales de cette équation, on résout jK ?
M j = 0. Les solutions j (1 j n) sont les fréquences propres de la struc-
ture étudiée et les vecteurs j (1 j n) tels que (K ? j M )j = 0, sont les
modes propres associés. On appelle pulsations propres les !j tels que j = !j2
(1 j n) et matrice de la base modale la matrice de taille n n dont les
colonnes sont constituées des modes propres.
Une fois la base modale calculée (c'est-à-dire la matrice connue), la méthode de
recomposition modale permet de prévoir le comportement dynamique de la structure
quelle que soit la force d'excitation sinusoïdale appliquée. C'est ce que nous allons
montrer dans le paragraphe suivant.
2.3.2 Méthode de recomposition modale

La méthode de recomposition modale, utilisée dans les logiciels de mécanique
des structures, permet de calculer simplement à partir de la base modale la réponse
de la structure à une excitation quelconque.
Remarquons tout d'abord que les modes propres j sont orthogonaux à K et M ,
c'est-à-dire que dans la base modale les matrices K et M sont diagonales. On note
36
M
f = T M et K e = T K , les matrices diagonales réelles de taille n n et de
coecients diagonaux mj et kj .
On peut écrire le vecteur des déplacements u(t) dans la base des modes propres :
u(t) = Q(t)
où Q(t) est un vecteur de taille n.
Si l'on dérive deux fois u(t) et qu'on remplace les expressions dans l'équation
(2.20), on obtient :
M dtd Q(t) + C dtd Q(t) + K Q(t) = F (t);
2
c'est-à-dire en multipliant à gauche par T :

f d Q(t) + T C d Q(t) + KQ
2
M dt
2
dt
e (t) = T F (t):
An de simplier les calculs, on choisit alors d'approcher T C par une matrice
diagonale Ce. Les termes diagonaux de Ce s'expriment sous la forme cj = 2mj !j j
(1 j n) avec j un coecient d'amortissement, et l'équation (2.20) devient
f d Q(t) + Ce d Q(t) + KQ
2
M dt
2
dt
e (t) = T F (t): (2.22)
Considérons maintenant le vecteur F (t) à n composantes complexes :
Fj (t) = 0 si le degré de liberté j est non excité;
Fj (t) = fj ei !t sinon;
( + j)
avec 1 j n, ! la pulsation et j le déphasage entre la force d'excitation sur

le degré de liberté j et celle exercée sur le degré de liberté de référence (degré de
liberté de phase nulle appelé référence de phase).
On peut donc écrire F (t) = Fei!t, et si on note Fe = T F , on a
T F (t) = T Fei!t = Fee i!t :
Revenons au vecteur des déplacements u(t). On cherche les solutions Q(t) sous
la forme Q(t) = Qei!t avec Q un vecteur indépendant du temps et exprimé dans la
base modale. En dérivant, on obtient :
d Q(t) = i!ei!tQ et d Q(t) = ?! ei!tQ
2
2
dt dt 2
et l'équation (2.22) devient

?! MQ
2f + i! CQ
e + KQ
e = F:
e
37
Comme les matrices M f, Ce et Ke sont diagonales on a, pour tout 1 j n :
?!2mj qj + i!cj qj + kj qj = fj
avec fj la j ème composante de Fe.
Comme kj = mj !j2 et cj = 2mj !j j , on a
(?!2mj + 2imj !!j j + mj !j2)qj = fj
c'est-à-dire
qj = hj fj ;
avec
hj = m (?!2 + 21i!! + !2) : (2.23)
j j j j
Si on note
0h 0
1
BB 1 h2 CC
H =B@ ... CA
0 hn
la matrice diagonale de taille n n dépendante de !, on a Q = H Fe, u = H Fe et
donc, comme Fe = T F , on a nalement
u = H T F: (2.24)
D'après (2.23), H ne dépend que de la pulsation !, des masses modales mj , des
amortissements modaux j et des pulsations propres !j , tandis que la matrice de
base dépend uniquement des modes propres j .
Ainsi, d'après (2.24), le calcul de réponse est applicable pour toute structure dont
on connaît la base modale (c'est-à-dire ses fréquences propres et ses modes propres
associés) ainsi que ses masses et amortissements modaux.
Rappelons toutefois que ceci n'est valable que dans le cas où C est diagona-
lisable (base modale réelle). Dans le cas d'une base modale complexe, le vecteur
déplacement est donné par la formule :

u = GT + GbT F;

avec u le vecteur déplacement de chaque degré de liberté, F le vecteur des forces
d'excitation, la base modale complexe, la conjuguée de , G et Gb deux matrices
diagonales qui dépendent de la pulsation ! et telles que :
Gj = A (i!1? ) et Gcj = 1 ;
j j Aj (i! ? j )
38
avec Aj = 2i!j mj et j = ?j !j + i!j p11? .j
Nous avons montré dans cette partie comment, à partir du calcul de la base mo-
dale d'une structure donnée, il est aisé de connaître le comportement dynamique de
la structure lorsqu'elle est soumise à une force d'excitation fréquentielle quelconque.
En raison de sa simplicité, cette méthode (dite de recomposition modale) est utilisée
dans les logiciels de calcul des structures (dont MSC/NASTRAN) pour l'évaluation
des réponses forcées.
39
40
Chapitre 3
Méthodes d'optimisation topologique
Comme nous l'avons vu au chapitre 1, un problème d'optimisation topologique
peut être vu comme un problème de distribution de matière.
On dispose au départ d'un domaine de référence
R3, choisi en fonction
de l'encombrement maximal possible, et de l'ensemble des conditions aux limites
(chargements et xations) du composant mécanique à optimiser. Il s'agit de répartir
de façon optimale, un matériau de densité 0 et de propriétés A0 dans
, c'est-?a-dire
de determiner le sous-domaine ! de
rempli de mati?ere [12, 11].
Mathématiquement, le probl?eme d'optimisation topologique est de la forme
min
!
f (!) (3.1)
sous les contraintes
gi (!) 0 i 2 I;
hi(!) = 0 i 2 E;
avec I et E des ensembles nis d'indices, f la fonction objectif, gi et hi les fonctions
denissant les contraintes (à valeurs réelles).
Notons qu'en pratique, la fonction objectif et les contraintes représentant le plus
souvent une masse, un deplacement, une compliance ou une fréquence propre, ce
sont dans la plupart des cas des fonctions implicites et non linéaires en !. Leur
evaluation necessite alors la resolution d'une equation d'etat et le probl?eme (3.1) est
de la forme
min
!
f (u(!); !) (3.2)
gi (u(!); !) 0 i 2 I;
hi(u(!); !) = 0 i 2 E;
41
Chapitre 3 : Méthodes d'optimisation topologique
avec u la solution de l'équation d'état e(u(!); !) = 0.
Dans le cas de l'élasticité linéaire, il s'agit du système (2.9)-(2.13) qui sera en
pratique résolu par une méthode d'éléments nis (voir paragraphe 2.1.4).
Nous présentons dans ce chapitre diérentes méthodes d'optimisation topolo-
gique, que l'on trouve dans la littérature et permettant de résoudre le problème
(3.1). Ainsi, nous décrirons dans la première partie, les méthodes de distribution de
matière qui consistent à discrétiser le domaine
en un maillage dit de (( conception ))
et à décider quels éléments seront vides ou pleins. Nous parlerons ensuite des ap-
proches utilisant le gradient de forme. Enn, nous présenterons d'autres techniques,
peut-être moins utilisées que les précédentes : les méthodes évolutives. Au delà d'un
simple état de l'art, cet inventaire nous permettra d'expliquer notre choix. C'est ce
que nous ferons à la n de ce chapitre.
3.1 Les méthodes de distribution de mati?ere sur un

maillage de conception
Le problème (3.1) est continu en espace puisqu'on cherche une forme quelconque
dans
.
Une idée naturelle pour sa résolution, consiste à discrétiser le domaine
à l'aide
d'un maillage dit de (( conception )), de telle sorte que le problème (3.1) se reformule
comme un problème de distribution de matière dans les éléments du maillage de
conception (problème d'optimisation discrète). Cette approche est détaillée dans la
partie 3.1.1. La limitation principale de cette approche est que, comme elle conduit
à un problème d'optimisation discrète dont la résolution est coûteuse en calcul, le
maillage de conception doit être grossier.
Une famille importante de méthodes alternatives permet de se ramener à un
problème d'optimisation continue pour lequel on dispose d'algorithmes beaucoup
plus ecaces. Ces méthodes consistent à relaxer le problème (3.1), c'est-à-dire à
ne plus choisir le matériau dans un ensemble discret (vide ou plein) mais dans un
ensemble continu (on autorise une solution composée d'une innité de matériaux
entre le vide et le matériau plein). La gure 3.1 illustre le principe de ces approches
qui consistent à relaxer puis à discrétiser en espace et enn à pénaliser les densités
intermédiaires an d'obtenir une solution (( fabricable )) (composée de vide et de
plein).
D'un point de vue mécanique, la relaxation consiste à ne plus considérer un
matériau plein isotrope mais un matériau composite poreux. Il est alors nécessaire de
dénir les proprietes A du materiau anisotrope utilisé pour des densités comprises
entre 0 et 0, dans le but d'evaluer la fonction objectif et les contraintes. Pour cela,
deux types de methodes existent : les méthodes d'homogénéisation et la méthode
42
3.1 Les méthodes de distribution de mati?ere sur un maillage de
conception
Forme continue Forme discr?ete
Materiau discret Discretisation en espace Materiau discret
(Probl?eme (3.1)) (Probl?eme (3.3))
(partie 3.1.1)
Relaxation Penalisation
Forme continue Discretisation en espace Forme discr?ete

Materiau continu Materiau continu
Fig. 3.1 Principe des méthodes de distribution de matière.
SIMP.
Les methodes d'homogeneisation, décrites dans la partie 3.1.2, consistent à
considérer qu'un matériau avec une densité 2 ]0; 0[ est un matériau composite
avec une microstructure particulière et d'en déduire ses propriétés macroscopiques.
Quant à la methode SIMP (Simplied Isotropic Material with Penalisa-
tion), décrite dans la partie 3.1.3, elle permet de supprimer le concept délicat de la
microstructure en utilisant un matériau ctif, c'est-à-dire en faisant un choix arbi-
traire de la valeur des propriétés du matériau pour 2]0; 0[. L'étape de penalisation,
contrairement aux methodes d'homogeneisation, est dans ce cas implicite.
3.1.1 Méthodes conduisant à un problème d'optimisation dis-

crète
L'idée la plus simple pour la résolution du problème (3.1) consiste à passer du
domaine continu
à un domaine discret : on discrétise l'espace de conception
à
l'aide d'un maillage. Il s'agit alors de répartir de façon optimale de la matière dans
les éléments de conception.
Le maillage de conception utilisé pour la discrétisation du domaine
, sera note
, avec h la plus grande distance entre deux noeuds adjacents du maillage (h
co;h
représente la nesse du maillage) et tel que

=
[ ( co;h
)
j
j 2f1;::: ;N g
avec N le nombre d'éléments de conception.

Ce maillage peut être identique ou diérent de celui de calcul, note , permet-
ca;h
0
tant la resolution de l'equation d'etat. Le plus souvent, les maillages de conception

et de calcul sont confondus, mais pour reduire le nombre de variables d'optimisation,
43
on utilise couramment des maillages dierents : un element de conception peut alors
contenir plusieurs elements du maillage de calcul ( ca;h co;h) (cf. gure 3.2) ou
0
bien être complètement diérent (voir les méthodes décrites à la n de cette partie).
co;h
1co;h
h
0
jca;h
Fig. 3.2 Exemple d'un maillage de conception et d'un maillage de calcul.

Considérons maintenant le vecteur
= (i )i=1;::: ;N ; i 2 f0; 1g 8i;
qui indique la présence ou non de matière dans chaque élément du maillage de
conception.
On note alors
! =
[ (kco;h);
k2f1;:::;N gjk >0
la forme discrète associée, et le problème (3.1) devient
min f (! ) (3.3)

2f0;1gN

gi (! ) 0 i 2 I;
hi (! ) = 0 i 2 E:
Ce problème peut être résolu par un algorithme d'optimisation discrète.
44
conception
Determination du volume (ou surface) disponible
Discretisation du domaine :
Creation des maillages de conception et de calcul
Choix d'une forme initiale (initialisation de )
Resolution de l'equation d'etat (calcul elements nis)
E valuation de la fonction objectif et des contraintes
NON Solution optimale ?

Mise ?a jour des param?etres i
OUI OPTIMISATION
FIN
Fig. 3.3 Déroulement classique d'un algorithme d'optimisation topologique par
distribution de matière.
45
Le schéma donnant le principe d'un tel algorithme d'optimisation topologique
par distribution de matière est décrit sur la gure 3.3.
Remarques :
On initialise en général avec une forme pleine (
) mais d'autres choix sont
possibles.
Le problème (3.3) est generalement de très grande taille (le nombre de variables
de conception étant très important) et chaque evaluation de la fonction objectif
ou des contraintes est couteuse (car impliquant une analyse elements nis).
On peut vouloir ger (vides ou pleines) certaines parties du domaine
, ce
qui revient à restreindre l'ensemble des formes ! admissibles dans le problème
continu (3.1) ou à xer certaines composantes de à 0 ou 1 dans le problème
discret (3.3).
Diérents algorithmes peuvent être utilisés pour résoudre le problème (3.3) tels
qu'un algorithme de Branch and Bound, la méthode du recuit simulé, les algorithmes
génétiques (ou evolutionnaires) etc. Une description de ces methodes est donnee
au chapitre 4 et on pourra voir des exemples d'applications (notamment sur des
probl?emes de l'industrie automobile) dans [29], [30] ou [50].
La résolution du problème (3.3) présente des dicultés bien connues. Il a ete
demontre (voir [1] et [12] par exemple) que si l'on considère une suite de maillages
de conception de plus en plus ns (h ! 0), la suite des solutions du problème (3.3)
associé ne converge pas. En eet, lorsqu'on rane le maillage, on obtient en pratique
des solutions comportant de plus en plus de trous de petite taille, au lieu d'obtenir
une representation plus precise d'une meme structure optimale. La solution du pro-
blème (3.3) est ainsi fortement dependante du maillage de conception. Ce problème
de dépendance de la solution au maillage intervient aussi lors de l'utilisation de mé-
thodes d'optimisation topologique diérentes. On en verra plus loin (partie 3.1.2)
les raisons.
En plus de la diculté évoquée ci-dessus, cette formulation du problème, basee
sur un maillage donne et un tableau de bits, pose surtout un probl?eme de temps
de calcul et montre ses limites lorsqu'on ane le maillage de conception. En eet,
lorsque le nombre de variables d'optimisation est important, les methodes discr?etes
deviennent excessivement coûteuses en temps de calcul. Il est ainsi explique dans [8]
et [29] que leur utilisation est limitee ?a l'emploi d'un maillage grossier. Pourtant, un
maillage susamment n est souvent necessaire pour que la forme obtenue fournisse
susamment d'information au concepteur.
Ainsi, an de pallier cette diculté, des etudes ont ete faites sur l'utilisation de
parametrisations independantes de la discretisation elements nis. Ces approches
sont decrites dans [29] et [30] :
46
conception
Diagrammes de Vorono : Considerons un nombre ni de points V0 ; : : : ; VN (les
sites de Vorono) dans un domaine borne donne de
(le domaine de travail).
A? chaque site Vi (cf. gure 3.4), on associe l'ensemble de tous les points du
domaine de travail pour lesquels le site de Vorono le plus proche est Vi . On
nomme cet ensemble Ci = fx 2
tel que jjx ? Vi jj < jjx ? Vj jj 8j 6= ig (avec
jj:jj la norme euclidienne) cellule de Vorono. Le diagramme de Vorono
est la partition du domaine denie par les cellules de Vorono (cf. [47] pour
une description detaillee des diagrammes de Vorono).
Dans le cas d'un probl?eme d'optimisation topologique, le maillage de concep-
tion peut etre deni par un diagramme de Vorono. Les variables d'optimisa-
tion sont alors la densite de mati?ere (0 ou 1) ?a l'interieur de chaque cellule.
Le maillage de calcul est xe au depart (maillage elements nis classique).
L'evaluation des fonctions se fait par projection du diagramme de Vorono
sur le maillage de calcul (un element ni appartient ?a l'une ou l'autre des
categories (materiau ou vide) en fonction de la valeur de la cellule de Vorono
dans laquelle se trouve son centre de gravite). L'avantage d'une telle approche
est que l'on peut facilement choisir le nombre d'éléments de conception désirés.
Fig. 3.4 Diagramme de Vorono avec ses sites et ses cellules.
Dipoles : Un dipole est un ensemble de deux sites de Vorono, l'un etiquete 0

et l'autre 1, situes au meme point du domaine de calcul, avec une mediane
associee reperee par son angle directeur. Un dipole est donc deni dans R2 par
trois variables reelles : ses coordonnees (x; y) et l'angle de sa mediane avec
l'axe x. La gure 3.5 donne un exemple de dipole. Dans ce cas, le maillage de
Fig. 3.5 Dipole de Vorono.

47
conception est un ensemble de dipoles (cf. gure 3.6). Comme precedemment,
on dispose d'une partition du domaine de travail en deux sous-ensembles, et on
evalue les fonctions en projetant le maillage de conception sur celui de calcul
(maillage elements nis xe).
Cette representation tente de pallier la diculte d'ajustement des fronti?eres de
la solution lorsqu'on utilise les diagrammes de Vorono classiques. Il est en eet
dicile de modier une portion de fronti?ere sans toucher aux portions adja-
centes. Toutefois, dans ce cas aussi des situations delicates peuvent apparaître
notamment pour le controle de la mediane entre deux dipoles.
Fig. 3.6 Dipoles de Vorono et maillage de conception.
Barres de Vorono : Une barre de Vorono est denie par quatre variables reelles :
ses coordonnees (x; y), l'angle de la barre avec l'axe x et sa largeur (cf. gure
3.7). Pour une representation en barres, on trace dans un premier temps un
diagramme de Vorono, puis on place dans chacune des cellules une barre
ayant une largeur et une direction donnees. Le maillage de conception est
ainsi constitue d'un ensemble de barres (cf. gure 3.7), et il sut de projeter
ce maillage sur celui de calcul, en sachant qu'un element ni est considere
comme plein de mati?ere si et seulement si son centre de gravite est dans la
partie pleine d'une barre de Vorono.
Fig. 3.7 Barre de Vorono et maillage de conception.

48
conception
Cette representation aide ?a l'apparition de structures en treillis (solution op-
timale dans certains cas particuliers), en introduisant des formes elementaires
qui sont dej?a des barres. Elle permet par ailleurs d'eviter les dicultes de
controle des fronti?eres qui apparaissent dans les deux approches precedentes.
Il faut toutefois noter qu'il est souvent dicile d'utiliser cette parametrisation
dans un cas en trois dimensions.
Syst?emes de fonctions iterees (IFS) : Dans les trois methodes de parametrisa-
tion decrites precedemment, les blocs elementaires permettant de construire
la structure sont denis par l'utilisateur. Au contraire, dans la representation
?a base de syst?emes de fonctions iterees, aucune hypoth?ese n'est faite, ce qui
permet d'eviter des choix inadequats.
Un IFS est un ensemble de transformations contractantes (cf. [29] pour une
denition plus detaillee). Le principal interet d'un tel objet mathematique
est qu'il denit de mani?ere unique un ensemble particulier, appele son (( at-
tracteur )). Les attracteurs d'IFS furent ?a l'origine utilises pour denir des
ensembles fractals (tapis de Sierpinski, foug?ere de Barnsley, etc.), mais de
nombreuses autres applications existent en analyse d'image ou de signal.
En optimisation topologique, on resout le probl?eme inverse suivant : soit une
forme optimale !, trouver l'IFS dont l'attracteur est !. Comme explique dans
[29], la resolution de ce probl?eme est complexe et l'utilisation des IFS en op-
timisation topologique n'en est qu'?a ses premi?eres experimentations. De nom-
breux probl?emes se posent encore (temps de calcul important, qualite et ad-
missibilite de la solution, etc.).
On peut trouver dans [29], des exemples d'application de ces methodes de pa-
rametrisation couplees avec un algorithme evolutionnaire, notamment un cas en
trois dimensions.
Une autre méthode d'optimisation topologique conduit également à un problème
d'optimisation discrète de taille réduite. Il s'agit des méthodes d'optimisation topo-
logique utilisant des structures en treillis.
L'optimisation topologique de structures en treillis consiste à chercher la solution
du problème (3.3) parmi des structures composées de barres (ou (( poutres ))).
On dispose ainsi au depart d'un ensemble de n noeuds et de m connections pos-
sibles (representees par des barres) entre les noeuds et on cherche la sous-structure
optimale de cet (( univers structural )). Les variables de conception du probl?eme d'op-
timisation sont les sections des barres, qui ne peuvent prendre que les valeurs 1
(et non pas zero pour eviter des probl?emes de singularite de la matrice de raideur)
et 1. On utilise alors un algorithme d'optimisation discr?ete (comme un algorithme
genetique [50] ou le recuit simule [48]) et la topologie (( optimale )) est obtenue en
ne considerant ?a l'optimum que les sections signicatives (à valeur 1). Cette ap-
proche peut donc etre vue comme de l'optimisation parametrique avec un nombre
49
de variables eleve (nombre de barres). Lorsque tous les noeuds sont joints, le nombre
de barres est proportionnel au carre du nombre de noeuds et devient considerable
lorsque le reseau est dense. De plus, comme on ne supprime pas de barre au fur et
?a mesure (on met seulement la valeur de leur section ?a ), la taille du syst?eme reste
xe et le cout en temps de calcul tr?es eleve. On retrouve donc le problème de temps
de calcul déjà rencontré avec l'approche discrète basee sur un maillage donne et un
tableau de bits.
Il existe cependant pour la resolution de ce probl?eme des méthodes plus adaptées,
comme celles decrites dans [12] ou celle proposée par Beckers et Fleury dans [6, 5]
et utilisant une approche primale-duale. Ces methodes de resolution permettent en
eet de traiter des applications presentant un grand nombre de variables (jusqu'?a
plus de 130000 barres potentielles dans [6]), mais restent limitées à des problèmes
particuliers où notamment le nombre de contraintes est très faible (1 ou 2).
En fait, la véritable limitation de ces approches est la diculté d'interprétation
du treillis proposé pour dessiner la pièce à fabriquer.
D'autres methodes permettant de pallier les problèmes de temps de calcul de l'ap-
proche discr?ete, consistent ?a relaxer le probl?eme (3.3). Ces méthodes de relaxation,
decrites dans les deux parties suivantes, sont les plus connues et les plus utilisées en
optimisation topologique.
3.1.2 Les méthodes d'homogénéisation

Il est juste de considérer les travaux de Murat et Tartar à la n des années 70 et
au début des années 80 (voir [61] par exemple) comme fondateurs de la théorie de
l'homogénéisation appliquée à l'optimisation de forme. D'autres travaux théoriques
fondamentaux sur les liens entre l'optimisation de forme et l'homogénéisation ont
eu lieu en Russie et aux E tats-Unis (voir par exemple [33] ou [38]). De façon surpre-
nante, les premiers calculs numériques réalistes en ce domaine ne sont arrivés que
plus tard (citons en particulier le travail pionnier de Bendsøe et Kikuchi en 1988 [9]).
Ces méthodes sont jusqu'à présent limitées à l'élasticité linéaire et la plupart des
résultats théoriques ne concernent que l'optimisation de fonctions bien particuli?eres
[2].
Nous présenterons les méthodes d'homogénéisation dans le cas particulier du pro-
blème d'optimisation de forme qui consiste à minimiser, sur l'ensemble des formes
admissibles !, la somme pondérée de la compliance (notée c) et du poids (propor-
tionnel au volume noté ! ). Autrement dit, on cherchera une forme optimale qui
j j
minimise une fonction objectif particulière notée F (!) :

inf (F (! ) = c(! ) + j! j):
!
(3.4)
50
conception
C'est en eet dans ce cas particulier que la plupart des résultats théoriques ont été
établis.
Il est montré dans [1] qu'en l'absence de contrainte supplémentaire sur les formes
admissibles !, le problème (3.4) est mal posé, c'est-à-dire qu'il n'existe pas de forme
optimale. Dans ce cas, pour n'importe quelle forme admissible !1
donnée, il
existe une forme admissible !2
telle que F (!2) < F (!1). La raison mécanique
de ce phénomène de non-existence d'une solution au problème (3.4) est qu'il est
souvent avantageux de faire beaucoup de petits trous (plutôt que quelques grands
trous) dans une structure donnée an d'améliorer sa performance par rapport à un
compromis masse/raideur.
En revanche, on peut construire une suite (!) de formes telle que ! soit la
solution minimale de (3.4) parmi toutes les formes n'ayant pas de trou d'un diamètre
inférieur à (avec une telle restriction sur le diamètre minimal d'un trou, le problème
(3.4) a bien une solution).
Par conséquent, comme explique dans [1] et [2], atteindre le minimum de (3.4)
peut faire appel à un processus de passage à la limite ! 0 (lorsque les trous de-
viennent de plus en plus petit et de plus en plus nombreux) conduisant au matériau
d'origine inniment perfore. On est alors en presence d'un materiau composite (ou
heterog?ene) car constitue d'un melange de deux phases (ici vide et materiau). Le
minimum du problème (3.4) n'est donc pas réalisé par une forme stricto sensu mais
par un matériau composite.
L'idee des methodes d'homogeneisation est ainsi d'élargir l'espace des formes
admissibles en autorisant, dès le départ, les matériaux heterog?enes obtenus par un
mélange n de ce matériau et de vide.
D'apr?es la theorie de l'homogeneisation, un materiau composite (caracterise
par une certaine microstructure - melange materiau/vide) se comporte comme un
materiau homog?ene de densité volumique locale (fonction dénie sur
, prenant
ses valeurs entre 0 et 1 et indiquant le taux de matériau plein au point x 2
) et
de loi de Hooke A (fonction dénie en tout point de
). On dit alors que (x) et
A(x) sont les proprietes eectives (ou homogeneisees) du materiau composite au
point x. Il s'agit de determiner, toujours grace ?a l'homogeneisation, la valeur de A
pour une microstructure donnée.
Ainsi, si on note G l'ensemble des propriétés eectives possibles A pour des
matériaux composites ayant pour densité eective (pour une valeur de , il existe
plusieurs propriétés A possibles correspondant à des microstructures diérentes),
le probl?eme (3.4) devient (problème homogénéisé) :
Z
?
min F ; A ) = ec(; A ) +
01
e(
(x) dx : (3.5)
A G
2
51
Remarquons ici que les algorithmes numériques qui résolvent le problème (3.5)
vont fournir des solutions généralisées (composites) comportant des densités inter-
médiaires (entre vide et plein). Elles devront alors être post-traitées an d'obtenir
des solutions (( fabricables )) sans densité intermédiaire. On pourra comparer sur la
gure 3.8 (provenant de [2]) la solution optimale du problème (3.5) réalisée avec un
matériau composite et une forme voisine (( fabricable )) sans densité intermédiaire
(sous-optimale).
Fig. 3.8 Solution composite (gauche) et solution (( fabricable )) (droite).
Les propriétés eectives A et donc l'ensemble G pour une microstructure quel-

conque ne sont pas connus. Les approches proposées dans la littérature consistent
à faire des hypothèses sur la microstructure utilisée. Les variantes les plus connues
sont celles utilisant des materiaux lamines sequentiels, developpees par Allaire et
al. (voir [1], [2] et [12]), et celles utilisant des microstructures periodiques perforees,
introduites par Bendsøe et Kikuchi (voir [9], [8] et [62, 63]). Pour chacune des deux
approches, décrites ci-dessous, on présentera l'algorithme et la méthode de pénali-
sation associés.
Les matériaux laminés séquentiels
An d'être utilisée en optimisation topologique, une classe particulière de com-
posites doit être assez riche pour pouvoir espérer approcher aussi bien que possible
les composites optimaux et ainsi entraîner de bonnes propriétés de stabilité et de
convergence pour les algorithmes numériques. Elle doit également permettre une
description assez simple et explicite de ses membres an de préserver l'ecacité des
méthodes numériques.
Comme on peut voir dans [1], [2] ou [4], la classe des matériaux laminés séquen-
tiels satisfait ces critères : leur description nécessite un petit nombre de paramètres
et leurs propriétés macroscopiques sont données par des formules explicites. De plus,
ils sont optimaux pour les cas particuliers des crit?eres du type compliance ou fré-
quences propres.
Nous revenons ici au problème (3.4) et au problème homogénéisé (3.5) corres-
pondant. Dans ce cas, la valeur de la compliance est donnée par le principe de
52
conception
minimisation de l'énergie élastique complémentaire :
Z
ec(; A) = min
div =0 dans
A(x)?1 dx : (3.6)
n=f sur

Ainsi, l'ordre des minimisations en et en (,A) étant indiérent, on cherche :

(Z )
min Fe(; A) = div =0
01
mindans
min (A(x)?1 + (x))dx : (3.7)
A 2G n=f sur

A01
2 G

Désignons par L G l'ensemble des propriétés eectives A possibles pour une

classe particulière de matériaux composites qu'on appelle les laminés séquentiels.
En chaque point, la microstructure locale de ces matériaux est obtenue par mise
en couches successives du matériau plein et du vide dans des directions et avec
des proportions données. Une microstructure laminée est déterminée par un entier
p 1, le rang du laminé (c'est-à-dire le nombre de laminations successives qu'il faut
faire pour le construire), les vecteurs de directions des laminations (ei)1ip et la
proportion vide/plein
P dans la direction ei à chaque étape de lamination (mi)1ip
p
(0 mi 1 et i=1 mi = 1) (cf. gure 3.9).
e1
e2
Fig. 3.9 Representation d'une microstructure laminee sequentielle de rang 2.

Il est alors montré dans [1] que
min A ?1 = min A?1 : (3.8)
A 2G
A 2L
c'est-à-dire que le problème (3.5) réalise son minimum dans L .

E tant donne un tenseur des contraintes , on montre aussi dans [1] que pour le
problème (3.5), la microstructure laminée séquentielle optimale au point x est de
rang N (dimension de l'espace) avec comme directions de lamination (ei)1iN , les
53
valeurs propres de (x) et des proportions (mi)1iN s'exprimant en fonction de ces
mêmes valeurs propres :
p ?1
? ? 1 ? ? X c
A =A +
1 1
mifA(ei) ;
i=1
où fAc (ei) est un tenseur d'ordre 4 déni, pour toute matrice , par la forme quadra-
tique
fAc (ei): = A: ? 1 jAeij2 + (2++) ((A)ei:ei)2;
avec et les coecients de Lamé de A.

Dès lors, une fois A optimal connu, on trouve facilement le minimum de (3.7)
par rapport à la densité , ce qui termine le calcul explicite des paramètres de la
forme composite optimale pour un tenseur des contraintes donné . Seul le calcul
de reste à faire numériquement par une méthode d'éléments nis.
Le problème homogénéisé d'optimisation de forme (3.7) est donc, comme on l'a
vu, une double minimisation par rapport aux paramètres (; A) et au tenseur des
contraintes .
Rappelons ici que les problèmes (3.5) et (3.7) sont continus. Il est donc nécessaire
pour leur résolution numérique de discrétiser en espace et de chercher non pas une
forme continue mais discrète. On considère ainsi le maillage de conception co;h et
dans chaque élément, i et Ai pour i = 1; : : : ; N , tels que
(x) = i et A(x) = Ai 8x 2 ico;h:
L'algorithme proposé par Allaire et al. dans [2] est alors le suivant :
Initialisation : Choisir la forme initiale c'est-à-dire 0i et A0i pour i = 1; : : : ; N .
Répéter jusqu'à convergence :
1. E tant donné une forme (ik?1; Aki ?1), i = 1; : : : ; N , on calcule le tenseur des
contraintes k par résolution d'un problème d'élasticité linéaire (par une mé-
thode d'éléments nis).
2. E tant donné ce tenseur des contraintes k , on calcule les nouveaux paramètres
de forme (ki ; Aki ), i = 1; : : : ; N , avec les formules explicites d'optimalité fai-
sant intervenir k .
54
conception
Comme dej?a precise, nous obtenons ?a la n de l'algorithme une forme generalisée
(ou relaxee), c'est-?a-dire une pi?ece constituee de densites intermediaires et donc non
(( fabricable )). Notre but est alors d'obtenir une forme quasi-optimale constitu ee
uniquement de matériau plein et de vide (non composite), ceci grace ?a une tech-
nique de post-traitement qui permet de penaliser les densites intermediaires. En
d'autres termes, la solution du probl?eme relaxe est projetee sur l'espace des formes
non composites. La strategie proposee dans [2] est la suivante : on eectue quelques
iterations supplementaires de l'algorithme, au cours desquelles on force les densites
?a prendre des valeurs proches de 0 ou 1. En pratique, au lieu de mettre ?a jour la
e optimale opt, on utilise la valeur pen = (1 ? cos(opt))=2.
(( vraie )) densit
La plupart des résultats théoriques de cette methode ont été obtenus pour le
problème (3.4) et pour l'optimisation des fréquences propres ou des deplacements
d'une structure (pour un ou plusieurs chargements). En eet, la microstructure
optimale n'est connue explicitement que pour ces fonctions particuli?eres. Toutefois,
cette technique peut etre etendue d'un point de vue numerique ?a l'optimisation
d'un tenseur des contraintes. On utilise pour cela des microstructures sous-optimales
(mais toujours caracterisees par une formule explicite), comme explique dans [1].
Par rapport au travail initial de Bendsøe et Kikuchi (cf. paragraphe suivant)
qui utilisent comme microstructure une cellule périodique carrée percée d'un trou
rectangulaire, cette approche se distingue (entre autres) par l'utilisation de micro-
structures optimales, à savoir les laminés séquentiels (equation (3.8)). Les laminés
séquentiels ne sont pas la seule classe connue de microstructures optimales, mais
c'est la plus facile à utiliser.
Les microstructures périodiques perforées

Comme expliqué dans [9], [63] ou [39], un autre type de microstructures peut
être considéré. Il s'agit des microstructures périodiques perforées. La microstructure
en un point x du matériau est alors caractérisée par la repetition periodique d'une
cellule unitaire (inniment petite) composée du matériau initial et d'un trou (cf.
gure 3.10). Quatre modèles de cellule unitaire, representes sur la gure 3.11, sont
usuellement considérés : (a) une cellule avec un trou carré ((( modèle S ))), dans ce
cas la densité de la cellule est prise comme variable de conception, (b) une cellule
avec une cavité rectangulaire ((( modèle R ))), dans ce cas les variables sont les côtés
du rectangle, (c) le (( modèle SR )) et (d) le (( modèle RR )) similaires respectivement
au (( modèle S )) et au (( modèle R )) avec la rotation du trou comme degré de liberté
supplémentaire.
Dans ce cas, la principale hypothèse de la théorie de l'homogénéisation est que
les cellules microscopiques ont une période et des dimensions innitésimales com-
parées aux variables (( macroscopiques )) et au volume de départ. On peut donc
supposer que les propriétés du matériau sont des fonctions périodiques des variables
55
11111
00000
00000
11111
00000
11111
00000
11111
00000
11111
11111 Cellule unitaire
00000
00000
11111
00000
11111
00000
11111
00000
11111
Microstructure periodique
Fig. 3.10 Exemple de microstructures périodiques perforées.
a b
a a
(a) mod?ele S (b) mod?ele R
a b
a a
(c) mod?ele SR (d) mod?ele RR

Fig. 3.11 Mod?eles de cellule unitaire perforee.
56
conception
microscopiques et la théorie mathématique de l'homogénéisation permet de rem-
placer le matériau hétérogène périodique par un (( équivalent )) homogène ayant le
meme comportement. Elle est ainsi utilisée pour calculer les coecients d'élasticité
homogénéisés pour des tailles de trous variées.
En chaque point x du matériau, la microstructure locale est donc caractérisée
par les paramètres a, b, de la cellule unitaire considérée.
Comme explique dans [9], [12] et [63], le problème est résolu en deux étapes :
1re étape : Pré-calcul des coecients d'élasticité homogeneises.
Pour certaines tailles de trou données (c'est-à-dire pour certaines valeurs de
paramètres a, b et ), on discretise la microstructure et on obtient, à l'aide d'un
schéma éléments nis, les déformations caractéristiques de la cellule. Les coecients
d'elasticite homogeneises A (necessaires à l'expression de la fonction objectif et des
contraintes) sont ensuite calculés a? partir des valeurs de ces déformations microsco-
piques. Les valeurs des coecients pour toutes les autres tailles de trou (c'est-à-dire
pour toutes les autres valeurs des paramètres) sont ensuite calculées par interpola-
tion.
Notons que contrairement au cas des laminés séquentiels, il n'y a pas ici d'ex-
pression explicite des coecients homogeneises. Le calcul de A pour une valeur des
paramètres nécessite la résolution de plusieurs schémas éléments nis.
2e étape : Algorithme de resolution.
Dans chaque élément de conception, les valeurs des propriétés A du matériau
i
et de sont données par la valeur des paramètres a , b et correspondants (pré-

i i i i
calcul). Un algorithme d'optimisation est alors utilisé pour résoudre le problème (3.4)
discrétisé (c'est-à-dire trouver les paramètres a , b et optimaux dans chaque élé-
i i i
ment du maillage de conception). Rappelons qu'à chaque iteration, l'évaluation de

la fonction objectif et des contraintes se fait par la resolution d'un schema elements
nis.
Enn, il est dans ce cas aussi necessaire a posteriori de penaliser les densites inter-
mediaires de la structure optimale obtenue. On utilise ici une procedure iterative
(voir [9]) permettant de determiner si dans chaque element de conception vaut 0
i
ou 1, sans que le volume de la pi?ece optimale ne soit modie.

Cette methode d'homogeneisation, comme la precedente, est limitee ?a l'elasticite
lineaire. De plus, la plupart des resultats concernent l'optimisation d'une compliance
(un ou plusieurs chargements) (voir [9], [12] ou [62] par exemple) ou des frequences
propres (voir [40], [41], [39] ou [63]), c'est-?a-dire l'optimisation d'une fonction parti-
culi?ere.
Nous présentons dans le paragraphe suivant une méthode alternative aux mé-
57
thodes d'homogénéisation.
3.1.3 La methode SIMP

Les méthodes d'homogeneisation decrites dans les sections precedentes peuvent
paraître diciles ?a mettre en oeuvre et inadaptees aux probl?emes reels. On passe en
eet beaucoup de temps à introduire la théorie de l'homogénéisation, à dénir une
microstructure optimale et des formules complexes pour mettre à jour les diérentes
variables, alors qu'à la n on oublie tout ce qu'on a fait précédemment puisqu'on
pénalise et on élimine le matériau composite.
Bendsøe [7], puis Rozvany, Zhou et Sigmund [49] et enn Yang et Chuang [66],
ont alors introduit une méthode plus simple, la methode SIMP (Solid Isotropic Ma-
terial with Penalization), appelée aussi méthode des matériaux ctifs, qui s'av?ere
bien fonctionner en pratique.
La methode SIMP consiste aussi ?a utiliser une densité continue plutôt qu'une
forme réelle. Toutefois, on supprime dans ce cas le concept délicat de la microstruc-
ture (puisqu'à la n toutes les densités intermédiaires doivent etre éliminées par
la pénalisation) et on travaille avec un matériau ctif, en prenant en un point x
de
, une valeur A(x) arbitraire pour une densité volumique (x) 2 [0; 1], qui ne
correspond pas forcément à un matériau composite existant. Plus précisément, on
considère, pour tout x 2
,
A(x) = [(x)]pA0; (3.9)
0 (x) 1; (3.10)
avec p > 1.
Ainsi, si on discrétise en espace (utilisation du maillage de conception), la densité
i et les propriétés Ai du matériau ctif utilisé dans chaque élément de conception
sont données, pour i = 1; : : : ; N , par
i = i 0; (3.11)
Ai = i A ;
p 0
(3.12)
avec 0 i 1; i = 1; : : : ; N , 0 et A0 les propriétés du matériau de depart. Le
problème (3.1) se réécrit alors sous la forme :
min f () (3.13)
2[0;1]N

gi() 0 i 2 I;
hi() = 0 i 2 E:
58
conception
Contrairement aux methodes d'homogeneisation présentées dans la partie pré-
cédente, il n'est pas necessaire de penaliser a posteriori les densites intermediaires
de la structure optimale obtenue pour la classe large des problèmes consistant à
minimiser la masse en maximisant la raideur. On peut en eet montrer que, lorsque
p > 1, les densites intermediaires auront naturellement tendance ?a prendre les va-
leurs 0 ou 1. Pour expliquer cela, on a represente sur la gure 3.12 la masse et la
raideur du materiau ctif en fonction de , la masse etant proportionnelle ?a la den-
i
site et la rigidite proportionnelle ?a . On peut voir que pour p > 1 les densites
i
p
i
intermediaires ne sont pas favorables dans le sens o?u elles correspondent ?a une ri-
gidite faible comparee à la masse du materiau (situation opposee ?a notre objectif
qui est, dans la plupart des cas, la maximisation d'une raideur avec minimisation de
la masse de la structure). Avec cette formulation du probl?eme d'optimisation topo-
logique, un algorithme d'optimisation locale cherchera ?a deplacer vers du materiau
plein les elements de conception tels que la valeur correspondante est proche de 1
i
pour l'iteration courante (gain signicatif en rigidite pour une petite perte du point
de vue masse) et, de la meme facon, cherchera a? deplacer vers du vide les elements
tels que la valeur correspondante est proche de 0 pour l'iteration courante (faible
i
perte de rigidite pour un gain signicatif du point de vue masse).

On peut d?es lors supposer que la qualite de la solution obtenue sera fortement
dependante de la solution initiale. Nous etudierons cet aspect par la suite.
Masse
Rigidite
0 1
Fig. 3.12 Representation de la masse et de la rigidite de la structure en fonction

de la densite .
i
Remarque : Nous avons vu, que contrairement aux methodes d'homogeneisa-

tion, le mod?ele SIMP utilise les proprietes d'un materiau ctif et ne peut donc pas
toujours etre interprete physiquement. On peut alors se demander si en choisissant
une puissance p particuli?ere, on ne pourrait pas trouver un materiau, par exemple
composite, dont les proprietes verient (3.9) et (3.10). Il est demontre dans [10] et
[12] que le mod?ele SIMP peut etre considere comme un mod?ele de materiau si la
59
puissance p satisfait
p max 1 ?2 ; 1 +4 (en 2D);

0 0
1 ? 0 3 1 ? 0
p max 15 7 ? 5 ; 2 1 ? 2 (en 3D); (3.14)
0 0
o?u 0 est le module de Poisson du materiau de depart.
Rappelons que nous devons egalement tenir compte, dans le choix de p, du fait
qu'une forme bien pénalisée (sans densite intermediaire) n'est obtenue qu'avec une
valeur de p assez grande (d'apr?es [12], en general p > 3). On observe toutefois dans
les tests qu'une penalisation trop sev?ere des densites intermediaires peut conduire ?a
des minima locaux et ?a des formes tr?es sensibles au choix du point initial. Il est donc
conseille dans [12] d'utiliser une suite de valeurs croissantes pour p et de démarrer
l'optimisation pour une valeur de p donnée, à partir de la solution optimale trouvée
pour la valeur précédente de p. On recommande de plus d'utiliser une methode au
cours de laquelle la valeur de p est augmentee lentement, an qu'elle atteigne la
valeur souhaitee (satisfaisant nos crit?eres) aux derni?eres iterations. Cette stratégie
ne garantit pas une forme sans densité intermédiaire, meme si elle donne de bons
résultats dans la plupart des cas [12].
L'approche SIMP, bien que moins sophistiquée que les méthodes d'homogénéisa-
tion du point de vue de la théorie physique sous-jacente, est tr?es simple ?a mettre en
oeuvre et a l'avantage d'etre generale car aucune hypothèse sur la forme du problème
n'est nécessaire (contrairement aux méthodes d'homogénéisation). On peut ainsi voir
dans [12] (ou [67] pour des exemples dans l'industrie automobile) qu'elle permet de
traiter des objectifs multiples et des probl?emes multidisciplinaires. Un exemple est
aussi donne dans [11] et [54] sur la prise en compte de plusieurs materiaux pour
l'optimisation de la forme d'une structure mecanique. Enn, notons que Bendsøe
et Sigmund proposent dans [12] un critère (généralisation en dynamique du critère
statique de compliance déni au chapitre 2) permettant de prendre en compte des
contraintes dynamiques de type réponses forcées.
D'autres méthodes, utilisant également un matériau ctif mais un autre schéma
d'interpolation pour l'expression (3.9) des coecients A, sont décrites dans [12,
pages 60 à 67]. Ces techniques, moins utilisées et moins faciles à mettre en oeuvre
que la méthode SIMP, peuvent toutefois présenter des avantages pour la résolution
de certains problèmes spéciques.
60
conception
3.1.4 Dicultés fréquemment rencontrées avec les méthodes
de distribution de matière
Comme évoqué au paragraphe 3.1.1, un probl?eme de dependance de la solution
au maillage peut se poser avec toutes les méthodes de distribution de matière (non
convergence de la solution discrète lorsqu'on rane le maillage de conception). Deux
autres dicultés, que nous décrivons ci-dessous, peuvent également apparaître avec
ces méthodes : le problème des damiers et le problème des modes locaux. Le but de
cette partie est de décrire les techniques permettant de pallier ces dicultés. Cette
liste n'est pas exhaustive et nous conseillons [12] pour plus de détails et un inventaire
plus complet.
Le probl?eme de dependance de la solution au maillage
An d'éviter le probl?eme de dependance de la solution au maillage, un traitement
complementaire est necessaire. Il existe pour cela trois grands types de methodes
(decrites et comparees dans [12] et [55]).
Ajout d'une contrainte sur le perim?etre de la structure. Le perim?etre d'une
structure
est egal ?a la somme des longueurs de toutes ses frontières (inte-
rieures et exterieures). Contraindre le perim?etre limite donc le nombre de
trous qui peuvent apparatre dans le domaine. L'avantage de cette méthode
est qu'elle n'entrane aucune modication de l'algorithme. L'inconvénient est
que le choix de la borne pour la contrainte peut etre dicile a? faire.
Ajout d'une contrainte sur la variation locale de la densite. Il sut ici d'im-
poser des bornes sur la variation de : @x@ ; i = 1; 2; 3. Cette contrainte
j j
est malheureusement souvent inexploitable ?a cause du trop grand nombre de

i
contraintes supplementaires ?a considerer. On rapporte dans [12] et [55] que la

methode est trop lente pour des probl?emes pratiques d'optimisation topolo-
gique. Une autre idee consiste alors ?a creer une contrainte (( globale )) sur le
gradient, portant sur la norme de Sobolev H 1(
) :
Z
? 2 12

jj jj
H1 = 2 + jjrjj d
:

Le choix de la borne de la contrainte peut être dans ce cas aussi problématique.

Filtres sur la densité. Cette methode, similaire au ltrage d'image, consiste
à limiter la variation des densites en modiant l'expression des coecients
d'elasticite. Plus précisément, ce ltre impose que la raideur en un point x de

depende de la densite de tous ses voisins. Il empeche ainsi la formation de
petits trous (et assure donc l'indépendance de la solution au maillage).
Filtres sur les sensibilités. Des tests, presentes dans [55], ont montre que cette
methode est la plus ecace pour assurer l'independance de la solution au
61
ranement du maillage. Elle consiste ?a modier la sensibilite de la fonction
objectif pour un element donne en utilisant une moyenne ponderee de ses
sensibilites par rapport aux elements voisins.
Le problème des damiers

En plus de la dépendance de la solution au maillage, une autre diculté peut ap-
paraître aussi bien avec la methode SIMP qu'avec les methodes d'homogeneisation :
le probl?eme des damiers. Il s'agit d'un probl?eme lie ?a la formation de regions
o?u alternent des elements vides et solides ordonnes en damiers (cf. gure 3.13).
Ces congurations sont dues au schema elements nis et plus particuli?erement ?a
de mauvaises modelisations numeriques qui surestiment la raideur des damiers. Les
damiers peuvent en eet avoir une grande raideur articielle si on les analyse avec
une discretisation inappropriee [55, 20].
Fig. 3.13 Exemple d'une solution avec damiers.
L'utilisation d'elements nis de plus haut degre pour le calcul du deplacement

(notamment des elements de 8 ou 9 noeuds) permet d'eviter les probl?emes de damiers
pour les methodes d'homogeneisation. Avec l'approche SIMP, il faut de plus que la
valeur de p soit susamment petite. Le principal inconvenient de l'emploi d'elements
nis de plus haut degre est l'augmentation du temps de calcul, rendant l'approche
impraticable pour les problèmes réels.
Comme pour eviter la dependance de la solution au maillage, on peut soit ajouter
une contrainte au probl?eme d'optimisation an de limiter l'apparition des damiers
(une heuristique est ainsi decrite dans [12]), soit utiliser une technique de ltres. Les
resultats rapportes dans [12] semblent indiquer que cette dernière methode est tr?es
ecace.
Le problème des modes locaux

Cette diculté intervient lorsqu'on utilise la méthode SIMP pour la résolution
de problèmes dynamiques. En eet, lors du calcul de la base modale (calcul des
fréquences et des modes propres de la pièce cf. partie 2.3), de nombreux modes
locaux, faisant intervenir un petit nombre d'éléments, apparaissent dans les régions
où le rapport masse/raideur est très grand.
62
3.2 Les méthodes basées sur le gradient de forme
Ainsi, dans le cas de la méthode SIMP, cela se produit lorsque la densité i est
faible puisque, lorsque la densité i tend vers 0, le rapport masse/raideur (égal à , i
p
p > 1) tend vers l'inni. Ces modes (( articiels )) sont donc dus à la modélisation
i
des trous dans la pièce par un matériau (( mou )) ayant une densité (et donc une
masse) non pas nulle mais faible.
Le nombre de ces modes locaux pose problème puisqu'il augmente le temps de
calcul et rend dicile l'identication des modes réels de la pièce que l'on cherche à
optimiser.
Une solution consiste à faire en sorte que le rapport masse/raideur reste tou-
jours ni lorsque la densité diminue, c'est-à-dire, dans le cas de la méthode SIMP,
à utiliser un autre schéma d'interpolation pour l'expression (3.9), par exemple ceux
des méthodes décrites dans [12, pages 60 à 67] et dont on a déjà évoqué l'existence
précédemment.
D'autres methodes d'optimisation topologique, basees sur un concept dierent
de celui de distribution de matière, ont ete developpees en parall?ele. Nous decrivons
bri?evement dans les deux parties suivantes certaines d'entre elles. Cette liste est loin
d'etre exhaustive et l'on pourra voir [12] ou [23] pour un inventaire complet.

Après avoir donné la dénition du gradient de forme et expliqué comment le
calculer, nous décrivons dans cette partie deux méthodes basées sur son expression :
la méthode des lignes de niveau puis celle utilisant le gradient topologique.
3.2.1 Le gradient de forme

Les méthodes d'optimisation de forme (( classique )), décrites au chapitre 1, re-
posent sur la dénition du gradient de forme. Ce dernier donne en eet l'inuence
du mouvement des frontières du domaine sur la fonction considérée.
Des détails sur les notions de ce paragraphe peuvent être trouvés dans [57] ou
[43] par exemple.
Soit ! Rd (d = 2 ou 3) un ensemble ouvertSet born S e. On suppose que la
fronti?ere de ! est divisée en trois parties : @! = ? S?N ?D , avec les conditions
aux limites de Dirichlet sur ?D et de Neumann sur ? ?N . On suppose de plus que
les frontières ?D et ?N sont xées et donc que seule ? peut varier.
Soit !0 un domaine de référence, on considère les domaines du type
! = (Id + )(!0 ) avec 2 C 1(Rd; Rd):
63
(Pour vériant jjjjC1(Rd;Rd) < 1, (Id + ) est un diéomorphisme de Rd).
On appelle dérivée de forme d'une fonction J (!) en !0 la diérentielle J 0(!0)(au
sens de Fréchet) de 7! J ((Id + )!0 ) en 0 :
J ((Id + )(!0)) = J (!0) + J 0(!0)() + o();
avec
lim jjo()jjC1 = 0 et 7! J 0(! )() est une forme linéaire continue:
!0 jj jj 1
0
C
Exemple : Soient ! un ouvert de Rd (d = 2 ou 3), f (x) 2 C 1(Rd) et

Z
J (!) = f (x) dx:
!
J est diérentiable en !0 et
Z Z
J 0(!0)() = div((x)f (x)) dx = (x):n(x)f (x) dx
!0 @!0
pour tout 2 C 1(Rd).

Cette dérivée est bien dénie et nous décrivons dans ce qui suit la méthode du
lagrangien de Céa permettant de la calculer (on pourra voir [43] pour le détail des
calculs).
Méthode du lagrangien
Supposons que ! soit rempli d'un matériau élastique, linéaire et isotrope de loi
de Hooke A et que l'on souhaite minimiser la fonction
Z
J (!) = j (u) dx;
!
où j 2 C 1(!) et u est solution du problème d'élasticité (cf. chapitre 2) suivant

8 ?div(A(u)) = 0 dans !
><
u=0 sur ?D
>: (A(u))n = f sur ?N
s
(A(u))n = 0 sur ?:
Considérons !0 Rd et sa frontière @!0 divisée en trois parties : @!0 = ?0 [
?0N [ ?0D . Céa montre dans [16] que la dérivée de forme de J en !0 est donnée par
la formule
Z
0
J (!0)() = (j (u) + A(u):(p0)):n ds;
?0
64
S
avec = 0 sur ?0N ?0D , u solution du problème d'élasticité
8 ?div(A(u)) = 0
>< dans !0
u=0 sur ?0D
>: (A(u))n = f ssur ?0N
(A(u))n = 0 sur ?0
et p0 l'état adjoint dans !0, solution du problème
8 ?div(A(p )) = ?j (u) dans !
< 0
0
0
p 0=0
: (A(p0))n = 0 sur ?0D S
sur ?0N ?0:
Ainsi, par exemple, dans le cas où J est égal à la compliance
Z Z
J (!) = f :u ds =
s A(u):(u) dx;
?N !
sa dérivée de forme est égale à

Z
J (!0)() =
0
?A(u):(u):n ds:
?0
Notons ici que le gradient de forme n'est pas toujours facilement calculable.
Son expression est bien connue dans le cas de fonctions particulières (comme la
compliance) mais ce n'est pas toujours le cas, notamment lorsque le calcul de l'état
adjoint n'est pas immédiat.
3.2.2 La methode des lignes de niveaux

L'idee d'utiliser une methode de lignes de niveaux en optimisation topologique
a ete proposee recemment par Sethian et Wiegmann [53] et s'inspire des methodes
de lignes de niveaux d'Osher et Sethian [45] utilisees en mecanique des uides, en
traitement d'image, etc.
Nous avons choisi de décrire ici le travail d'Allaire et al. [3], qui se distingue de
celui de Sethian et Wiegmann [53] du fait qu'il utilise le gradient de forme et un
materiau mou pour representer le vide. Cette méthode permet de prendre en compte
des fonctions objectifs très générales. De plus, comme les formes ! considérées ne
sont pas maillées mais capturées sur le maillage xe d'un domaine
avec !
, le
coût en temps de calcul reste modéré (pas de remaillage nécessaire).
Supposons (comme dans [3]) que l'on ait à minimiser la fonctionnelle J (!) avec
J representant par exemple une compliance et ! Rd un ensemble ouvert, borne,
65
rempli d'un materiau lineaire, elastique et isotrope de loi de Hooke A (on se place
ici en elasticite lineaire mais il n'y a aucune diculte ?a choisir un autre mod?ele).
S S encore une fois que la fronti?ere de ! est divisée en trois parties : @! =
Supposons
? S ?N ?D , avec les conditions aux limites de Dirichlet sur ?D et de Neumann sur
? ?N . On suppose toujours que les frontières ?D et ?N sont xées et donc que
seule ? peut varier. On introduit le domaine de travail
Rd dans lequel toutes
les formes admissibles ! sont incluses et on suppose que ?D et ?N font partie de la
fronti?ere de
(@
). On utilise aussi un maillage régulier de
, xé une fois pour
toutes.
On va alors capturer une forme !
sur ce maillage xe comme une ligne de
niveaux d'une fonction . En d'autres termes, on décrit les frontières de ! ?a l'aide
d'une fonction de lignes de niveaux denie sur
telle que :
8 (x) = 0 () x 2 @! T
;
<
() x 2 !;
: ((xx)) >< 00 () x 2 (
n !):
La fronti?ere ? de ! (representee par la ligne de niveau (x) = 0) est ainsi une
interface separant la partie pleine de mati?ere, !, de la partie vide,
n ! (remplie
d'un materiau mou de loi de Hooke B = 10?3 A).
Au l du processus d'optimisation, la forme va évoluer selon un temps ctif qui
correspond à un pas de descente.
Supposons maintenant que la forme ! = !(t) évolue suivant le temps t avec une
vitesse normale V (t; x). Dans ce cas, si on dérive l'équation
(x(t); t) = 0 8x(t) 2 @!(t);
on obtient
@t + dtd x(t):rx = @t + V n:rx = 0: (3.15)
Or, comme n = jjrrxx jj , (3.15) s'ecrit :
rx = 0:
@t + V rx : jjr (3.16)
x jj
Il vient donc que doit satisfaire l'equation d'Hamilton-Jacobi suivante :
@t + V jjrx jj = 0: (3.17)
(Cette equation est posée sur tout
et pas seulement sur le bord @!, à condition
que la vitesse soit partout connue).
66
Pour améliorer la forme !, on va alors transporter ses frontières (c'est-à-dire la
ligne de niveau = 0) suivant la direction opposée au gradient de forme, la variable
de temps t jouant le rôle de pas de descente. Il sut ainsi de résoudre (3.17) avec
V = ?J (! ). On utilise pour cela un schema aux dierences nies inspire de ceux
0
utilises pour les equations hyperboliques non lineaires (voir [52] pour plus de details
et l'exemple du schema de Crandall-Lions).
Remarques :
La normale n donnee par xx est calculee par dierences nies.
r
jjr jj
Meme si n n'est denie que sur ?, la methode des lignes de niveaux permet
d'etendre sa denition ?a tout le domaine
.
La procedure iterative (decrite dans [3]) pour la resolution d'un probl?eme d'op-
timisation topologique ?a l'aide d'une methode de lignes de niveaux, est structuree
comme suit :
Initialisation : Choisir la fonction lignes de niveaux 0 correspondant au choix
initial
0 (an d'avoir de nombreux trous on pourra choisir un produit de sinus par
exemple).
Répéter jusqu'?a convergence :
1. Calcul de uk (solution du problème d'élasticité linéaire) et de pk (état adjoint
correspondant). L'analyse elements nis est eectuee sur un maillage quadran-
gulaire xe.
2. Calcul du gradient de forme correspondant à la vitesse normale Vk .
3. Transport de la forme à la vitesse Vk an d'obtenir une nouvelle forme k+1.
Il est important de noter que dans le cas o?u le pas de temps tk verie la condi-
tion de Courant-Friedrichs-Levy pour (3.17) (condition necessaire ?a la convergence
du schema aux dierences nies choisi), cet algorithme ne permet pas la creation
de nouveaux trous. Toutefois cette methode entraîne des changements de topologie
comme la disparition ou la fusion de trous. Elle reste donc une methode d'optimisa-
tion topologique ?a condition que le nombre de trous dans la conguration de depart
soit susamment important.
On remarque également que l'algorithme decrit ci-dessus conduit a? un minimum
local qui depend fortement du choix de la topologie initiale. Dans [3], les resultats
obtenus avec une topologie initiale bien choisie sont similaires ?a ceux obtenus avec
les techniques d'homogeneisation utilisant les laminés séquentiels decrites au para-
graphe 3.1.2 mais avec une convergence moins rapide. Bien que l'on soit au stade
67
initial de developpement de cette technique, on trouvera des exemples d'application
interessants dans [3] ou [53].
3.2.3 Le gradient topologique
Le gradient topologique d'une fonctionnelle (comme la compliance par exemple)

donne une information sur l'opportunité de créer des trous de taille innitesimale à
certains endroits de la structure.
Les premiers ?a introduire la notion de gradient topologique furent Cea [16] et Céa
et al. [17] en 1973. Ils utilisaient alors une extension du gradient de forme classique
(cf. partie 3.2.1) ?a l'ensemble du domaine de conception. Plus tard, Schumacher
introduisit dans [51], la premi?ere denition du gradient topologique. Sa methode,
referencee sous le nom de (( bubble method )) [22], consiste ?a introduire un petit
trou dans le domaine de conception et ?a l'elargir ?a l'aide d'une methode d'optimi-
sation de forme classique. Sokolowski et al. donn?erent dans [56], une justication
mathematique ?a cette technique et Masmoudi a développé dans [42], une méthode
adjointe permettant de prendre en compte une fonction objectif très générale. C'est
cette dernière formulation que nous donnons ici.
Considerons un domaine
Rd, d = 2 ou 3, de fronti?ere ?. Soient u
la solution
d'une equation aux derivees partielles denie sur
et J (
) une fonction cout de la
forme : J (
) = j (
; u
).
Pour r > 0, on dénit l'ensemble
r =
n(x0 + r!), obtenu en supprimant la
partie x0 + r! de
, où x0 2
et ! Rd.
Dans [42], Masmoudi dénit alors le développement asymptotique de la fonction
J sous la forme suivante :
J (
r ) = J (
) + f (r)g (x0 ) + o(f (r)); (3.18)
où g(x0) est le gradient topologique et f une fonction à valeurs réelles telle que
lim f (r) = 0 et f (r) > 0:
r!0
Il utilise pour cela deux outils mathématiques : une méthode de lagrangien géné-
ralisée et la troncature du domaine (on trouvera des détails dans [26] par exemple).
L'avantage de cette méthode est qu'elle permet de donner la valeur de g(x) pour
tout x en fonction de u
et de son état adjoint p
qui, eux, ne dépendent pas de x.
Numériquement, cela signie que seule la résolution de deux systèmes (ceux donnant
les valeurs de u
et de p
) est nécessaire pour connaître la valeur de g(x) pour tout
x 2
.
On notera que le sens physique de la création d'un (( trou )) (si on se place dans
le contexte de la mécanique des structures) dépend des conditions aux limites impo-
sées sur les frontières de ce trou. Par exemple, dans le cas de conditions aux limites
68
de Neumann homogènes, x0 + r! représente une perforation alors que dans le cas
de conditions aux limites de Dirichlet homogènes, x0 + r! représente une soudure.
Ainsi, l'expression du gradient topologique va dépendre aussi bien de ces conditions
aux limites que du problème traité (le gradient topologique pour un problème d'élas-
ticité linéaire sera en eet diérent de celui calculé pour la résolution des équations
de Maxwell).
Si on revient à l'expression (3.18), on remarque que la variation de la fonctionnelle
J est donnee par le signe de g (x). Donc, si on veut minimiser la fonction coût J (
),
on doit créer un trou là où g est négative. On obtient ainsi (cf. [16]) la condition
d'optimalite suivante :
g (x) 0 dans
; (3.19)
qui peut être utilisée dans un algorithme d'optimisation. On trouve par exemple
dans [16], l'algorithme suivant :
Initialisation : Choisir un domaine initial
0 et poser k = 0.
Repeter (tant que la cible n'est pas atteinte) :
1. Calculer uk et pk les solutions directes et adjointes denies sur le domaine
k .
2. Calculer le gradient topologique gk .
3. Denir le nouveau domaine
k+1 = fx 2
k ; gk (x) 0g.
4. Faire k := k + 1.
En pratique, le gradient topologique est calculé sur chaque élément d'un maillage
xe. Les éléments sont ensuite classés suivant la valeur de leur sensibilité, puis ceux
pour lesquels elle est la plus faible, sont supprimés. Le nombre d'éléments supprimés
à chaque étape est donné par la valeur du quotient du volume d'éléments supprimés
sur le volume de la structure précédente. On peut prendre par exemple la valeur 15
ou 101 .
Enn, on note que la méthode du gradient topologique a l'avantage de permettre
de traiter des fonctions objectifs très générales (on pourra trouver des exemples d'ap-
plication en mecanique (elasticite lineaire) et en électromagnétisme dans [15] et [25])
et n'est généralement pas très coûteuse en temps de calcul. Elle présente cependant
l'inconvénient non négligeable d'être dicilement mise en oeuvre puisque l'expres-
sion du gradient topologique n'est pas toujours calculée aisément. En eet, le calcul
de l'état adjoint n'est pas toujours facile surtout lorsque l'opérateur n'est pas auto-
adjoint ou, pire, s'il n'est pas linéaire. On peut toutefois utiliser une approximation
du gradient topologique et obtenir de bons résultats.
69
3.3 Les methodes evolutives
De nombreuses methodes de resolution n'utilisant ni la programmation mathe-
matique ni l'analyse de sensibilites ont ete proposees (voir [23] pour un inventaire).
Ces techniques sont appelees methodes evolutives, mais n'ont aucun lien avec
l'utilisation des algorithmes evolutionnaires (ou genetiques). L'idee principale est
similaire ?a celle des methodes de (( fully stressed design )), c'est-?a-dire que l'on va
ajouter de la mati?ere l?a o?u la valeur du tenseur des contraintes est elevee et en
supprimer l?a o?u elle est faible (en pratique, on ajoute ou on supprime des elements
du maillage).
Ainsi, la procedure iterative developpee par Xie et Steven [65] (détaillée dans
[32]), consiste, comme decrit précédemment, ?a supprimer pas ?a pas les parties de la
structure o?u les contraintes sont les moins elevees (c'est-?a-dire celles où la matière
est utilisee inecacement) jusqu'?a ce qu'un crit?ere d'arret soit atteint. La topologie
de la structure evolue ainsi lentement et la distribution des contraintes devient de
plus en plus uniforme. Pour que cet algorithme se comporte bien numériquement,
il est en eet necessaire que la quantite de mati?ere supprimee ?a chaque etape soit
faible. Il est important de maintenir une evolution reguli?ere.
Au depart, un domaine de conception (occupant tout l'espace disponible), les
conditions aux limites et les proprietes materiau sont denies. Le domaine de refe-
rence peut comporter des parties (( non design )) c'est-?a-dire que l'on ne peut pas
modier au cours de l'optimisation.
La premi?ere etape consiste ?a discretiser le domaine continu ?a l'aide d'un maillage
elements nis assez n. Le tenseur des contraintes initial e est ensuite calcule sur
chaque element ni (analyse en elasticite lineaire) et tous les elements qui remplissent
la condition suivante sont supprimés :
e < r0max; (3.20)
où le coecient r0 est le taux de rejet et max est la valeur maximale des tenseurs
e. En d'autres termes, on impose une valeur faible aux coecients d'elasticite A de
ces éléments. Une autre analyse elements nis est alors realisee et d'autres elements
sont supprimes en fonction de la valeur de leur tenseur des contraintes. Si pour un
taux de rejet donne ri, la situation n'evolue pas (peu d'elements sont supprimes),
on incremente :
ri+1 = ri + rev ; i = 0; 1; 2; 3; : : :
Cette procedure iterative est repetee jusqu'?a ce qu'il y ait convergence, c'est-?a-dire
jusqu'à ce que tous les tenseurs des contraintes aient atteint un certain seuil.
Remarques :
70
3.4 Choix d'une méthode adaptée à notre problématique
En general, on prend r0 = rev = 1%.
Lorsqu'on veut supprimer un element, on impose ?a ses coecients d'elasticite
une valeur faible qui est typiquement :
A = 10?6 A0;
avec A0 les coecients d'elasticite initiaux.
Concernant le nombre d'elements supprimes au cours d'une iteration, le crit?ere
(3.20) peut etre remplace par un pourcentage d'elements ?a supprimer (ceux
dont la valeur du tenseur des contraintes e correspondant est la plus faible).
On a donne ci-dessus un crit?ere d'arrêt particulier mais les possibilites sont
nombreuses (voir [32] ou [64] pour une liste plus compl?ete).
L'avantage de ces methodes est qu'elles peuvent être utilisées aussi bien avec des
fonctions coût simples (mais generales) qu'en optimisation multi-crit?eres. On pourra
voir des exemples d'application dans [32, 65] ou encore dans [31] pour l'optimisation
de composants mecaniques. Toutefois, la suppression d'éléments (ne pouvant être
réintégrés à la structure) conduit souvent à des résultats erronés. De plus, cet algo-
rithme reste une heuristique et un choix judicieux des paramètres (comme le taux
de rejet) peut être dicile.
3.4 Choix d'une méthode adaptée à notre problé-

matique
Nous avons décrit dans les parties précédentes les diérentes méthodes d'optimi-
sation topologique permettant de résoudre le problème (3.1). Pour chacune d'entre
elles, nous avons évoqué les avantages et les inconvénients rencontrés lors de leur
utilisation.
Dans cette partie, nous allons expliquer pourquoi nous avons choisi la méthode
SIMP comme méthode d'optimisation topologique pour la résolution de nos pro-
blèmes particuliers. Pour cela, rappelons tout d'abord les caractéristiques de nos
problèmes d'optimisation topologique (on pourra également pour cela revoir le cha-
pitre 1) :
Le cahier des charges et donc les contraintes à prendre en compte sont très
divers (notamment lorsqu'il s'agit d'inertance ou de transfert). Il est donc
nécessaire que la méthode utilisée soit générique c'est-à-dire qu'elle permette
que le cahier des charges initial soit pris en compte dans sa totalité.
Le logiciel de calcul des structures devra être utilisé en (( boîte noire )) dans le
sens où nous ne souhaitons pas modier le code, mais simplement récupérer
la valeur des fonctions et de leur sensibilités par rapport aux densités. Nous
71
avons en eet, pris le parti de ne pas redévelopper un solveur éléments nis
mais d'utiliser le logiciel commercial Nastran, qui est performant, largement
utilisé (notamment chez Renault) et qui permet de modéliser des problèmes
mécaniques très généraux, ce qui aurait été impossible avec notre propre code.
Le temps d'évaluation de la fonction objectif, des contraintes et de leurs sensi-
bilités étant important, il est nécessaire que le coût de résolution du problème
d'optimisation qui découle de la méthode choisie soit peu élevé.
Plusieurs critères permettent de comparer les diérentes méthodes d'optimisation
topologique. An que celle que nous allons choisir soit la plus adaptée à la résolution
de notre problème, nous avons retenu les trois critères suivants : la généralité des
fonctions (objectif et contraintes) pouvant être prises en compte dans l'optimisation,
la faisabilité du couplage avec un logiciel commercial de calcul des structures et
enn les dicultés connues. Le tableau 3.1 résume les caractéristiques de chacune
des méthodes en fonction des critères sélectionnés.
La possibilité que des contraintes dynamiques, du type inertances et transferts,

soient prises en compte dans l'optimisation est pour nous le critère le plus important.
Il apparaît ainsi, au vue du tableau 3.1, que nous devons utiliser soit la méthode
SIMP, soit une méthode discrète. Ces deux types de méthodes peuvent être couplés
avec Nastran. Or, comme nous l'avons évoqué précédemment le coût d'évaluation
de la fonction objectif et des contraintes est trop important pour que la résolution
de notre problème par un algorithme d'optimisation discrète soit envisageable. Il est
donc clair que choisir la méthode SIMP constitue pour nous le meilleur compromis.
72
3.4 Choix d'une méthode adaptée à notre problématique
Généralité des fonctions Faisabilité du Dicultés connues

(objectif, contraintes) couplage avec un
logiciel de calcul
de structures
commercial
Méthodes discrètes + al- Aucune hypothèse Oui Temps de calcul impor-
gorithme d'optimisation dis- tant
crète
Dépendance de la solution
au maillage
Apparition éventuelle de
damiers
Méthodes d'homogénéisation
Laminés séquentiels ou Uniquement la com- Oui Obtenir une solution fa-
Microstructures périodiques pliance, un déplace- bricable (pénalisation)
+ algorithme d'optimisation ment, une valeur propre
continue ou un tenseur des
contraintes
damiers
Méthode SIMP + algorithme Aucune hypothèse Oui Dépendance de la solution
d'optimisation continue au maillage
Pénalisation des densités
intermédiaires
damiers
Problème de modes locaux
en dynamique
Méthode des lignes de ni- Le gradient de forme L'état adjoint doit Pas de création de nou-
veaux doit être calculable être disponible veaux trous
Gradient topologique Résultats théoriques L'état adjoint doit Les éléments supprimés ne
disponibles que pour être disponible peuvent être réintégrés à
des cas particuliers la structure
Méthodes évolutives Adaptée à l'optimisa- Oui La méthode d'optimisa-
tion d'un tenseur des tion est une heuristique :
contraintes diculté de réglage des
paramètres
Les éléments supprimés ne
peuvent être réintégrés à
la structure
Tab. 3.1 Comparaison des méthodes d'optimisation topologique.
73
74
Chapitre 4
Optimisation numérique en vue de
l'optimisation topologique
L'objectif de ce chapitre est de présenter les méthodes d'optimisation numérique
pouvant permettre la résolution de notre problème d'optimisation topologique, c'est-
à-dire pouvant être couplées avec la méthode SIMP. Aussi, après avoir rappelé les
caractéristiques de notre problème, nous parlerons de méthodes d'optimisation lo-
cale particulières, les méthodes de descente. Nous décrirons en détail la méthode
FSQP, qui utilise une séquence de sous-problèmes approchés pour l'approximation
du problème initial et qui semble, comme nous le verrons par la suite, bien adaptée
à la résolution de notre problème d'optimisation topologique. Pour une plus grande
clarté dans la présentation des méthodes de descente, nous parlerons tout d'abord
des problèmes d'optimisation sans contrainte, puis nous aborderons le cas plus géné-
ral avec contraintes. Nous terminerons ce chapitre en décrivant les diérents types
d'algorithmes d'optimisation globale existants en insistant sur ceux déjà utilisés pour
la résolution d'un problème d'optimisation topologique (cf. chapitre 3).
L'utilisation des algorithmes de programmation mathématique pour résoudre les
problèmes d'optimisation de forme (en général) est bien établie et décrite en détail
dans la littérature (cf. [12] par exemple). Le problème d'optimisation de forme est
alors un problème d'optimisation classique sur les variables de forme qui, dans notre
cas, correspondent aux densités à l'intérieur des éléments de conception.
Ainsi, si l'on reprend les notations utilisées au chapitre 3, notre problème d'op-
timisation (qui est sans contrainte d'égalité) s'écrit
Trouver ( ) =1 2
i i ; ;::: ;N avec 2 [0; 1], qui minimise f (),
i

g () 0 i 2 I;
i (4.1)
75
Chapitre 4 : Optimisation numérique
avec I = f1; 2; : : : ; mg.
Les caractéristiques de ce problème rendent dicile sa résolution. En eet :
la fonction objectif f et les contraintes g sont le plus souvent implicites en
i
. Leur évaluation nécessite alors la résolution d'une équation d'état à l'aide

d'un schéma éléments nis et est donc très coûteuse en temps de calcul. Ces
mêmes fonctions sont, de plus, non linéaires en ;
le problème d'optimisation (4.1) est de (très) grande taille puisque le nombre de
variables (correspondant au nombre d'éléments de conception et donc souvent
au nombre d'éléments nis du maillage) est important (de plusieurs centaines
à plusieurs milliers) ;
la plupart des problèmes d'optimisation topologique ne sont pas convexes. La
non convexité signie qu'un problème peut avoir plusieurs minima locaux et
que l'on peut obtenir avec des méthodes d'optimisation classiques plusieurs
solutions pour le même problème, quand on choisit des valeurs de paramètres
ou des solutions initiales diérentes. Nous montrerons l'existence de plusieurs
minima locaux aux chapitres 5 et 6 de ce document, au travers des diérents
exemples traités.
La grande taille du problème ainsi que le coût d'évaluation de la fonction objectif
et des contraintes rendent dicile l'utilisation des algorithmes d'optimisation n'uti-
lisant que la valeur de la fonction objectif et des contraintes et pas celle des dérivées
correspondantes (méthodes (( sans dérivée ))). En eet, d'une part, ces méthodes
nécessitent de nombreuses évaluations de la fonction objectif et des contraintes, très
coûteuses ici ; et d'autre part, la grande taille du problème rend nécessaire l'informa-
tion fournie par les dérivées. Pour les mêmes raisons, les algorithmes d'optimisation
globale semblent inadaptés à la résolution des problèmes d'optimisation topologique
(cf. partie 4.4 de ce chapitre).
Notons, de plus, qu'il serait dommage d'utiliser dans notre cas une méthode
(( sans dérivée )) puisque les dérivées premières, calculées à l'aide de l'état adjoint,
sont disponibles et peuvent être évaluées en même temps que la fonction objectif et
les contraintes (même calcul Nastran).
Au vu de toutes ces caractéristiques, les méthodes qui nous ont semblé être les
plus adaptées à la résolution de notre problème sont les méthodes d'optimisation lo-
cale non lineaire, dites de descente. Nous nous sommes ainsi intéressée à la methode
appelee Programmation Quadratique Successive (PQS), connue en anglais
sous le nom Sequential Quadratic Programming (SQP), et plus particulièrement à
une de ses variantes appelée en anglais Feasible SQP (FSQP) que nous avons
choisie pour résoudre notre problème.
76
4.1 Méthodes d'optimisation locale dans le cas d'un problème sans
contrainte
Notation : Dans la suite de ce chapitre, pour plus de clarté et conformément à
la tradition en optimisation numérique, nous noterons x notre vecteur de variables
d'optimisation, c'est-à-dire le vecteur de RN représentant les densités à l'intérieur
des éléments de conception (noté jusqu'à présent).
Ainsi, nous considèrerons dans la suite de ce chapitre le problème d'optimisation
sous la forme générale :
Trouver x 2 RN qui minimise f (x)

gi (x) 0 i 2 I; (4.2)
où I = f1; 2; : : : ; mg.
4.1 Méthodes d'optimisation locale dans le cas d'un

problème sans contrainte
Nous considérons dans cette partie le problème sans contrainte :
Trouver x 2 RN qui minimise f (x): (4.3)

Après avoir donné quelques dénitions, nous décrirons les méthodes les plus
utilisées pour sa résolution : les méthodes de descente. Nous parlerons notamment
des méthodes newtoniennes.
4.1.1 Dénitions
Nous décrivons dans ce paragraphe, les dénitions et rappels nécessaires à la
compréhension des méthodes d'optimisation décrites par la suite.
Dénition 4.1 On dit que

x 2 RN est un minimum local de f si f (x ) f (x) pour tout x dans un
voisinage de x .
x 2 RN est un minimum local strict de f si f (x) < f (x) pour tout x 6= x
dans un voisinage de x .
x 2 RN est un minimum global de f si f (x) f (x) pour tout x.
77
Dénition 4.2 (Convexité) L'ensemble C RN est convexe si 8x; y 2 C on a
x + (1 ? )y 2 C pour tout 2 [0; 1].
La fonction f : C ! R est convexe si C est convexe et si 8x; y 2 C (x 6= y) on a
f (x + (1 ? )y ) f (x) + (1 ? )f (y ) pour tout 2 [0; 1].
Proposition 4.1 (Conditions d'optimalité du premier ordre) Soit f : R !

R de classe C 1. Si x est un minimum local de f alors rf (x) = 0 (Condition
nécessaire).
Si rf (x) = 0 et f est convexe alors x est un minimum global de f (Condition
susante).
Proposition 4.2 (Conditions d'optimalité du second ordre) Soit f : R ! R

de classe C 2. Si x est un minimum local de f alors rf (x) = 0 et r2f (x) est
symétrique semi-dénie positive (Condition nécessaire).
Si rf (x) = 0 et r2f (x ) est symétrique dénie positive alors x est un minimum
local strict de f (Condition susante).
4.1.2 Méthodes de résolution : les méthodes de descente

Ce paragraphe est consacré à la description des méthodes de descente, couram-
ment utilisées pour résoudre le problème (4.3).
Pour la résolution du problème d'optimisation (4.3), si l'on procède par itérations
successives, on cherche un point xk+1 ((k + 1)ème itération) tel que f (xk+1 ) f (xk ).
Ainsi, si l'on prend xk+1 = xk + d avec d 6= 0 et positif petit, on a
f (xk+1 ) = f (xk ) + dT f (xk ) + o() (formule de Taylor tronquée) (4.4)
et on va choisir d tel que f (xk+1) < f (xk ) pour assez petit. D'après (4.4), il sut
par exemple que dT f (xk ) < 0.
On a ainsi la dénition suivante :
Dénition 4.3 On dit que d 2 RN est une direction de descente pour f à partir du
point xk si dT rf (xk ) < 0.
Les méthodes de descente reposent sur cette dénition et l'algorithme de base

s'écrit sous la forme :
1. Initialiser le point x0.
2. E tant donné xk , calculer une direction de descente dk .
78
4.1 Méthodes d'optimisation locale dans le cas d'un problème sans
contrainte
3. Rechercher un pas de descente > 0 tel que f (xk + dk ) < f (xk ).
4. Test d'arrêt et boucle : xk+1 = xk + dk et k = k + 1.
La valeur de détermine le pas que l'on peut faire dans la direction de descente
dk . Plusieurs méthodes permettent de la calculer. Le plus souvent on utilise la règle
d'Armijo, celle de Goldstein et Price ou bien celle de Wolfe. Nous avons choisi de ne
pas les décrire ici et on pourra voir [13] pour plus de détails.
4.1.3 Méthode de Newton
Dans le cas sans contrainte, chaque itération de la méthode de Newton consiste

en la minimisation du développement de Taylor de f tronqué à l'ordre 2 autour du
point courant xk :
q (x) = f (xk ) + (x ? xk )T rf (xk ) + x ? xk )T r2f (xk )(x ? xk ):
1
(
2
Ainsi, on va prendre comme point xk+1 le minimum de q(x) qui, lorsqu'il existe,
est donné par le xk+1 solution de rq(xk+1) = 0, c'est-à-dire solution de
rf (xk ) + r2f (xk )(xk+1 ? xk ) = 0:
Donc, en supposant r2f (xk ) dénie positive,
xk+1 = xk ? [r2f (xk )]?1 rf (xk ):
Autrement dit, la méthode de Newton est une méthode de descente avec un pas
toujours égal à 1 et avec comme direction de descente dk (en supposant toujours
r2f (xk ) dénie positive), la solution du système d'équations linéaires :
r2f (xk )dk = ?rf (xk );
appelée la direction de Newton. On note que dk est unique seulement si r2f (xk ) est
dénie positive.
L'algorithme de Newton s'écrit :
1. Initialiser le point x0.
2. E tant donné xk , résoudre r2f (xk )dk = ?rf (xk) pour déterminer la direction
de descente dk .
3. Test d'arrêt et boucle : xk+1 = xk + dk et k = k + 1.
79
Méthodes quasi-newtoniennes
Les méthodes newtoniennes décrites précédemment calculent toute l'information
relative à la courbure de f à chaque itération (en calculant r2f (xk )). Dans le cas
des méthodes quasi-newtoniennes, l'information est construite au fur et à mesure
(d'une itération à l'autre) en n'utilisant que f (xk ) et rf (xk ).
Ainsi, à l'itération k, une approximation Hk de l'inverse de r2f (xk ) est supposée
disponible. La matrice Hk contient l'information cumulée relative à la courbure de
f.
En pratique, on démarre avec H0 = IN . Après le calcul de xk+1, Hk+1 est obte-
nue en mettant à jour Hk en y intégrant l'information nouvellement acquise sur la
courbure de f :
Hk+1 = Hk + Uk
où la matrice de mise à jour Uk est dénie par la méthode de quasi-Newton spécique
utilisée. Par exemple, si on utilise l'approximation dite du type BFGS (Broyden,
Fletcher, Goldfarb, Shanno) :
H =H ?
1 H s sT H + 1 y y T
k+1 k
sTk Hk sk k k k k
ykT sk k k
avec sk = xk+1 ? xk et yk = rf (xk+1) ? rf (xk ).

L'algorithme de quasi-Newton est ainsi le suivant :
1. Initialiser le point x0 et prendre H0 = I (k = 0).
2. E tant donné xk , résoudre dk = ?Hk rf (xk ).
3. Rechercher un pas de descente solution de
min

f (xk + dk ):
4. Test d'arrêt et boucle : xk+1 = xk + dk , Hk+1 = Hk + Uk et k = k + 1.
Les méthodes dites newtoniennes et quasi-newtoniennes sont à la base des al-
gorithmes de descente les plus performants pour les problèmes d'optimisation non-
linéaire, notamment l'algorithme PQS que nous décrirons par la suite pour le cas
plus général d'un problème avec contraintes.
4.2 Méthodes d'optimisation locale dans le cas d'un

problème avec contraintes
Nous généralisons dans cette partie l'utilisation des méthodes de descente pour la
résolution des problèmes avec contraintes. Nous aborderons dans un premier temps
80
4.2 Méthodes d'optimisation locale dans le cas d'un problème avec
contraintes
des problèmes comportant seulement des contraintes d'égalité avant de passer au
cas plus général des problèmes avec contraintes d'inégalité.
4.2.1 Problèmes avec contraintes d'égalité

Nous considérons dans ce paragraphe le problème avec contraintes d'égalité sui-
vant :
Trouver x 2 RN qui minimise f (x),
gi (x) = 0 i 2 E; (4.5)
où E = f1; 2; : : : ; pg et les fonctions f et gi supposées de classe C 2.
Dénition 4.4 On dit que

x 2 RN est un minimum local du problème (4.5) si f (x) f (x) pour tout
x dans un voisinage de x tel que gi (x) = 0 8i 2 E .
x 2 RN est un minimum global de f si f (x) f (x) pour tout x tel que
gi (x) = 0 8i 2 E .
Proposition 4.3 (Conditions d'Euler-Lagrange) Si x est un minimum local

de (4.5) et si les contraintes sont qualiées en x (cf. [44] par exemple), alors
9 2 Rp tel que rf (x) + ( )T rg(x) = 0.
Dénition 4.5 On appelle L : RN Rp ! R avec L(x; ) = f (x) + T g(x) le
lagrangien du problème (4.5).
On va donc s'intéresser à la résolution du système rL(x; ) = 0. On peut alors

utiliser la méthode de Newton (en tant que méthode pour résoudre un système
d'équations non linéaires) qui dans ce cas s'écrit (cf. [13] pour plus de détails) :
E tant donné des poids positifs !i ; i 2 E ,
1. Initialiser (x0; 0).
2. E tant donne (xk ; k ), résoudre le système

r2xxL r2xL x = ? rf (xk ) + Tk rg(xk)
r2xL 0 g (xk )
k
k
81
pour

x

k
k
la direction de Newton.
3. Rechercher un pas de descente dans la direction xk (recherche lineaire),
par exemple avec la fonction de merite
X
(x) = f (x) + wi jgi (x)j:
i2E
4. Test d'arret et boucle : xk+1 = xk + xk , k+1 = k + k .

Cette méthode de Newton peut être interprétée comme une méthode dite PQS
(Programmation Quadratique Successive) appliquée à la résolution de (4.5).
L'idee de base de cette méthode est de transformer le probl?eme d'optimisation
non lineaire avec contraintes en une suite de sous-probl?emes quadratiques (crit?ere ?a
minimiser quadratique sous contraintes lineaires).
Soient xk 2 RN l'itéré courant et k 2 Rp l'estimé courant des multiplicateurs
de Lagrange. Considerons le probl?eme quadratique suivant :
Minimiser
q (xk ) = rf (xk )T xk +
1 T r2 L(xk ; k )x (4.6)
2 x xx k k

gi (xk ) + rgi(xk )T xk = 0; i 2 E;
appele probl?eme quadratique tangent. La fonction objectif est une approxima-
tion quadratique du lagrangien autour du point courant alors qu'on considère une
approximation ane des contraintes.
L'algorithme PQS repose sur le lemme suivant (démontré dans [13]) :
Lemme 4.1 Soit (x ; ) une solution du problème (4.6). Alors

k

xk+1 = x + xk

k
k+1 k
k
est le pas de l'algorithme de Newton pour la resolution du problème (4.5) avec

= k + k .
82
contraintes
Le principe général de l'algorithme PQS est ainsi le suivant :
2. E tant donne (xk ; k ), resoudre (4.6) pour obtenir la direction xk et le multi-
plicateur de Lagrange associe.
3. Rechercher un pas dans la direction xk à partir du point xk , ?a l'aide d'une
fonction de merite.
4. Test d'arret et boucle : xk+1 = xk + xk , k+1 = .
L'avantage de l'interprétation PQS de la méthode de Newton est qu'elle se gé-
néralise aisément dans le cas d'un problème avec contraintes d'inégalité comme on
le verra par la suite.
4.2.2 Problèmes avec contraintes d'inégalité

Considérons maintenant le problème général (4.2) :
Trouver x 2 RN qui minimise f (x),
gi(x) 0 i 2 I;
où I = f1; 2; : : : ; mg.
On dit que x est un point de KKT du problème d'optimisation (4.2) et
(x; ) 2 RN Rm une paire de KKT avec multiplicateur de Lagrange associe,
si les conditions suivantes (dites de Karush, Kuhn et Tucker) sont satisfaites :
rf (x) +
X rg (x) = 0
i i (4.7)
i2I
gi (x) 0 (i 2 I ) (4.8)
i 0 (i 2 I ) (4.9)
igi (x) = 0 (i 2 I ): (4.10)
Proposition 4.4 (Conditions d'optimalité du premier ordre) Dans le cas où
les contraintes sont qualiées en x (cf. [44] par exemple), les conditions de KKT
sont des conditions nécessaires pour que x soit un minimum local du problème (4.2).
Pour la résolution de (4.2), la méthode PQS nécessite de considérer à chaque

itération le problème quadratique tangent suivant :
83
Minimiser
q (xk ) = rf (xk )T xk +
1 T r2 L(x ; ) (4.11)
2 x xx k k x
k k

gi (xk ) + rgi (xk )T xk 0; i 2 I:
L'algorithme est analogue à celui utilisé dans le cas d'un problème sans contrainte
d'inégalité : à l'itération k, on prend pour direction de descente en xk et pour nouvel
estimateur des multiplicateurs, une paire de KKT (d; ) du problème quadratique
(4.11). Plus précisément, l'algorithme s'écrit :
2. Trouver un point de KKT (d; ) du sous-problème quadratique (4.11).
3. Rechercher un pas > 0 dans la direction d à partir de xk , en utilisant une
fonction de merite.
4. Test d'arret et boucle : xk+1 = xk + d, k+1 = .
Il existe de nombreuses variations de l'algorithme PQS permettant de resoudre
le problème (4.2), en construisant les iteres tels qu'ils soient tous admissibles, c'est-
à-dire qu'ils appartiennent tous ?a l'ensemble X = fx 2 RN j gi (x) 0; i 2 I g. Ces
methodes sont appelees Feasible SQP (FSQP).
Ces méthodes sont adaptées à la résolution de problèmes pratiques pour lesquels
il est souvent important d'avoir tous les iteres admissibles. En eet :
f (x) peut ne pas etre denie hors du domaine admissible ;
si l'evaluation de f est couteuse, il n'est pas souhaitable de l'evaluer en un
point non admissible ;
si on veut arreter prematurement l'algorithme, l'itere courant sera toujours
une solution admissible.
Nous nous sommes ainsi interessee ?a ce type de methodes pour la resolution de
notre probl?eme. Nous decrivons ici une mise en oeuvre particulière de l'algorithme
FSQP, developpee par Panier et Tits [46] et implementee en C dans le solveur CF-
SQP [36, 35].
Précisons tout d'abord, qu'une direction de descente admissible en un point
x 2 X est denie comme un vecteur d 2 RN tel que x + td appartienne ?a X pour
tout t 2 [0; t], pour un certain t positif.
L'algorithme PQS standard calcule la direction de descente d0 (qui depend de
x et de H , avec H la hessienne (r2xx L) du lagrangien associe au problème (4.2)),
84
contraintes
solution du probl?eme quadratique QP (x; H ) :
Minimiser
1? 0
2
d :Hd0 + rf (x):d0
bl x + d0 bu
gj (x) + rgj (x):d0 0 j = 1; : : : ; m
avec bl et bu les contraintes de bornes et en notant : le produit scalaire euclidien.
Dans FSQP, on remplace la direction d0 par la combinaison convexe
d = (1 ? )d0 + d1;
avec d1 une direction admissible, solution d'un certain probl?eme quadratique (que
nous preciserons plus tard) et 0 1. Pour preserver les proprietes de convergence
locale de l'algorithme SQP, est choisi comme une fonction de 2d0, de telle sorte que d
approche d0 susamment vite (en particulier (d0) = O(jjd0 jj ) quand on approche
de la solution).
De plus, pour eviter l'eet de Maratos, qui peut remettre en cause la bonne
convergence de l'algorithme (voir par exemple [13, page 150] ou [19]) et garantir
une convergence superlineaire, une correction du second ordre d~ est utilisee pour
(( courber )) la direction de recherche.
On fera ainsi une recherche d'un pas t > 0 (par exemple de type Armijo) le
long de l'arc xc + td + t2d~. Des conditions sur d1, et d~ permettant d'obtenir une
convergence locale superlineaire sont donnees dans [46].
Remarque :
Soit I (x) = j : gj (x) = 0 , les indices des contraintes actives. Pour conserver
une convergence globale et locale (superlineaire), l'algorithme FSQP construit la
suite des directions de recherche fdk g satisfaisant les proprietes suivantes :
dk = 0 si xk est un point de KKT pour (P ) ; (4.12)
rf (xk ):dk < 0 si xk n'est pas un point de KKT ; (4.13)
rgj (xk ):dk < 0 8j 2 I (xk) si xk n'est pas un point de KKT ; (4.14)
dk = d0k + O(jjd0k jj2): (4.15)
La propriete (4.12) indique la convergence de l'algorithme et la propriété (4.13)

que dk est une direction de descente.
85
Description de l'algorithme
Donnees :
x0 2 RN; > 0.
Param?etres :
= 0:1
= 0:01
= 0:1
= 0:5
= 2:1
1 = 2 = 2:5
t = 0:1.
Notation :
Ikg (dk ) = j 2 f1; : : : ; mg : jgj (xk )j 0:2jjdk jj jjrgj (xk )jj [ j 2 f1; : : : ; mg :
k;j > 0 .
E tape 0 : Initialisation
On pose k = 0 et H0 = IN .
Si le point initial x0 fourni par l'utilisateur n'est pas admissible, on commence
par resoudre le probl?eme
min max fgj (x)g
x2RN j =1;:::;m
bl x bu ;
jusqu'?a ce que l'objectif maxfgj (x)g 0 soit atteint. Le x admissible ainsi
obtenu est le point de depart de l'algorithme.
E tape 1 : Calcul de la direction de recherche
1. Calculer d0k , la solution du probl?eme quadratique QP (xk; Hk ). Si jjd0k jj
stop.
2. Calculer d1k en resolvant le probl?eme quadratique strictement convexe
min ?(d0 ? d1):(d0 ? d1) +
d 2R ; 2R
1 N 2 k k
bl xk + d1 bu
rf (xk ):d1
gj (xk ) + rgj (xk ):d1 ; j = 1; : : : ; m:
86
contraintes
3. dk = (1 ? k )d0k + k d1k
(jj d 0 jj)
avec k = (jjd0 jj)k + et k = max(0:5; jjd1kjj1 ):
k k
4. Calculer d~k en resolvant le probl?eme quadratique strictement convexe

min 1 ?(d + d~):(H (d + d~)) + f (x + d ) ? f (x ) + rf (x ):d~
d~2RN 2
k k k k k k k

bl xk + dk + d~ bu
gj (xk + dk ) + rgj (xk ):d~ ? min( jjdk jj; jjdk jj2 ); j 2 Ikg (dk ):
Si le probl?eme quadratique n'a pas de solution ou si jjd~k jj > jjdk jj, d~k = 0.
E tape 2 : Calcul du pas de descente
Soit k = rf (xk ):dk .
Calculer tk , le premier t dans f1; ; 2; : : : g veriant
f (xk + tdk + t2d~k ) f (xk ) + tk ;
gj (xk + tdk + t2d~k ) 0; j = 1; : : : ; m:
E tape 3 : Mises ?a jour
1. Si le pas de descente est tr?es petit (tk < t) et que la mise ?a jour a depasse
5n iterations, on reinitialise la hessienne Hk+1 = H0. Sinon on calcule une
nouvelle approximation Hk+1 de la hessienne du lagrangien en utilisant
une formule de type BFGS.
2. xk+1 = xk + tk dk + tk 2d~k .
3. Incrementer k.
4. Retour ?a l'etape 1.
Nous avons vu que l'idée de base des méthodes PQS (et donc FSQP) est de
transformer le problème d'optimisation non linéaire en une suite de sous-problèmes
quadratiques. D'autres méthodes dites de programmation séquentielle convexe, sont
similaires dans le sens où elles utilisent une séquence de sous-problèmes comme
approximation simple du problème initial.
Les méthodes de programmation séquentielle convexe
Dans le cas des méthodes de programmation séquentielle convexe, les sous-
problèmes sont convexes et séparables (c'est-à-dire pouvant s'écrire comme la somme
87
de fonctions ne dépendant que d'une seule variable). Pour chaque itéré, le sous-
problème peut alors être résolu avec une méthode duale ou un algorithme des points
intérieurs (algorithme primal-dual) [24].
L'avantage des méthodes duales est que l'optimisation est réalisée non plus dans
l'espace des variables mais dans l'espace dual, dont la dimension est relativement
faible et dépend du nombre de contraintes actives à chaque itération.
An d'illustrer les méthodes de programmation séquentielle convexe, nous décri-
rons dans ce paragraphe l'algorithme CONLIN (CONvex LINearization) [24] puis
nous parlerons de l'algorithme MMA (Method of Moving Asymptotes) [59][60] qui
en découle. Pour une description plus générale des méthodes de programmation sé-
quentielle convexe, on pourra également voir [14].
La méthode CONLIN procède par linéarisation de la fonction objectif et de toutes
les contraintes dénissant le problème d'optimisation et permet ainsi de générer une
séquence de sous-problèmes convexes et séparables. Pour cela on utilise le schéma
d'approximation suivant :
~(x)
c = c(x ) +
0 X c
0 (x
i i ? x
0) ?
i
X 0 2c0 ( 1
(xi ) i ? 1
0) (4.16)
+ ? x i x i
avec
0= 0
X (respectivement X) signiant
@c
c i (x );
@x i
et les symboles (( sommation des termes pour
+ ?
lesquels 0i est positive (respectivement négative) au point courant 0i )). On peut, en
c x
eet, facilement prouver que si la fonction : 7! ( ) est diérentiable, le schéma

c x c x
(4.16) donne une approximation convexe de autour de 0. c x
Ainsi, suivant le signe de la dérivée, on utilisera comme variables de linéarisation

soit les variables directes soit les variables réciproques x1 . D'après [24], l'utilisation
x
des variables réciproques aurait dans de très nombreux cas un eet bénéque sur les
propriétés de convergence de l'optimisation.
Dans MMA, on remplace dans le schéma d'approximation les variables directes
et réciproques par les variables U ?1 x et x ?1L avec i et i des constantes xées par
X X
U L
l'utilisateur :
i i i i
0 r
?
i s i
i? i i?
~(x)
c = c(x ) + ;
+ U x
? x L i
avec les nombres i et i choisis tels que :
r s
si 0i 0 alors i = ( i ? 0i )2 0i et i = 0 ;
c > r U x c s
si 0i 0 alors i = 0 et i = ?( 0i ? i)2 0i
c < r s x L c :
88
4.3 Calcul des sensibilites
La forme des fonctions d'approximation dépend des valeurs choisies pour les
constantes U et L , qui permettent de contrôler le seuil pour lequel l'approximation
i i
est raisonnable (les paramètres U et L donnent des asymptotes verticales, d'où le

i i
nom de l'algorithme - cf. gure 4.1). On remarque que l'on retrouve la méthode
CONLIN si L = 0 et U = +1 et que les valeurs L = ?1 et U = +1 conduisent
i i i i
à la méthode SLP (Sequential Linear Programming) [44]. Notons de plus, que ces
valeurs peuvent être modiées d'une itération à l'autre.
c(x)
f(x)
f(x)
c(x)
L x0 x0 U
Fig. 4.1 Illustration (en dimension 1) de l'approximation MMA. Cas d'une dérivée
négative (gauche) et positive (droite).
Ces méthodes sont bien adaptées et couramment utilisées pour la résolution de
problème d'optimisation de forme en général et d'optimisation topologique en parti-
culier. Ceci est dû au fait qu'elles permettent de réduire le temps de calcul nécessaire
à la résolution des sous-problèmes approchés, surtout pour les problèmes ayant peu
de contraintes. Toutefois, dans notre cas, cette partie (c'est-à-dire le temps passé
dans l'algorithme d'optimisation numérique) est négligeable par rapport au temps
d'évaluation des fonctions comme on le constatera lors de nos essais numériques
(cf. chapitres 5 et 6). Notons, de plus, qu'ici l'approximation est linéaire et donc
moins riche que l'approximation quadratique utilisée par un algorithme du type
SQP. Enn, nous remarquons que les méthodes décrites précédemment comportent
de nombreux paramètres à xer par l'utilisateur, le réglage des paramètres de CF-
SQP étant beaucoup plus automatique.
4.3 Calcul des sensibilites

Les gradients necessaires ?a l'utilisation des algorithmes d'optimisation decrits
dans les paragraphes precedents sont facilement calculables pour la fonction objec-
tif et les contraintes lorsqu'elles dependent uniquement de la densite. Lorsqu'elles
sont implicites (elles dependent du deplacement par exemple), les sensibilites sont
obtenues ?a l'aide de dérivations de fonctions composées (r?egle de la chaîne).
89
En optimisation topologique, comme on travaille souvent avec peu de contrain-
tes, la methode la plus ecace pour le calcul des derivees est l'utilisation de l'etat
adjoint.
4.3.1 Calcul de l'etat adjoint

Soit l'equation d'etat suivante :
A(x)u(x) = B (x) (4.17)
avec par exemple, A(x) la matrice de rigidite, B (x) un vecteur representant la charge,
u(x) le deplacement correspondant et x = (x1; x2; :::; xN ) un vecteur de param?etres
(densités, proprietes de materiaux, ...).
Si on derive cette equation par rapport ?a xi; i = 1; ::; N , on a
@x A(x)u(x) + A(x)@x u(x) = @x B (x)
i i i
et donc
A(x)@x u(x) = @x B (x) ? @x A(x)u(x):
i i i
(4.18)
Soit J (x; u(x)) la fonction cout ?a minimiser. On veut calculer (si elle existe) la
dierentielle de j (x) = J (x; u(x)) :
rxj (x) = @xJ (x; u(x)) + @uJ (x; u(x))rxu(x): (4.19)
Pour cela on doit calculer rxu(x). Deux methodes existent :
La methode directe
On resout les N syst?emes lineaires suivants :
A(x)@x u(x) = @x B (x) ? @x A(x)u(x); 1 i N:
i i i
Il y a donc dans ce cas, N resolutions de syst?emes d'equations lineaires supplemen-

taires.
La methode inverse ou adjointe
D'apr?es (4.18) on a
A(x)rxu(x) = rxB (x) ? rxA(x)u(x) (4.20)
90
4.4 Algorithmes d'optimisation globale
et donc l'equation (4.19) s'ecrit
rxj (x) = @xJ (x; u(x)) + @uJ (x; u(x))[A?1rxB (x) ? A?1rxA(x)u(x)]
c'est-?a-dire
rxj (x) = @xJ (x; u(x)) + [@uJ (x; u(x))A?1](rxB (x) ? rxA(x)u(x)):
Dans ce cas, le calcul de rxu(x) ne necessite plus que la resolution d'un seul
syst?eme d'equations lineaires supplementaire, celui de l'etat adjoint
P T A(x) = @uJ (x; u(x));
avec P T = @uJ (x; u(x))A?1 et P appele l'etat adjoint de la methode.
Remarque : les expressions de @x A(x) et @x B (x) ne sont en general pas dispo-
i i
nibles explicitement. On approche alors ces derivees par dierences nies. Soit par
dierences nies decentrees ?a droite
@x A(x) A(x + x) ? A(x)
i
x
ou ?a gauche
@x A(x) A(x) ? A(x ? x) :
i
x
L'erreur est alors de l'ordre de x.
Soit par dierences nies centrees
@x A(x) A(x + x)2
i
? A(x ? x) :
x
L'erreur est dans ce cas de l'ordre de 2x. Cette approximation est plus precise que
les precedentes mais deux fois plus couteuse (en termes d'evaluations de A).

Comme nous le verrons aux chapitres 5 et 6, notre problème d'optimisation to-
pologique est non convexe, c'est-à-dire que si on choisit une solution initiale ou des
paramètres diérents, on obtiendra des solutions diérentes correspondant à des
minima locaux. Il est ainsi nécessaire d'utiliser une méthode d'optimisation globale
an d'obtenir le minimum global (correspondant au meilleur des minima locaux).
Toutefois, comme indiqué plus haut, la grande taille du problème et le coût d'éva-
luation de la fonction objectif et des contraintes rendent dicile l'utilisation des
91
algorithmes d'optimisation globale. Nous nous contenterons ainsi dans cette partie
d'un bref état de l'art des méthodes existantes.
Les méthodes pour la résolution d'un problème d'optimisation globale peuvent
être divisées en deux classes : les méthodes déterministes et les méthodes stochas-
tiques.
4.4.1 Les méthodes déterministes

Les méthodes déterministes regroupent toutes les méthodes qui ne comportent
aucun aspect aléatoire ni stochastique, telles
la séparation et évaluation progressive,
les méthodes de plans de coupe,
l'analyse par intervalles,
l'homotopie (méthode de lissage),
les méthodes lipschitziennes,
les méthodes de décomposition.
Chacune de ces méthodes est adaptée à une classe très particulière de problèmes
d'optimisation globale, mais requiert systématiquement des temps de calcul exces-
sifs pour les problèmes pratiques. Elles sont ainsi très peu adaptées aux problèmes
d'optimisation topologique (déjà très coûteux en temps de calcul). Aussi, nous ne
détaillerons ici qu'une seule de ces méthodes, utilisée comme on l'a vu précédem-
ment (cf. paragraphe 3.1.1) pour résoudre les problèmes d'optimisation topologique
non relaxés.
Méthode de Branch and Bound.
Nous décrivons ici comment est utilisée cette technique dans le cas particulier
du problème d'optimisation topologique discret.
Cette méthode d'enumeration implicite est basée sur la resolution de sous-pro-
blèmes continus. On associe tout d'abord le problème discret initial à un problème
équivalent qui permet aux variables de prendre des valeurs continues. Ce problème
constitue le n÷ud situé à la base de l'arbre de décision. Après résolution, si toutes
les variables de la solution sont entières, on arrête car le problème discret est résolu.
Dans le cas contraire, la valeur de la fonction objectif constitue une borne infé-
rieure f , car l'ajout d'une contrainte qui impose que les variables soient discrètes ne
i
peut que faire augmenter la valeur de la fonction objectif. On crée alors deux sous-
problèmes en ajoutant au problème précédent une contrainte sur une des variables
non entières : l'un des deux sous-problèmes impose à la variable considérée d'être
inférieure ou égale à la valeur entière immédiatement inférieure et l'autre impose
qu'elle soit supérieure ou égale à la valeur entière immédiatement supérieure. Dans
92
le cas où toutes les variables de la solution de l'un des deux problèmes sont entières,
la valeur de la fonction objectif correspondante devient une borne supérieure f du s
problème. C'est-à-dire qu'à partir de ce moment-là, tous les n÷uds ayant une valeur
de fonction objectif supérieure à f seront abandonnés, et seulement les n÷uds ayant
s
une valeur de fonction objectif comprise entre f et f seront développés. S'il n'y a
i s
pas d'autre solution de valeur inférieure à f , alors le n÷ud correspondant à f est

s s
optimal. S'il y en a, il se peut qu'elles comprennent des variables non entières, les
n÷uds correspondants sont alors développés à leur tour et les solutions résultantes
sont étudiées jusqu'à ce que tous les n÷uds soient abandonnés.
Remarquons par ailleurs, que souvent, les ingénieurs confrontés aux problèmes
pratiques se contentent de solutions approximatives (c'est-à-dire réalisables et ayant
une (( bonne )) valeur de la fonction objectif). Ils ont ainsi recours à des heuristiques,
dont les plus connues sont citées ci-dessous.
L'algorithme glouton ;
Les améliorations locales ;
Les initialisations multiples ;
Les méthodes directes dont la plus connue est sans doute la méthode du po-
lytope mouvant, connue aussi sous le nom de simplexe non linéaire ou encore
de Nelder-Mead, du nom des auteurs d'une des premières versions.
4.4.2 Les méthodes stochastiques

Cette deuxième classe de méthodes d'optimisation globale regroupe les méthodes
comportant une forme de recherche aléatoire, généralement un échantillonnage de
la fonction objectif en des points choisis aléatoirement dans le domaine réalisable.
Nous distinguons trois types de méthodes stochastiques : les méthodes à deux
phases, les heuristiques stochastiques permettant de s'échapper d'optima locaux et,
enn, les méthodes basées sur les surfaces de réponse.
Les méthodes à deux phases
Il s'agit de méthodes stochastiques dans lesquelles deux phases peuvent être
distinguées : une phase globale qui évalue la fonction objectif en un nombre de points
engendrés aléatoirement et une phase locale qui manipule ces points, par exemple
par l'entremise d'améliorations locales.
La plus simple de ces méthodes est la recherche aléatoire pure qui ne consiste
en fait qu'en la phase globale. On engendre une suite de points dans le domaine
réalisable et on garde en mémoire le meilleur point trouvé. On note qu'engendrer
ces points aléatoirement dans le domaine réalisable n'est pas une tâche facile dans
le cas de contraintes plus générales que les contraintes de bornes.
93
La façon la plus simple d'utiliser une stratégie d'amélioration locale L est via la
méthode d'initialisations multiples (multistart ). Il s'agit d'appliquer la procédure
de recherche L à chaque point engendré aléatoirement et de garder en mémoire le
meilleur point trouvé. Beaucoup plus attrayante que la recherche aléatoire pure,
elle a néammoins un gros désavantage. En eet, inévitablement, la recherche locale
trouvera souvent le même minimum local. Idéalement, la procédure L ne serait pas
appelée plus d'une fois dans chaque bassin d'attraction (le bassin d'attraction d'un
minimum local x étant l'ensemble des points du domaine réalisable S à partir
desquels L convergera vers x).
C'est ce que permettent les méthodes de regroupement en grappes (cluste-
ring method ), qui cherchent à regrouper les points de l'échantillon qui sont proches
les uns des autres, an de n'initialiser la procédure de recherche locale qu'une seule
fois dans chaque région d'attraction. La méthode à deux phases qui semble la plus
satisfaisante, combinant une bonne performance numérique avec des propriétés théo-
riques solides, est la méthode Random Linkage (RL) [37].
Notons enn qu'en pratique des critères d'arrêt doivent être mis en oeuvre et que
dans de nombreuses applications il n'est pas concevable de tenter de trouver tous
les minima locaux.
Les heuristiques stochastiques permettant de s'échapper d'optima locaux
Les trois méthodes présentées ici sont souvent considérées avec un certain mépris
par une partie de la communauté mathématique, en raison du manque de fondement
théorique pour expliquer leur succès. Elles sont cependant toutes massivement ap-
pliquées dans de nombreux domaines.
Leur performance dépend fortement de l'ajustement de paramètres correspon-
dant à un bon compromis entre intensication (exploitation des meilleures solutions
trouvées) et diversication (exploration de l'espace de recherche). De plus, leur mise
en oeuvre devra exploiter au maximum la structure particulière du problème d'op-
timisation globale considéré. Rappelons que les deux algorithmes décrits ci-dessous
sont, comme la méthode de Branch and Bound, utilisés pour résoudre des problèmes
d'optimisation topologique sous forme discrète (non relaxé).
Recherche avec tabous : Cette méthode est basée sur un concept d'intelli-
gence articielle utilisant une mémoire adaptative de l'histoire de la recherche.
Le principe de base consiste à poursuivre la recherche même si la valeur de la
fonction objectif se détériore, an de s'échapper des optima locaux, avec des
mécanismes évitant le cyclage en interdisant certains retours (rendus tabous ).
Recuit simulé : Cette méthode émule la technique du recuit simulé en mé-
tallurgie, qui consiste à chauer une pièce de métal jusqu'à son point de fu-
sion, puis à la refroidir très lentement jusqu'à température ambiante, an que
les atomes du métal aient le temps de prendre des positions qui minimisent
l'énergie. A? une température T, on perturbe la position des atomes de manière
94
aléatoire et on calcule la variation d'énergie qui en découle, . Si 0, la
E E
nouvelle conguration d'atome est acceptée avec la probabilité 1. Au contraire

si E 0, le nouvel état est accepté avec la probabilité ( ) = ?kb TE où
P E e
?
b est la constante de Boltzmann. A chaque température, plusieurs structures
k
atomiques sont ainsi générées, jusqu'à ce qu'un état d'équilibre énergétique

soit atteint. Ensuite, la température est réduite et l'on réitère jusqu'à ce qu'on
obtienne un état d'énergie minimale.
En optimisation topologique, la fonction objectif est assimilée à l'énergie et
les variables de conception aux positions des atomes. La température T est un
paramètre de contrôle de la convergence du processus.
Algorithmes génétiques : Ces méthodes sont inspirées de la théorie de l'évo-
lution de Darwin. La population d'une génération donnée est représentée par
un ensemble de conceptions diérentes (individus ). Ces derniers sont autorisés
à se reproduire tout en favorisant les meilleures caractéristiques (la progéniture
doit être plus forte que les parents), c'est-à-dire an que la nouvelle concep-
tion soit meilleure que la précédente. Chaque variable est constituée d'un bit
correspondant à un gène et un individu est constitué d'une chaîne de bits re-
présentant un chromosome. Au départ, la taille de la population initiale est
xée et on génère de manière aléatoire les individus qui la constituent (choix
aléatoire de 0 et de 1). On utilise pour la création d'une nouvelle population
des opérateurs génétiques qui modient la composition des enfants (c'est-à-
dire des solutions codées). On itère ce procédé et après plusieurs générations,
la qualité des conceptions doit augmenter.
Les méthodes basées sur les surfaces de réponse
Ces méthodes, qui sont particulièrement adaptées aux cas de fonctions objectifs
du type boîte noire, sont apparues en optimisation globale par l'entremise du krigeage
en géostatistiques. (Le terme krigeage vient du nom de l'ingénieur minier sud-africain
D. G. Krige qui a développé cette méthode pour prédire la localisation des réserves
de minerai de fer). Cette méthode s'appuie sur l'hypothèse suivante : les valeurs de la
fonction objectif en des points rapprochés ont un certain degré de corrélation spatiale
alors qu'en des points éloignés les valeurs de la fonction objectif sont statistiquement
indépendantes. De manière plus générale, les méthodes basées sur les surfaces de
réponse supposent que la fonction objectif peut être modélisée par la réalisation d'un
processus stochastique gaussien. En conséquence, on suppose que la valeur, ( ), de
f x
la fonction objectif en un point non encore échantillonné (non encore évalué) peut
être interprétée comme une variable aléatoire ( ) ayant une certaine distribution.
Y x
Avant tout, on évalue la fonction objectif en un ensemble de points initiaux

q
x ,i = 1
i . On interpole ensuite les données ( i ( i)) avec une combinaison
; ;q x ;f x
linéaire de fonctions de base (fonctions de régression), an d'obtenir un modèle pour

f , c'est-à-dire, une fonction approchant la fonction objectif. Les fonctions de base
95
comportent des paramètres à ajuster. Une fonction d'erreur reète l'incertitude du
modèle qui, en n'importe quel point x du domaine de f , peut être interprétée comme
étant la variance de Y (x).
Un judicieux compromis entre la minimisation du modèle (intensication de la
recherche) et la maximisation de la fonction erreur (diversication de la recherche -
aspect global) constitue une fonction critère permettant de déterminer un nouveau
point candidat pour l'évaluation de la fonction objectif.
Nous avons tenté de présenter dans cette partie un large éventail de méthodes
pratiques pour la résolution d'un problème d'optimisation globale. Notons qu'il
n'existe pas vraiment de méthode générale permettant la résolution d'un problème
d'optimisation globale quelconque. Il est, en eet, toujours nécessaire d'exploiter la
connaissance propre au domaine particulier d'application et la structure particulière
du problème d'optimisation globale traité.
Notons aussi que ces méthodes d'optimisation globale sont, le plus souvent, plu-
tôt adaptées aux problèmes d'optimisation sans contrainte ou avec uniquement des
contraintes de bornes. Elles sont, de plus, surtout ecaces dans le cas où la taille du
problème est limitée (pas au-delà d'une centaine de variables) et où le coût d'éva-
luation de la fonction objectif est faible. Ces caractéristiques expliquent la diculté
de leur utilisation pour la résolution de problèmes d'optimisation topologique. On
pourrait toutefois envisager d'utiliser un algorithme à deux phases permettant de
lancer des optimisations locales à partir de diérents points initiaux et ainsi diver-
sier notre recherche.
96
Chapitre 5
Mise en oeuvre de la méthode :
Choix algorithmiques
Comme nous l'avons expliqué au chapitre 1, le but de notre travail de recherche
est de construire une méthodologie d'optimisation topologique permettant la prise en
compte de critères à la fois statiques et dynamiques, primordiaux dans la conception
des pièces automobiles.
Plus précisément, le problème type que nous souhaitons résoudre consiste à mini-
miser la masse d'une pièce tout en respectant des contraintes statiques (déplacement
maximal imposé en un ou plusieurs points pour un cas de chargement donné) et des
contraintes dynamiques (compliance dynamique maximale imposée sur une plage de
fréquences d'excitation donnée).
Nous avons vu au chapitre 3 que la méthode d'optimisation topologique que nous

avons choisie pour résoudre notre problème est la méthode SIMP. Elle permet en ef-
fet de prendre en compte des critères dynamiques (inertances, transferts) et peut être
couplée avec un logiciel commercial de mécanique des structures tel que NASTRAN.
Réutilisons les notations du chapitre 3 pour donner une formulation mathéma-

tique plus précise du problème que l'on souhaite résoudre. Supposons pour cela que
l'on doive concevoir une pièce dans un domaine d'encombrement maximal
, que
l'on a discrétisé à l'aide du maillage de conception ( ) =1
co;h
i i
avec N le nombre
;::: ;N
d'éléments de conception. On note ca;h

le maillage de calcul (permettant la ré-
0
solution de l'équation d'état) et 2 [0; 1] le vecteur représentant les variables

N
d'optimisation (densités à l'intérieur des éléments de conception).

La densité et les propriétés A du matériau ctif (SIMP) utilisé dans chaque
i i
élément de conception sont données, pour i = 1; : : : ; N , par les équations (notées

97
Chapitre 5 : Mise en oeuvre de la méthode : Choix algorithmiques
(3.11) et (3.12) dans le chapitre 3)
i = i 0; (5.1)
Ai = i pA0; (5.2)
avec 0 et A0 les propriétés du matériau de depart.
Notre problème d'optimisation topologique discrétisé s'écrit alors :
min
X

0
ZN
d!
i
i=1 ico;h

statiques :
jud;j ()j d;j ; d 2 f1; 2; 3g; j 2 J (5.3)
où J est un ensemble d'indices de noeuds du maillage de calcul, ud;j est le
déplacement au noeud j dans la dième direction de l'espace et d;j 2 R une
valeur maximale imposée par le cahier des charges de conception de la pièce.
Chacune de ces contraintes peut être associée à un cas de chargement diérent.
et dynamiques :
max
f 2[fmin ;fmax ]
ud;k (; f ) d;k ; d 2 f1; 2; 3g; k 2 K (5.4)
où K est un ensemble d'indices de noeuds du maillage de calcul, f est la
fréquence d'une force d'excitation périodique (d'amplitude 1N) appliquée au
noeud k ou en un autre noeud, fmin et fmax dénissent la plage de fréquences
étudiée, ud;k est l'amplitude du déplacement associé du noeud k dans la dième
direction de l'espace, d;k 2 R est une valeur maximale imposée par le ca-
hier des charges de conception de la pièce. Le point d'application de la force
d'excitation peut être diérent pour chaque contrainte.
Notons enn, que les déplacements ud;j et ud;k sont calculés par éléments nis
(utilisation du logiciel de calcul des structures NASTRAN) et que le problème d'op-
timisation est résolu à l'aide de l'algorithme CFSQP (cf. chapitre 4).
L'objet de ce chapitre est de décrire les choix algorithmiques eectués pour la
résolution de ce problème et intégrés dans la maquette logicielle DynamiTO présentée
dans le chapitre suivant. Nous les illustrerons à travers plusieurs tests numériques.
Plus précisément, la première partie de ce chapitre sera consacrée à la mise en
oeuvre de la méthode SIMP. Nous étudierons notamment l'inuence du paramètre
de pénalisation p et nous proposerons des variantes à la formule (5.2). Nous parlerons
98
5.1 E tude et choix algorithmiques pour la méthode SIMP
dans la partie suivante de la formulation mathématique des contraintes dynamiques,
c'est-à-dire des diérentes approximations possibles pour la fonction maximum utili-
sée dans l'équation (5.4). Enn, la troisième partie sera dédiée à l'aspect optimisation
globale du problème (existence de nombreux minima locaux) et à son lien avec la
méthode SIMP.
5.1 E tude et choix algorithmiques pour la méthode

SIMP
Dans cette partie, nous décrivons notre mise en oeuvre de la méthode SIMP.
Nous étudierons ainsi dans le premier paragraphe l'inuence du paramètre p puis
nous proposerons dans le second un nouveau type de matériau ctif an de pallier
l'apparition de modes locaux (cf. partie 3.1.4).
Pour ces études, nous avons utilisé l'exemple d'une plaque console (cantilever)
présenté ci-dessous.
Considérons un parallelepip?ede de taille D D D mm3 avec une face bloquee
x y z
(cf. gure 5.1).

noeud 1
noeud 2
Face bloquée
Y
Z
F X
Fig. 5.1 Représentation du cas test.

Dans un premier temps, on applique sur la face de la pièce, opposée à la face xée,
sur deux noeuds symetriques, une force F et on impose des contraintes statiques an
que le déplacement mesuré aux points d'application des forces soit inférieur en valeur
absolue à . En utilisant les notations décrites plus haut, cela revient à poser les deux
contraintes statiques suivantes :
ju2 1()j ;
; (5.5)
ju2 2()j :
; (5.6)
Par la suite, on applique sur le noeud 1, une force de 1N à la fréquence f et
on impose des contraintes dynamiques an que la courbe de compliance dynamique
99
mesurée sur le noeud d'application de la force soit au-dessous de la droite d'équation
y = . Ainsi, on pose la contrainte dynamique suivante :
f
max
2[fmin ;fmax ]
u2 1(; f ) :
; (5.7)
A? titre d'exemple, on a représenté sur la gure 5.2 une courbe de compliance

dynamique avec une droite de référence associée.
Droite de référence

u(; f )
fmin fmax
Fig. 5.2 Représentation d'une courbe de compliance dynamique et de droite de

référence associée.
Nous choisissons d'utiliser ici un maillage de conception et un maillage de cal-

cul confondus. Ce maillage est regulier, compose de n elements cubiques dans la x
direction X , n dans la direction Y et n dans la direction Z . Nos variables d'opti-

y z
misation, correspondant aux densites ?a l'interieur des elements de conception, sont

donc au nombre de n n n . Rappelons que ces variables sont représentées par le
vecteur = ( ) =1 avec pour tout élément de conception i, 2 [; 1], la valeur
x y z
i i
correspondant de fait au vide. En pratique, nous utiliserons la valeur = 0:001

i ;::: ;N
au lieu de 0 pour éviter les problèmes de conditionnement de matrice. De plus, on

considèrera la plupart du temps n = 1 pour pouvoir faire des représentations en
z
deux dimensions (plan (X ,Y )). Notons toutefois qu'il s'agit bien d'un exemple en
trois dimensions d'espace.
Nous avons étudié ce cas test de géométrie simple an de pouvoir réaliser de
nombreux tests en un temps raisonnable. Rappelons qu'il s'agit néammoins d'un
cas en trois dimensions qui présente toutes les dicultés d'une pièce réelle.
5.1.1 Réglage du paramètre p de la méthode SIMP

Commençons par mesurer l'inuence du paramètre de pénalisation p de la mé-
thode SIMP (intervenant dans la formule (5.2)) sur la qualité de la solution obtenue
100
(penalisation des densites intermediaires, valeur de la fonction objectif, etc.).
Pour tous les tests décrits dans cette partie, D = D = 100, D = 10, n = n =
x y z x y
20, n = 1 (N = 400) et 0 = 7800kg=m3 . Le point de départ de l'algorithme d'opti-

z
misation correspond à toutes les densités égales à 0.9 (0 = 0:9; i = 1; : : : ; 400), sa
masse étant égale à 7:02 10?1 kg. Nous nous limitons ici aux contraintes statiques,
i
c'est-à-dire qu'on applique une force F = 1000N et on veut que le déplacement

associé soit inférieur à = 12:8 10?3 mm. Le temps CPU d'un calcul NASTRAN
(évaluation de la masse, des déplacements et de leurs sensibilités) est d'environ une
minute sur une station SUN ULTRA 10.
On realise plusieurs tests en faisant varier le param?etre p et on compare la valeur
nale de la masse, le nombre d'evaluations de la fonction objectif et/ou des con-
traintes (nombre d'appels ?a NASTRAN) requises pour la convergence de l'optimi-
sation, le nombre d'iterations de l'algorithme CFSQP et enn le nombre d'elements
de conception pour lesquels la densite de mati?ere est dierente de ou de 1 à 10?6
près (nombre de densités intermédiaires). Ces valeurs sont données dans le tableau
5.1.
Test p Masse Nombre Nombre Nombre de densites
nale d'evaluations d'iterations intermediaires
(10?1 kg ) (appel NASTRAN) de CFSQP
1 1 3.654361 257 58 318
2 2 4.162881 91 29 54
3 3 4.206229 224 72 17
4 3.5 4.208084 77 24 6
5 4 4.254976 100 32 18
6 5 4.316577 79 26 16
7 6 4.353124 69 21 16
Tab. 5.1 Résultats des tests réalisés avec diérentes valeurs de p.
Au vu de ces résultats, nous remarquons :

Même si l'évolution est moins probante pour p 4, on note que plus on
augmente la valeur de p, moins la solution comporte de densités intermédiaires.
Ceci est une des caractéristiques connues de la méthode SIMP (cf. partie 3.1.3).
Concernant les densités intermédiaires, on remarque (cf. gure 5.3) qu'il y a
toujours plus de valeurs proches de 1 que de 0 : ces densités intermédiaires sont
strictement supérieures à 0.5 pour p > 2 et à 0.8 lorsque p > 3. Ce phénomène
est dû à la forme particulière de la fonction f : x 7! x intervenant dans le
p
p
modèle SIMP (équation (5.2)). Nous en donnerons plus précisément les raisons
dans la partie 5.1.2 et nous proposerons une autre fonction.
101
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
densites
densites
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 50 100 150 200 250 300 350 400 0 50 100 150 200 250 300 350 400
variables variables
Fig. 5.3 Valeur des densités de la solution obtenue avec p = 3 et p = 4.
La masse de la solution obtenue augmente (et donc la qualité de la solution

décroît) avec la valeur du paramètre p. Ce comportement est une conséquence
de la pénalisation des densités intermédiaires.
Rappelons tout d'abord (cf. chapitre 3) que pour p > 1, les densités inter-
médiaires ne sont pas favorables dans le sens o?u elles correspondent ?a une
rigidite faible comparee à la masse du materiau (situation opposee ?a notre ob-
jectif). Avec la formulation SIMP, l'algorithme d'optimisation locale cherche ?a
deplacer vers du materiau plein les elements de conception tels que la valeur
correspondante est proche de 1 pour l'iteration courante (gain signicatif
i
en rigidite pour une petite perte du point de vue masse) et de la meme facon
cherche ?a deplacer vers du vide les elements tels que la valeur correspon- i
dante est proche de 0 pour l'iteration courante (faible perte de rigidite pour
un gain signicatif du point de vue masse).
La pénalisation revient donc à imposer une contrainte implicite qui impacte
la recherche du minimum. An de satisfaire ces contraintes plus fortes du
problème d'optimisation, l'algorithme devra augmenter la valeur de la fonction
objectif. Cela est plus clair pour le cas extrême : la solution d'un problème
relaxé (en variables continues) est toujours meilleure que celle du problème en
variables binaires correspondant.
Notons enn que l'impact de la pénalisation sur la masse sera d'autant plus
grand que le maillage est grossier.
Dans la plupart des cas, le nombre d'évaluations et d'itérations diminue lorsque
la valeur de p augmente. Une explication possible serait analogue à celle du
point précédent. En eet, lorsque la valeur de p est faible (p 3), l'algo-
rithme a plus de degrés de liberté pour rechercher une solution non pénalisée.
Au contraire, lorsque p > 3, l'algorithme sera contraint de se diriger rapide-
ment vers une solution fortement pénalisée, c'est-à-dire avec peu de densités
intermédiaires.
102
Au vu de ces résultats et sachant que l'on souhaite obtenir une solution sans
densité intermédiaire (densités en 0/1) pour laquelle la masse est la plus faible
possible, les choix p = 3:5 ou p = 4 (tests 4 et 5) semblent être de bons compromis.
On pourra visualiser les formes obtenues (valeurs des densités) sur la gure 5.4 en
utilisant ces valeurs de p.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
Fig. 5.4 Solutions obtenues avec p = 3:5 et p = 4.
5.1.2 E tude de la forme de la fonction de pénalisation de la

méthode SIMP
La forme particulière de la fonction fp : x 7! xp (p > 1) semble être la cause de
certaines dicultés rencontrées au cours de la résolution de notre problème d'opti-
misation topologique, comme l'apparition de modes locaux ou l'aspect optimisation
locale/globale du problème. Nous illustrerons ces phénomènes dans les paragraphes
suivants, et proposons une variante de la fonction fp ayant de meilleures propriétés.
Les modes locaux
Rappelons tout d'abord (cf. partie 3.1.4) que l'utilisation de la fonction fp en-
traîne l'apparition de nombreux modes locaux, lorsqu'on calcule la base modale
d'une solution comportant des densités intermédiaires. Le nombre de ces modes
(( parasites )) pose problème puisqu'il augmente le temps de calcul NASTRAN et
la place mémoire nécessaire, et rend dicile l'identication des modes réels de la
structure étudiée. Comme expliqué dans [12], ces modes locaux apparaissent dans
les régions où le rapport masse/raideur est très grand, c'est-à-dire, dans le cas de
la méthode SIMP, lorsque la densité i tend vers 0. En eet, dans ce cas le rapport
masse/raideur, égal à (p > 1), tend vers l'inni lorsque i tend vers 0. Ces modes
i
p
locaux sont donc dus à la modélisation des trous dans la pièce par un matériau
i
103
mou ayant une densité faible, pour éviter la suppression des éléments du maillage
de calcul correspondants.
Illustrons l'apparition de modes locaux en considérant la solution obtenue au test
4 (p = 3:5). La base modale de cette solution comporte sur la plage de fréquence
0-500Hz, 798 modes propres locaux (compris entre 0 et 2Hz) et 12 modes propres
réels. On peut donc constater sur cet exemple le nombre considérable de modes
locaux obtenus. On a représenté sur la gure 5.5, le premier mode local de la pièce
(gauche) et le dernier mode global (droite). Cette gure illustre bien la diérence
entre un mode propre local qui correspond à une déformation locale et un mode
propre réel qui correspond à une déformation globale de la structure.
Fig. 5.5 Mode propre local (gauche) et mode propre réel (droite).
L'utilisation de la fonction f provoque non seulement l'apparition de modes

p
locaux mais a aussi un impact sur l'aspect optimisation locale/globale de notre

problème. On illustre ce phénomène dans le paragraphe suivant, avant de proposer
une solution à ces deux dicultés.
Aspect optimisation locale/globale du problème
Nous avons représenté sur la gure 5.6 les courbes des fonctions f pour p allant
p
de 1 à 5. Nous remarquons que lorsque p > 1 la courbe est tangente à l'axe des
abcisses en x = 0 (la dérivée est nulle en x = 0). La forme de la courbe est totalement
diérente en x = 1.
Supposons que p > 1 et que la densité à l'intérieur de l'élément de conception i
est faible ( proche de 0). Dans ce cas, une augmentation de la densité aura un
i i
104
1
p=1
p=2
0.9 p=3
p=4
p=5
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 5.6 Représentation de la fonction xp pour p allant de 1 à 5.
impact négligeable en raideur (pi a toujours une valeur proche de 0) mais conséquent
en masse (la courbe y = x a une pente positive à l'origine). Cette variation de
la densité étant très défavorable, l'algorithme va rarement augmenter les densités
faibles au cours de l'optimisation. Ainsi, lorsque p > 1, la plupart des densités faibles
ou nulles au début de l'optimisation reste inchangée (on vériera empiriquement ce
phénomène dans la partie 5.3). Ainsi, selon le point de départ considéré (par exemple
selon qu'il comporte ou non des densités nulles), la solution nale sera diérente. Il
s'agit donc dans ce cas d'un problème d'optimisation globale.
C'est pour cette même raison que les densités intermédiaires de la solution nale
sont souvent proches de 1 et non de 0.
Les deux problèmes précédents sont liés au fait que la limite de fp(x) pour p > 1 0
est égale à 0 lorsque x tend vers 0. Ainsi, an de pallier ces dicultés, une idée
consiste à remplacer dans l'expression (5.2), la fonction fp par une fonction ayant
les mêmes propriétés de pénalisation (fonction convexe), valant 0 en x = 0 et 1 en
x = 1, mais ayant une dérivée non nulle en x = 0. Le comportement en x = 1 étant
satisfaisant, la nouvelle fonction aura un comportement (( symétrique )) en x = 0,
c'est-à-dire une dérivée en x = 0 inverse à celle en x = 1. Enn, pour la nouvelle
fonction utilisée, le rapport masse/raideur ne devra pas tendre vers l'inni dans les
zones de faible densité, an d'éviter l'apparition de modes locaux.
La fonction
f : x 7! ? 1)x+1 )
1
x
( +(

105
répond à ces critères. En eet, ses dérivées sont égales à
d 1
f (0) = ;
dx
d
f (1) = :
dx
Nous avons tracé sur la gure 5.7 la courbe correspondante pour allant de 1 à 4.
A? titre de comparaison nous avons également tracé la courbe de la fonction fp pour
p égal à 4.
1
p ou alpha=1
0.9 alpha=2
alpha=3
alpha=4
0.8 p=4
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 5.7 Représentation de la nouvelle fonction pour allant de 1 à 4.

Toujours sur le cas de la console (mêmes conditions initiales et mêmes valeurs de
paramètres), on teste la fonction f pour valant 2:5, 3 puis 4. Les résultats sont
donnés dans le tableau 5.2.
Test Masse nale (10?1 kg ) Nombre de densites
intermediaires
8 2.5 4.171648 64
9 3 4.186335 24
10 4 4.252974 20
Tab. 5.2 Tests avec diérentes valeurs .
On remarque tout d'abord, comme avec la fonction fp, que la masse augmente et
le nombre de densités intermédiaires diminue quand augmente. Cette similitude
était prévisible puisque pour un donné, le terme dominant de f est en xp avec
p = + 1.
106
5.2 Formulation mathématique des contraintes dynamiques
Les résultats sont donc comparables avec ceux obtenus avec le modèle SIMP.
Toutefois, un avantage important des fonctions f par rapport aux fonctions fp est
qu'aucun mode local n'apparaît dans la base modale des solutions, même pour celles
comportant des densités intermédiaires (dans ce cas, le rapport masse/raideur ne
tend pas vers l'inni lorsque la densité tend vers 0). Ainsi, si l'on reprend l'exemple
de la solution obtenue au test 4 et que l'on calcule sa base modale en remplaçant la
fonction fp par f dans l'expression (5.2), la solution ne contient plus que des modes
propres globaux.
Par ailleurs, l'utilisation de cette fonction a une inuence sur l'aspect optimi-
sation locale/globale du problème d'optimisation topologique. En eet, les densités
nulles au départ devraient être modiées au cours de l'optimisation. Ainsi, même
si l'on considère des solutions initiales diérentes (comportant ou non des densités
nulles), on peut obtenir la même solution nale. Cet aspect sera étudié dans la partie
5.3.
Notons pour conclure que nous avions tout d'abord considéré la fonction
f1 (x) + f2 (x) + jf1(x) ? f2 (x)j
f : x ! ;
2
avec
f1 : x ! 2
( ?
p ? 2 ? (3 + )(1 ? )x);
1+
(3 + )(1 ? ) 3
f2 : x ! (3 + )(1 ? )x2 + x;

4
qui, en plus de satisfaire au critère de symétrie de la courbe entre x = 0 et x = 1,

est également symétrique par rapport à l'axe y = 1 ? x (cf. gure 5.8) et donc traite
la présence/absence de matière de façon totalement symétrique. Nous n'avons pas
retenu cette forme de pénalisation pour des dicultés de codage dans la mise en
oeuvre de f dans le logiciel NASTRAN.
5.2 Formulation mathématique des contraintes dy-

namiques
Nous rappelons que les contraintes dynamiques (cf. chapitre 2) concernent le
comportement de la pièce soumise à une excitation périodique (réponse forcée). Il
va s'agir d'abaisser les pics de courbes de compliance dynamique (on veut qu'elles
soient au-dessous d'une droite de référence donnée), comme exprimé par l'équation
(5.4).
Une courbe de compliance dynamique donne une réponse en fréquences. On ex-
cite la pièce à une fréquence et en un point donnés et on calcule le module du
107
1
lambda=0
0.9
alpha=4
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 5.8 Représentation de la fonction f ( = 0) et comparaison avec la fonction
f ( = 4).
déplacement maximum correspondant en ce même point. On réitère cela pour plu-

sieurs fréquences (en pratique sur une plage de fréquences avec un pas donné). La
courbe de compliance dynamique est la courbe représentant la valeur du déplace-
ment mesuré sur toute la plage de fréquences d'excitation. La contrainte dynamique
impose que la courbe obtenue soit au-dessous de la droite de référence sur toute
la plage de fréquences considérée, c'est-à-dire que le maximum de la courbe soit
inférieur à une certaine valeur.
Notons ici que la seule publication traitant ce type de contrainte est celle de
Soto [58]. Toutefois, il ne s'agit pas dans son cas, d'être au-dessous d'une droite de
référence, mais d'être le plus proche possible (au sens de la norme l2) d'une autre
courbe de compliance dynamique donnée correspondant, par exemple, au compor-
tement d'une pièce existante déjà éprouvée.
Tous les résultats de cette partie seront présentés pour l'exemple précédent de la
plaque console sur laquelle on applique une excitation au noeud 1 (Dx = Dy = 100,
Dz = 10, nx = ny = 20, nz = 1 (N = 400) et 0 = 7800kg=m3 ). Le point de
départ de l'algorithme d'optimisation correspond à toutes les densités égales à 0.9
(0i = 0:9; i = 1; : : : ; 400), sa masse étant égale à 7:02 10?1 kg. On a tracé sur la
gure 5.9 la courbe de compliance dynamique correspondante qui nous servira de
référence. Si l'on fait l'analyse modale de cette pièce, on peut voir que ses principaux
108
modes se situent entre 0 et 500Hz. C'est donc sur cette plage de fréquences que nous
ferons nos tests.
−5
x 10
9
6
Module du deplacement
0
0 50 100 150 200 250 300 350 400 450 500
Frequences d’excitation
Fig. 5.9 Courbe de compliance dynamique de la solution initiale.
A? titre de comparaison, on a tracé sur la gure 5.10, la courbe de compliance

dynamique de la solution obtenue dans le cas où le problème comporte uniquement
des contraintes statiques et avec p = 3:5 (test 4 décrit dans la partie précédente).
On voit que cette courbe présente un pic à 7:57 10?5 mm pour une fréquence
d'excitation de 188Hz.
Supposons maintenant que l'on souhaite améliorer les performances dynamiques
de la solution precédente. On impose pour cela la contrainte (5.4) avec = 6
10?5 mm. Dans ce cas, aucune des deux solutions précédentes (solution initiale et
solution obtenue lorsque le problème ne comporte que des contraintes statiques) ne
vérie cette contrainte.
Concernant le problème des modes locaux évoqué dans la partie précédente, no-
tons qu'excepté leur inuence sur le temps d'un calcul dynamique, ils n'interviennent
pas dans nos calculs. En eet, nous ne considérons le déplacement qu'au point d'ap-
plication de la force (élément où il y a toujours de la matière). Les déplacements liés
aux modes locaux étant très petits et localisés sur les zones où la densité est faible
(et donc pas aux endroits où on applique les forces), ils n'ont aucune inuence sur
nos résultats. Nous utiliserons ainsi pour les tests de cette partie, le modèle SIMP,
c'est-à-dire la fonction fp.
Une des dicultés de la résolution de ce problème est de traduire la contrainte
109
−5
x 10
8
5
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 5.10 Courbes de compliance dynamique de la solution du test 4.
dynamique (5.4) sous la forme d'une contrainte mathématique pouvant être prise en
compte par un algorithme d'optimisation.
Cette diculté est liée au fait que nous n'avons pas accès au maximum (( réel ))
de la courbe, c'est-à-dire au maximum des déplacements pour toute fréquence f 2
[fmin ; fmax] mais seulement au maximum des évaluations de la courbe discrétisée,
c'est-à-dire au maximum des déplacements calculés pour certaines fréquences de
l'intervalle [fmin ; fmax]. Or, le nombre de fréquences pour lesquelles on calcule le
déplacement doit être le plus petit possible pour des raisons de temps de calcul et
de place mémoire.
Nous avons ainsi envisagé diérentes formulations que nous allons décrire et
comparer dans les parties suivantes.
5.2.1 Discrétisation et agrégation
Une façon simple de discrétiser la contrainte (5.4) consiste à imposer que tous les
déplacements mesurés soient au-dessous de la valeur de référence . La contrainte
dynamique (5.4) se réécrit alors :
u2;1(; f ) ; 8f 2 ff1; f2; : : : ; fN g f (5.8)
où Nf est le nombre de fréquences d'excitation considérées, c'est-à-dire le nombre
de déplacements calculés.
Il est nécessaire dans ce cas de choisir le pas de discrétisation des fréquences
d'excitation, c'est-à-dire de trouver une valeur convenable pour le paramètre Nf .
En eet, si le pas de fréquence est trop grand, le maximum (( réel )) sera mal estimé.
110
Il est alors probable que l'algorithme converge vers une solution ne respectant pas la
contrainte imposée : tous les déplacements calculés seront au-dessous de la valeur de
référence, mais pour un déplacement (non calculé) correspondant à une fréquence
entre deux points de mesure la contrainte ne sera plus respectée (la courbe discrétisée
plus nement aura un pic passant entre les points de mesure).
Essayons tout d'abord (test 11) un pas de discrétisation égal à 25Hz (Nf = 20).
On peut voir sur la gure 5.11 la courbe de compliance dynamique de la solution,
tracée avec une discrétisation plus ne (pas égal à 2Hz) que celle utilisée pour poser
les contraintes. On constate que le pic de la courbe (intitulée solution en statique +
dynamique) passe au-dessus de la droite de référence (le pic passe entre deux points
de discrétisation, marqués d'une croix sur la droite de référence).
−5
x 10
9
Solution initiale
Solution en statique pur
Solution en statique + dynamique
8
6
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 5.11 Comparaison de la courbe de compliance dynamique obtenue au test 11

avec celles de référence.
Pour bien modéliser le maximum (( réel )) et réduire ce phénomène, il est donc né-
cessaire que le pas de fréquence soit susamment petit. Or, plus le pas de fréquence
est petit, plus le nombre de contraintes à inclure dans le problème d'optimisation est
important (par exemple si le pas est égal à 2Hz nous avons 250 contraintes à prendre
en compte). Dans ce cas, les premières itérations de l'algorithme FSQP permettant
de trouver un itéré admissible seront très nombreuses, tout comme le nombre néces-
saire d'évaluations des contraintes, et cela est dicilement compatible avec un temps
de calcul raisonnable. Pour illustrer ce phénomène, on a représenté sur la gure 5.12
l'évolution de la masse en fonction du nombre d'évaluations (appels à NASTRAN)
pour le test 11. En bleu sont représentés les points correspondant à une solution
admissible, en rouge ceux correspondant à une solution non admissible et enn les
points sont verts lorsqu'une contrainte est saturée. Sachant qu'une évaluation est
111
0.75
Admissible
Non admissible
0.7
0.65
0.6
masse
0.55
0.5
0.45
0.4
0 20 40 60 80 100 120 140 160 180
evaluations
Fig.
5.12 Evolution de la masse en fonction du nombre d'évaluations pour le test
11.
très coûteuse en temps de calcul (car nécessitant la résolution d'un problème d'élas-
ticité linéaire), il est problématique d'imposer autant de contraintes dynamiques.
Une alternative serait d'utiliser l'option (( many sequentially related constraints ))
de l'algorithme FSQP décrite dans [46]. Toutefois, nous proposons ici de pallier ce
problème en agrégeant toutes ces contraintes en une seule qui porte sur le maximum
des déplacements calculés (les déplacements ont été calculés pour chaque fréquence
marquée d'une croix sur la droite de référence). Nous n'avons plus dans ce cas qu'une
seule contrainte dynamique : le maximum de déplacements (parmi ceux associés à
chaque fréquence) doit être inférieur à = 6 10?5 mm. La contrainte dynamique
(5.4) se réécrit alors :
2f
max u2 1(; f ) : (5.9)
Nf g
;
f f1 ;f2 ;::: ;f
Il est évident, comme précédemment, que plus le pas de discrétisation sera faible,
meilleure sera l'approximation. Cette solution ne résout pas le problème du pic qui
passe entre deux points de mesure. Cependant, ce critère a l'avantage de limiter
à un seul le nombre de contraintes à prendre en compte, quel que soit le pas de
discrétisation utilisé. Ainsi, la convergence de l'algorithme sera plus rapide. Pour
vérier cela, on pourra comparer la gure 5.13 (évolution de la masse en fonction
du nombre d'évaluations pour le test suivant) à la gure 5.12.
Testons ce critère avec un pas de discrétisation égal à 10Hz (test 12). Nous
pouvons visualiser la courbe de compliance dynamique de la solution obtenue (tra-
cée avec une discrétisation beaucoup plus ne) sur la gure 5.14. Nous constatons,
112
0.75
Admissible
Non admissible
Contrainte saturee
0.7
0.65
0.6
masse
0.55
0.5
0.45
0.4
0 20 40 60 80 100 120 140
evaluations
Fig. 5.13
Evolution de la masse en fonction du nombre d'évaluations pour le test
12.
−5
x 10
9
Solution initiale
8
6
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 5.14 Courbe de compliance dynamique de la solution obtenue avec le maximum

discrétisé (test 12).
113
comme au test précédent, que le pic de la courbe de compliance dynamique de la
solution obtenue passe au-dessus de la droite de référence. Le même problème qu'au
test précédent se pose : tous les déplacements calculés (et donc le maximum) sont
inférieurs à mais la contrainte n'est pas respectée pour une fréquence comprise
entre deux points de mesure.
De plus, l'inconvénient principal de la contrainte (5.9) est qu'elle est non diéren-
tiable. En eet, la fréquence correspondant au maximum des déplacements calculés
peut changer brutalement d'une itération à l'autre. Nous avons illustré ce problème
de non diérentiabilité de la contrainte (5.9) sur la gure 5.15.
Fig. 5.15 Illustration du problème de diérentiabilité intervenant avec le maximum
discrétisé.
Supposons que pour une valeur donnée des variables d'optimisation (densités à
l'intérieur des éléments de conception) on obtienne la courbe représentée en noir. La
valeur de la contrainte (maximum discrétisé) correspond à la fréquence f . Supposons
i
maintenant que la courbe bleue en pointillés corresponde à une petite variation des
variables. Dans ce cas le maximum discrétisé est atteint à la fréquence f + 1. Ainsi,
i
le fait de choisir d'agréger toutes nos contraintes (une par fréquence discrétisée) en
une seule contrainte exprimée sous la forme d'un maximum (norme l1) introduit la
non diérentiabilité de la contrainte.
De plus, un autre cas de non diérentiabilité a lieu lorsque le maximum est
atteint en deux valeurs de fréquences d'excitation distinctes.
Agrégation avec la norme l q
Pour pallier cette diculté de non diérentiabilité nous proposons d'utiliser une
norme l , avec q ni. Plus précisément, si on note u (; f ) l'amplitude du déplace-
q k
114
ment au noeud k calculé pour la fréquence d'excitation f :
? X q1
jju (; :)jj =
k q
u (; f )
k
q
;
f 2f
f1 ;f2 ;::: ;f Nf g
et la contrainte (5.4) se réécrit :

jju (; :)jj :
k q k (5.10)
Dans ce cas, nous nous aranchissons du problème de dérivabilité et nous avons la
propriété suivante :
q
lim
!1
jju (; :)jj = jju (; :)jj1 =
k q k
f 2f
max
f1 ;f2 ;::: ;f Nf g
u (; f );
k
c'est-à-dire que si la valeur de q utilisée est susamment grande, la norme l est q
pratiquement le maximum.
L'utilisation de la norme l nécessite de choisir une valeur pour le paramètre q.
q
Pour nous guider dans ce choix, nous avons calculé (cf. tableau 5.3) la valeur de
la norme l pour la courbe de compliance dynamique (discrétisation ne avec un
q
pas de 2Hz) de diérentes solutions et ce, pour diérentes valeurs du paramètre

q . Les trois solutions étudiées sont : le point de départ de l'optimisation (toutes
les densités égales à 0.9), la solution obtenue dans le cas où le problème comporte
seulement des contraintes statiques (test 4 décrit dans la partie suivante) et enn la
solution obtenue lorsque le problème comporte des contraintes à la fois statiques et
dynamiques (test précédent avec utilisation du maximum discrétisé).
q Point de départ Solution en statique pur Solution en statique et
(Test 4) dynamique (Test 12)
1 8:6690 10?5 7:5699 10?5 7:1288 10?5
2 2:1345 10?4 2:3211 10?4 2:2755 10?4
5 1:0418 10 ?4
9:5512 10 ?5
9:0635 10?5
6 9:8977 10?5 8:9938 10?5 8:5313 10?5
8 9:3615 10?5 8:4218 10?5 7:9963 10?5
10 9:0997 10 ? 5
8:1379 10 ?5
7:7344 10?5
20 8:7360 10?5 7:7089 10?5 7:3355 10?5
30 8:6825 10?5 7:6191 10?5 7:2406 10?5
Tab. 5.3 Valeur de la norme l pour diérentes solutions et diérentes valeurs de
q
q.
On souhaite une valeur de q susamment grande pour permettre de modéliser la

norme l1 mais pas trop élevée pour éviter les problèmes de diérentiabilité (( numé-
rique )) potentiels que posent la norme l1 et que nous avons évoqué précédemment.
115
Notons tout d'abord que la norme l2 n'est pas satisfaisante puisque ses valeurs pour
les trois solutions ne sont pas du tout en adéquation avec celles obtenues avec le
maximum. En eet, dans ce cas, la valeur la plus faible est celle de la solution ini-
tiale et la plus élevée celle de la solution avec seulement des contraintes statiques.
Or, cette dernière n'a ni le pire ni le meilleur comportement en dynamique. On
remarque également qu'au delà de la valeur q = 8, la diérence entre les valeurs
devient faible. La norme lq converge lentement vers la norme l1. Nous nous sommes
basée sur ces observations empiriques pour choisir la valeur q = 6 pour les tests
décrits par la suite.
Il nous faut maintenant adapter la valeur seuil à prendre pour la borne de la
contrainte. Nous avons lancé un premier test avec = 8 10?5mm et un pas de dis-
crétisation égal à 10Hz (test 13). Comme on peut le voir sur la gure 5.16, la solution
obtenue est non admissible (pour la valeur réelle de la contrainte) puisque la courbe
de compliance dynamique passe au-dessus de la droite de référence y = 6 10?5. La
−5
x 10
9
Solution initiale
8
6
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 5.16 Courbe de compliance dynamique de la solution obtenue en utilisant la
norme 6 (test 13).
norme l6 ne permet donc pas de résoudre les problèmes liés à la discrétisation.

Une solution (utilisable aussi bien avec la norme l6 qu'avec le maximum discré-
tisé) peut être d'imposer à l'algorithme d'optimisation une contrainte plus sévère
que la contrainte (( réelle )), c'est-à-dire baisser la valeur du seuil de la contrainte
(5.4). On verra un exemple d'application dans le chapitre 6.
Notons, par ailleurs, que lorsqu'on utilise la norme l6, il est souvent nécessaire
d'adapter la valeur , pour chaque problème particulier. En eet, par exemple, dans
le cas où la courbe comporte deux pics de même hauteur, la borne utilisée avec la
116
norme l1 ne convient plus.
Pour éviter d'utiliser une heuristique permettant d'adapter la valeur de la borne
au problème traité, on peut envisager de modéliser la courbe de compliance dyna-
mique. C'est une méthode de modélisation que nous décrivons dans le paragraphe
suivant.
5.2.2 Modélisation de la courbe de compliance dynamique

An de pallier le problème dû à la discrétisation de la courbe de compliance
dynamique, nous avons envisagé de la modéliser, par exemple à l'aide d'une ap-
proximation polynomiale par morceaux, à partir des déplacements calculés. On aura
ainsi une expression explicite approchant au mieux la courbe discrétisée nement et
le maximum de cette expression approchera le maximum (( réel )) de la courbe.
La question est alors de savoir quelle classe de fonctions d'approximation utiliser.
Il est en eet nécessaire de savoir calculer les sensibilités du maximum modélisé par
rapport aux variables d'optimisation et de pouvoir modéliser une courbe avec des
pics hauts et étroits.
Les fonctions cardinal splines nous ont paru intéressantes parce que particulière-
ment bien adaptées à la modélisation des pics. Le calcul des dérivées du maximum de
la courbe modélisée par rapport aux variables d'optimisation (densités à l'intérieur
des éléments de conception) est immédiat et dépend, comme nous allons le montrer,
uniquement des dérivées aux points de contrôle de la spline, c'est-à-dire des dérivées
des déplacements calculés (on pourra voir [27] pour plus de détails).
Les cardinal splines sont dénies par les valeurs de la fonction à approcher en
certains points (noeuds) ainsi que par les dérivées directionnelles de la fonction en
ces mêmes noeuds. Nous donnons ci-dessous la forme usuelle des cardinal splines,
permettant d'obtenir une représentation approchée de notre courbe de compliance
dynamique.
Soit Nf le nombre de fréquences discrétisées, fu0; u1; : : : ; uNf g les déplacements
calculés aux points de discrétisation et ui?1, ui, ui+1, ui+2 quatre déplacements consé-
cutifs de cet ensemble. Ces déplacements dépendent des variables d'optimisation ,
densités à l'intérieur des éléments de conception.
Soit l'intervalle de fréquences I = [fi; fi+1], on se ramène pour plus de simplicité
mais sans perte de généralité à l'intervalle [0; 1] et on considère une fréquence f de
cet intervalle.
On impose alors que la courbe approchée Ci(f; ) interpole les valeurs ui et ui+1
et sa tangente en ces points est contrainte à être égale à un certain multiple de la
pente de la sécante aux points voisins : @C @f (fi ; ) = (ui+1 ? ui?1 ) (respectivement
i
@f (fi+1 ; ) = (ui+2 ? ui )) (cf. gure 5.17), où est un paramètre à ajuster.

@Ci
117
C1 ( f )
u1 = C0(1) = C1 (0) u2 = C1 (1) = C 2(0)
C2(f )
C0 ( f )
u0 u3 = C2(1)
Fig. 5.17 Modélisation d'un pic à l'aide de cardinal splines.

On cherche donc un polynôme Ci(:; ) de degré 3 satisfaisant les quatre con-
traintes :
Ci (0; ) = ui ;
Ci (1; ) = ui+1 ;
@Ci
@f
(0; ) = (ui+1 ? ui?1)
@Ci
et @f
(1; ) = (ui+2 ? ui):
On peut ainsi écrire :
Ci (f; ) = F M U T
avec
F = [f
3 f 2 f 1]
U = [ui?1 ui ui+1 ui+2 ]
et
0 ? 2 ? ? 2 1
B 2 ? 3 3 ? 2 ? CC :
M =B
@ ? 0 0 A
0 1 0 0
Pour ne pas trop augmenter le temps de calcul, nous nous sommes restreinte à la
modélisation du pic de la courbe de compliance dynamique (et non pas à la courbe
118
entière). Pour cela, on recherche le maximum discrétisé qui correspondra pour la
modélisation à ui ou ui+1.
Nous nous sommes contentée de cette modélisation locale car toutes les courbes
observées au cours de nos tests possédaient un pic prépondérant. Dans le cas où il y
aurait plusieurs pics de hauteur comparable, on peut imaginer modéliser ces dié-
rents pics et utiliser une norme lq pour conserver les propriétés de diérentiabilité.
Explicitons la valeur du maximum de la courbe modélisée :
max Ci (f; ) = Ci (f ; )
f
avec f telle que

@Ci
@f
(f ; ) = 0;
c'est-à-dire
af 2 + bf +c=0
avec
a = 3(?ui?1 + (2 ? )ui + ( ? 2)ui+1 + ui+2);
b = 2(2ui?1 + ( ? 3)ui + (3 ? 2)ui+1 ? ui+2);
c = ui?1 + ui+1:
Le maximum local de notre polynôme de degré 3 (s'il existe, ce que l'on peut
raisonnablement supposer ici) est atteint au point
p2
?b b ? 4ac ;
2a
avec les paramètres a; b; c des polynômes en ui(). Si ce maximum existe, on a
b2 ? 4ac > 0 et a 6= 0 et dans ces conditions la fonction maximum est diérentiable
en .
Le paramètre mesure l'amplitude des vecteurs tangents aux points de contrôle,
c'est-à-dire la hauteur du maximum dans le cas de la modélisation d'un pic. Nous
avons illustré cette propriété sur la gure 5.18. Nous avons représenté en bleu, sur
les deux graphiques, une courbe de compliance dynamique discrétisée avec un pas
de fréquence égal à 5Hz. Le rond rouge représente le maximum de la courbe spline
obtenue à partir des déplacements calculés et avec = 1:8 sur la courbe de gauche
et = 2:5 sur la courbe de droite. Cette valeur maximum est à comparer avec le
maximum de la courbe discrétisée plus nement avec un pas de fréquence égal à
119
Fig. 5.18 Inuence de la valeur du paramètre sur la hauteur du pic modélisé.
1Hz (que l'on suppose proche du maximum (( réel ))) et représenté par une étoile
magenta.
Le point faible de cette approche est le réglage du paramètre . En eet, la
hauteur du pic de la courbe de compliance dynamique dépend de la valeur des
densités et change donc au cours de l'optimisation. Or, le paramètre doit être xé
au début de l'optimisation en fonction de la forme du pic de la solution initiale.
Cette approximation du maximum par des splines s'avère toutefois bien fonc-
tionner en pratique et nous montrerons les résultats dans le chapitre suivant sur le
cas réel d'un composant automobile.
Pour terminer cette partie sur la modélisation des contraintes dynamiques, re-
marquons que la valeur de l'amortissement (utilisé dans la résolution du problème
d'élasticité linéaire) a une inuence sur la forme de la courbe de compliance dyna-
mique. En eet, on peut vérier que plus la valeur de l'amortissement est petite plus
les pics sont hauts et étroits.
5.3 Un problème d'optimisation globale

Il est intuitif que notre problème d'optimisation topologique est non convexe
(ni même quasi-convexe), c'est-à-dire qu'avec le même algorithme d'optimisation
on peut obtenir diérentes solutions lorsqu'on change les valeurs des paramètres
dénissant l'algorithme ou qu'on prend un point de départ diérent pour l'algorithme
d'optimisation.
C'est cet aspect optimisation locale/globale que nous étudions dans cette partie.
Ainsi, après avoir mis en évidence l'existence de plusieurs minima locaux, nous par-
lerons de diérentes stratégies pour le choix du paramètre de pénalisation p de la
méthode SIMP. Pour tous nos tests, nous utiliserons l'exemple de la plaque console.
120
Une façon simple d'évaluer cet aspect optimisation locale/globale est d'optimiser
à partir de diérents points de départ et pour diérentes valeurs de p.
On utilise ainsi les points de départ suivants :
Point de départ numéro 1 : 0 = 0:9 8i = 1; :::; 400 ;
i
Point de départ numéro 2 (cf. gure 5.19) : cette solution est identique à la
précédente sauf que les 48 éléments au centre de la pièce sont vides (la densité
correspondante est nulle : = 0:001) ;
i
Point de départ numéro 2b : cas identique au précedent sauf qu'au centre les
densités sont égales à 0.2 et non à 0.001 ;
Point de départ numéro 2c : comme pour le point numéro 2b les densités au
centre ne sont pas nulles mais valent 0.5 ;
Point de départ numéro 3 (cf. gure 5.19) : nous avons, dans ce cas, créé 9
trous (constitués de 9 éléments chacun) à l'intérieur de la pièce. La densité de
ces éléments est égale à 0.001.
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
Fig. 5.19 Point de départs 2 et 3.
Commençons par étudier l'aspect optimisation globale de notre problème dans

le cas où nous avons seulement des contraintes statiques. Les tests réalisés et les
résultats obtenus sont résumés dans le tableau 5.4.
Au vu de ces résultats, on peut faire les remarques suivantes :
Pour p = 1, on obtient la même solution quel que soit le point initial choisi
(la forme de cette solution est donnée sur la gure 5.20). Il semble donc que
l'on obtient dans les trois cas un minimum global du problème d'optimisation
relaxé (c'est-à-dire en tolérant les densités intermédiaires).
Lorsque p > 1, les solutions obtenues dépendent du point initial utilisé. On
remarque également que les variables égales à 0.001 (densités nulles) au début
121
Test p Point de départ Masse nale Nombre de densites
(10?1 kg ) intermediaires
1 1 1 3.654361 318
14 2 3.654360 316
15 3 3.654381 318
2 2 1 4.162881 54
16 2 4.758421 16
5 4 1 4.254976 18
17 2 4.7785 2
18 2b 4.495989 10
19 2c 4.270954 10
Tab. 5.4 Résultats obtenus avec diérents points de départ et plusieurs valeurs
de p.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Fig. 5.20 Solution obtenue avec p = 1.
de l'optimisation (la pièce initiale comporte des trous), restent inchangées (cf.
gure 5.21). Ceci est dû, comme nous l'avons vu précédemment, à la forme
particulière de la fonction fp utilisée dans la formulation SIMP. Notons ainsi
que lorsque la solution initiale comporte des trous, une partie de la forme de
la pièce est gée dès le début de l'optimisation. Cela peut expliquer le fait que
la masse des solutions obtenues avec le point initial 2 est plus élevée que celle
des solutions obtenues avec le point initial 1. Ceci n'est vrai, rappelons-le, que
pour les densités très faibles, puisqu'avec p = 4 et le point initial 2b, certaines
variables dont la valeur initiale est 0.2 peuvent augmenter (cf. gure 5.22)
et qu'avec le point initial numéro 2c, la solution obtenue est proche de celle
obtenue avec le point initial 1.
122
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Fig. 5.21 Solution obtenue avec p=4 et le point de départ 2.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Fig. 5.22 Solution obtenue avec p=4 et le point de départ 2b.
123
An de vérier ces résultats lorsque le cahier des charges comporte aussi des
contraintes dynamiques, on réutilise les conditions du test 13 (utilisation de la norme
l6 ) avec le point initial numéro 2. Les résultats sont résumés dans le tableau 5.5. Nous
Test Point de départ Masse Nb Nb Nb de densités

nale d'éval. d'itér. intermédiaires
(10?1 kg )
13 1 4.221339 70 21 20
20 2 4.819617 165 40 20
Tab. 5.5 Comparaison des tests réalisés en dynamique avec p = 3:5 et diérents
points de départ.
remarquons que la solution obtenue avec le point initial numéro 2 (test 20) a une
masse plus élevée et un comportement dynamique diérent (cf. gure 5.23) que celle
obtenue avec le point initial 1 (test 13). De plus, lorsqu'on débute l'optimisation
avec le point initial 2, la convergence de l'algorithme est plus lente (le nombre
d'évaluations et d'itérations est plus élevé). Enn, comme on le vérie sur la gure
−5 −5
x 10 x 10
9 9
Solution initiale Solution initiale
Solution en statique pur Solution en statique pur
Solution en statique + dynamique Solution en statique + dynamique
8 8
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500
Frequences d’excitation Frequences d’excitation
Fig. 5.23 Comparaison des courbes de compliance dynamique obtenues avec p = 3:5
et diérents points de départ (tests 13 et 20).
5.24, lorsqu'on utilise le point initial 2, les densités nulles au début de l'optimisation
restent inchangées et la solution est donc diérente de celle obtenue avec le point
initial 1. Tous ces résultats sont identiques à ceux obtenus dans le cas où le problème
comporte seulement des contraintes statiques. Notre problème relève donc bien dans
ce cas aussi de l'optimisation globale.
Qu'en est-il en dynamique lorsque = 1 ? Remarquons tout d'abord que pour p
p = 1, la courbe de compliance dynamique de la pièce a la même forme que celle

obtenue avec = 3 5 mais que ses pics sont moins hauts (cf. gure 5.25). La solution
p :
initiale évaluée avec = 1 sera donc (( plus admissible )) que la même solution initiale
p
évaluée avec = 3 5. p :
124
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Fig. 5.24 Solution obtenue en dynamique avec p = 3:5 et le point de départ 2.
−5
x 10
9
Solution initiale avec p=3.5
Solution initiale avec p=1
8
6
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 5.25 Comparaison des courbes de compliance dynamique évaluées avec p = 1

et 3.5.
125
An d'étudier l'aspect optimisation globale de notre problème lorsque p = 1,
on réalise les tests 13 et 20 avec p = 1. Les résultats obtenus (en terme de masse,
nombre d'évaluations et d'itérations, etc.) sont résumés dans le tableau 5.6. Les
Test Point de départ Masse Nb Nb Nb de densités
(10?1 kg )
21 1 3.753139 301 65 328
22 2 3.753213 379 75 339
Tab. 5.6 Comparaison des tests réalisés en dynamique avec p = 1 et diérents
points de départ.
solutions obtenues (cf. gure 5.26) semblent identiques. Cela conrme les résultats
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
Fig. 5.26 Solutions obtenues en dynamique avec p = 1 et deux points de départ

diérents.
obtenus dans le cas où le problème comporte seulement des contraintes statiques.

La formulation (( SIMP )) du problème d'optimisation topologique conduit lorsque
p > 1 à un problème d'optimisation globale et ce, même dans le cas très simple du
problème test que nous traitons ici.
Ainsi, toute la pertinence de l'approche proposée par Bendsøe dans [12], consis-
tant à débuter l'optimisation avec une valeur de p faible (p = 1 par exemple) et
de l'augmenter au cours de l'optimisation, apparaît ici. En eet, en démarrant l'op-
timisation avec p = 1, nous évitons une pénalisation trop forte qui conduirait à
un minimum local médiocre. Par la suite, en augmentant de façon progressive la
valeur de p au cours de l'optimisation, nous assurons la pénalisation des densités
intermédiaires de la solution nale qui sera en 0/1.
Nous nous sommes dès lors interrogée sur la manière de modier p au cours de
l'optimisation : quand ? (au bout de combien d'itérations ?) et comment ? (avec quel
126
pas augmenter p ?). An de répondre à ces questions, nous avons réalisé les tests
décrits dans le tableau 5.7. Nous avons fait varier p de 1 à 4 (lorsque p = 4, nous
attendons que l'algorithme converge). La manière d'incrémenter p (de 1, 2, ... par
exemple) et le nombre d'itérations au bout desquelles on modie sa valeur, varient
d'un test à l'autre. Nous comparerons les résultats à ceux obtenus dans le cas où
p = 4 tout au long de l'optimisation (point initial numéro 1) et donnés dans la
première ligne du tableau.
Test Nb iter. avant in- Valeur incré- Masse nale Nb de densités
crémentation mentation (10?1 kg ) intermédiaires
5 0 (p = 4) 0 4.254976 18
23 10 + 0.5 4.247776 27
24 20 +1 4.228301 24
25 20 +2 4.228298 24
26 30 +3 4.224911 10
27 25 +3 4.241911 10
28 ! cv +3 4.217065 18
Tab. 5.7 Résultats lorsque p varie au cours de l'optimisation (p initialement égal
à 1).
Il est dicile de tirer une conclusion de ces résultats, les valeurs de masse étant
assez similaires. On remarque toutefois, que pour les trois premiers tests, les solutions
obtenues comportent plus de densités intermédiaires. Ainsi, si l'on tient compte du
compromis nécessaire entre le petit nombre de densités intermédiaires et une valeur
de masse réduite, les tests 26 et 28 sont les plus performants. La forme des solutions
obtenues avec ces deux tests sont en fait très proches (cf. gure 5.27), ce qui était
prévisible puisque lorsque p = 1 la solution obtenue au bout de 30 itérations est
très proche de la solution (( optimale )) (obtenue après convergence de l'algorithme),
notamment du point de vue de la masse (cf. gure 5.28).
An de savoir si le fait de débuter l'optimisation avec p = 1 est réellement
avantageux, on réalise deux tests supplémentaires : on optimise le problème avec
p = 4 ; à partir du point (( optimal )) obtenu avec p = 2, puis à partir du point
(( optimal )) obtenu avec p = 3. Nous pouvons visualiser les formes des solutions
obtenues sur la gure 5.29 et comparer les résultats dans le tableau 5.8.
Du point de vue de la masse et du nombre de densités intermédiaires, les résultats
du test 29 sont meilleurs. On peut ainsi penser que le point (( optimal )) obtenu avec
p = 2 est un bon point initial pour p = 4, c'est-à-dire qu'en débutant l'optimisation
en ce point, l'algorithme se dirige vers un (( bon )) minimum local. On peut conrmer
cela en représentant sur la gure 5.30 l'évolution de la valeur de la masse en fonction
du nombre d'évaluations (appels à NASTRAN) dans le cas du test numéro 24. Nous
avons représenté en bleu les points correspondant à une solution admissible, en
rouge ceux correspondant à une solution non admissible et enn le point est vert
127
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
Fig. 5.27 Représentation des solutions des tests 26 et 28 (lorsque p varie au cours
de l'optimisation).
0.75
0.7
0.65
0.6
masse
0.55
0.5
0.45
0.4
0.35
0 10 20 30 40 50 60
iterations
Fig. 5.28 Tracé de la masse pour chaque itération lorsque p = 1.
lorsqu'une contrainte est saturée. Les traits verticaux séparent les évaluations pour
chaque valeur de p (p variant de 1 à 4). Nous remarquons que la valeur de la masse
pour le point (( optimal )) obtenu avec un p donné est très diérente de celle du premier
point admissible pour le p suivant. Il y a un (( saut )) entre les deux points. Nous
notons aussi que ce (( saut )) est moins important entre le point (( optimal )) obtenu
avec p = 2 et le premier point admissible avec p = 4 qu'entre le point (( optimal ))
obtenu avec p = 1 et ce même point. On peut ainsi penser qu'en réduisant le (( saut ))
apparaissant lors du changement de valeur de p, on améliore les résultats.
An de vérier cela, réalisons le test suivant : on fait varier p de 1 à 2 très
lentement (+ 0.1 toutes les 5 itérations) puis p est égal à 4 jusqu'à la convergence.
128
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
Fig. 5.29 Représentation des solutions obtenues avec p = 4 et diérents points de

départ (tests 29 et 30).
Test p initial Masse nale Nombre de densites

(10?1 kg ) intermediaires
5 4 4.254976 18
28 1 4.217065 18
29 2 4.162884 10
30 3 4.212885 15
Tab. 5.8 Autres résultats avec p qui varie au cours de l'optimisation.
0.8
0.7
0.6
0.5
masse
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
evaluations
Fig. 5.30 Valeur de la masse à chaque évaluation (test 24).
Les résultats obtenus sont résumés dans le tableau 5.9.

Ces résultats (notamment au vu de la valeur nale de la masse) semblent conr-
129
Test Masse nale (10?1 kg ) Nombre de densites
intermediaires
31 4.166552 20
Tab. 5.9 Test avec une variation lente de p.
mer notre idée. Toutefois, lorsqu'on visualise la solution, on se rend compte que
des damiers apparaissent (cf. gure 5.31). La solution n'est dès lors pas vraiment
intéressante.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
Fig. 5.31 Représentation de la solution lorsqu'on fait varier p lentement (test 31).
Nous pouvons conclure ici que les résultats les plus satisfaisants ont été obtenus
avec les tests 26, 28 et 29. Il semble donc que la meilleure façon de modier la valeur
de p au cours de l'optimisation est de prendre au départ p = 1 ou 2, de réaliser
un certain nombre d'itérations, puis lancer une optimisation avec p = 4 à partir du
point (( optimal )) obtenu.
An de vérier ces résultats dans le cas où le problème comporte également des
contraintes dynamiques, nous avons repris le test 13 mais en utilisant comme point
de départ de l'optimisation, la solution (( optimale )) obtenue avec p = 1 (test 32).
Nous pouvons comparer les résultats obtenus avec ceux du test 13 dans le tableau
5.10.
Les résultats obtenus en terme de masse et de densités intermédiaires sont
proches. Il n'est donc pas forcément pertinent dans le cas dynamique de faire varier
p au cours de l'optimisation.
Nous avons vu dans la partie 5.1, que remplacer la fonction fp : x ! xp par
la fonction f : x 7! 1 (x + ( ? 1)x+1) présentait l'avantage d'éviter l'apparition,
130
Test Masse Nb Nb Nb de densités
(10?1 kg )
13 4.221339 70 21 20
32 4.231032 70 18 14
Tab. 5.10 Comparaison des tests réalisés en dynamique avec diérents points de
départ.
dans les calculs dynamiques, de nombreux modes locaux. Nous pouvons dès lors
nous interroger sur l'aspect optimisation globale du problème dans le cas où on
utilise cette même fonction f. Pour répondre à cette question, on réalise un test
similaire aux tests 8, 9 et 10 (cf. tableau 5.2) mais en utilisant plutôt le point de
départ 2. Les résultats obtenus sont résumés dans le tableau 5.11.
Test Point de départ Masse nale (10?1 kg ) Nombre de densites
intermediaires
8 1 2.5 4.171648 64
33 2 4.142157 44
9 1 3 4.186335 24
34 2 4.244400 52
10 1 4 4.252974 22
35 2 4.296032 12
Tab. 5.11 Tests avec diérentes valeurs et diérents points de départ.
Les résultats obtenus dépendent du point de départ utilisé. Il s'agit donc bien
dans ce cas aussi d'un problème relevant de l'optimisation globale. Toutefois, on
remarque sur la gure 5.32 que contrairement aux résultats obtenus avec p > 1, les
densités nulles au départ peuvent être modiées lorsqu'on utilise la fonction f et
ce, même lorsque la valeur de est élevée.
Il est en outre dicile de conclure sur la qualité des solutions obtenues puisque
cette dernière dépend de la valeur de et du point de départ utilisé.
On note néammoins que la fonction de pénalisation f apporte un potentiel de
diversication dans notre contexte d'optimisation globale : elle permet des directions
de descente qui ajoutent de la matière dans les éléments à densités au départ très
faibles. Par ailleurs, rappelons qu'un avantage certain de ces fonctions par rapport
à celle habituellement utilisée avec le modèle SIMP, est le fait qu'il n'y a pas appa-
rition de mode locaux dans le cas d'un calcul dynamique.
Nous avons évoqué à plusieurs reprises dans les parties précédentes, l'utilisation
de l'algorithme CFSQP. Nous allons dans la partie suivante décrire la mise en oeuvre
de cet algorithme d'optimisation, notamment le réglage des paramètres.
131
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
Fig. 5.32 Comparaison des solutions obtenues avec le point de départ 2, la fonction
f , = 4 (gauche) et fp , p = 4 (droite).
5.4 E tude et choix réalisés pour l'algorithme CF-

SQP
Rappelons tout d'abord que la méthode FSQP fait partie des méthodes d'opti-
misation locale non linéaire dites de descente. Il s'agit en fait d'une des nombreuses
variantes de l'algorithme PQS, dont elle se distingue par le fait que tous les itérés
sont admissibles. Nous avons vu dans le chapitre 4 que cette méthode est particuliè-
rement bien adaptée à la résolution de notre problème d'optimisation topologique.
CFSQP est l'algorithme écrit en C, permettant la mise en oeuvre de la méthode
FSQP.
L'utilisateur de CFSQP a le choix entre deux options : il peut soit demander à
ce que la valeur de la fonction objective décroisse à chaque itération (une fois que
l'admissibilité des contraintes est vériée), on parle alors de décroisssance monotone ;
soit se contenter d'une décroissance sous au plus quatre itérations (décroisssance non
monotone). On s'autorise ainsi à détériorer temporairement la valeur de la fonction
objectif. Dans le premier cas, une recherche linéaire de type Armijo est utilisée. C'est
cette version de l'algorithme que nous avons décrite dans le chapitre 4.
Nous avons toutefois testé la recherche linéaire non monotone, en relançant le
test 5. On peut comparer les résultats obtenus avec les deux options dans le tableau
5.12. Les résultats obtenus sont comparables, excepté en nombre d'évaluations qui
est plus élevé avec la décroissance monotone. Ainsi, en terme de temps de calcul,
la décroissance non monotone donne sur cet exemple de meilleurs résultats. Cepen-
dant, ceci n'est plus vrai pour les tests 1 et 2. En eet, pour le test 1, si on utilise
la décroissance non monotone, au bout de 333 évaluations l'algorithme n'a toujours
pas convergé et la valeur de la masse de l'itéré courant est plus élevée (et donc la
solution moins satisfaisante) que dans le cas de la décroissance monotone. Les résul-
132
5.4 E tude et choix réalisés pour l'algorithme CFSQP
Masse Nombre Nombre Nombre de densites
nale d'evaluations d'iterations intermediaires
(10?1 kg ) (appel NASTRAN) de CFSQP
Décroissance 4.254976 100 32 18
monotone
Décroissance 4.230231 58 35 12
non monotone
Tab. 5.12 Comparaison des résultats obtenus avec les deux options de CFSQP.
tats nous semblant satisfaisants avec la recherche monotone (notamment en terme

de temps de calcul), nous avons choisi d'utiliser cette méthode dans tous les tests
décrits dans ce document.
Notons que, sans aucun réglage particulier des paramètres, le temps de conver-
gence (avec les deux versions de l'algorithme) était excessivement long. L'algorithme
ne s'arrêtait pas, bien qu'au bout d'un certain nombre d'itérations, la variation entre
deux valeurs successives de la fonction objectif était inme. Autrement dit, les condi-
tions d'arrêt par défaut n'étaient pas satisfaisantes. Nous avons alors utilisé un des
paramètres intégrés dans l'algorithme CFSQP et permettant un arrêt (( prématuré ))
de l'algorithme. Nous imposons ainsi que l'algorithme s'arrête si la diérence entre
les valeurs de la fonctions objectif pour deux itérations consécutives est inférieure à
10?15 . On note que de ce fait, l'algorithme peut s'arrêter bien que la norme de Kuhn
et Tucker L (avec L le lagrangien et le vecteur des variables cf. chapitre
jjr jj
4) ne soit pas aussi petite que la valeur exigée par l'algorithme.

Par ailleurs, an d'économiser en temps de calcul, nous avons utilisé la variable
logique x_is_new qui permet d'indiquer si le point courant (valeurs des densités
dans chaque élément de conception) est le même que celui évalué précédemment.
Dans ce cas, on ne relance pas un calcul NASTRAN mais on réutilise les valeurs de
fonctions (objectifs, contraintes et dérivées correspondantes) précédentes qui avaient
été stockées dans un chier.
Enn, notons que nous avons dû normaliser la valeur de la fonction objectif, des
contraintes et de leurs gradients respectifs. En eet, dans le cas où nous ne le faisions
pas, la convergence était extrêmement lente (le progrès de la recherche linéaire était
inme). Ainsi, si l'on note f et g (i = 1; : : : ; m) les gradients respectivement de
r r i
la fonction objectif f et des gradients gi, on utilise plutôt :

133
f := f jjr1jj ;
f 1
rf := rf jjr1jj ;
f 1
gi := gi jjr1 jj ;
gi 1
et rg := rg jjr1 jj :
g 1
i i
i
Nous avons vu dans les parties précédentes que ces réglages de paramètres nous
ont permis d'obtenir des résultats satisfaisants avec un temps de convergence de
l'algorithme raisonnable.
Nous avons expliqué dans ce chapitre les choix algorithmiques réalisés et intégrés
dans le code DynamiTO que nous présentons dans le chapitre 6. Nous avons utilisé
dans ce chapitre un exemple basé sur une géométrie simple (plaque console). Nous
conrmerons la pertinence de ces choix dans le chapitre suivant sur le cas d'une
pièce automobile réelle : la face accessoires (présentée dans le chapitre 1).
134
Chapitre 6
La maquette logicielle DynamiTO :
application à une pièce automobile
Le but de notre travail de recherche est de proposer une solution logicielle pour
l'optimisation topologique de composants mécaniques, facilement utilisable par les
secteurs opérationnels chez Renault et permettant la prise en compte de contraintes
dynamiques primordiales dans la conception de pièces automobiles.
Nous avons expliqué dans le chapitre précédent les choix algorithmiques que
nous avons faits pour la mise en oeuvre de notre méthode d'optimisation topolo-
gique, c'est-à-dire le réglage des paramètres de la méthode d'optimisation topolo-
gique SIMP et de l'algorithme d'optimisation numérique CFSQP.
Nous allons décrire dans la première partie de ce chapitre le fonctionnement de
la maquette logicielle DynamiTO que nous avons développée et qui couple la méthode
SIMP et l'algorithme CFSQP. Nous expliquerons ainsi son architecture générale
ainsi que les paramètres à fournir par les utilisateurs. Nous illustrerons son utilisa-
tion à l'aide de l'exemple de la console en trois dimensions. La seconde partie du
chapitre sera consacrée aux résultats obtenus avec DynamiTO sur le cas réel d'une
pièce automobile : la face accessoires (que nous avons présentée dans le chapitre 1).
6.1 La maquette logicielle DynamiTO

La maquette logicielle DynamiTO couple le logiciel de calcul des structures NAS-
TRAN pour l'évaluation des fonctions (objectif et contraintes) et l'algorithme d'op-
timisation numérique CFSQP, écrit en C. Ce couplage est réalisé à l'aide de pro-
grammes écrits en MATLAB. Nous décrivons plus précisément son fonctionnement
dans le paragraphe suivant.
135
Chapitre 6 : La maquette logicielle DynamiTO : application à une pièce
automobile
6.1.1 Architecture de DynamiTO
Le fonctionnement général de la maquette DynamiTO, c'est-à-dire le couplage
entre les diérents programmes est décrit sur la gure 6.1.
Mod?ele mecanique Param?etres de la

Maillage session d'optimisation
(cas de chargement) et contraintes
DYNAMITO
Programme principal SOLUTION
MATLAB FINALE
(DE BUT) (FIN)
Conditions initiales Solution
CFSQP
BOUCLE
D’OPTIMISATION
Itere courant Valeur des fonctions
NASTRAN
Logiciel de post−traitement
Fig. 6.1 Schéma du fonctionnement de DynamiTO.
Le programme principal de DynamiTO est écrit en langage MATLAB. Il contient la

valeur des paramètres de la session d'optimisation dénis par l'utilisateur (conditions
initiales et dénition des contraintes).
L'appel de l'algorithme d'optimisation CFSQP, c'est-à-dire l'interface entre le
programme principal et CFSQP, est réalisé à l'aide d'une fonction (( mex )) écrite
en langage C. Les évaluations de fonctions (objectif et contraintes) nécessaires au
fonctionnement de CFSQP sont faites à l'aide du logiciel commercial de calcul des
structures NASTRAN. L'interface entre CFSQP et NASTRAN passe par la lecture
et l'écriture de chiers texte.
La méthode SIMP intervient simplement lors de l'appel au logiciel NASTRAN
136
pour l'évaluation des fonctions. Rappelons qu'elle consiste à xer les propriétés ma-
tériau dans chaque élément de conception à partir de la valeur de la densité (comprise
entre 10?3 et 1) correspondante. Ainsi, dans DynamiTO, utiliser la méthode SIMP,
consiste à considérer dans NASTRAN des cartes matériau pour lesquelles la densité
et le module d'Young sont donnés par les équations (3.11) et (3.12).
Rappelons que pour les exemples traités dans le chapitre précédent, la visuali-
sation de la solution (densités optimales) était eectuée en deux dimensions. Pour
la visualisation des pièces réelles (cas en trois dimensions), cette méthode n'est plus
adaptée. Nous avons donc réalisé un programme MATLAB permettant de transcrire
les données nales de CFSQP (densités optimales) en langage compréhensible par
Hypermesh (logiciel de pré et post-traitement de la société ALTAIR) et de visualiser
notre solution à l'aide de ce logiciel.
Le fonctionnement de DynamiTO est (( transparent )) pour l'utilisateur, dans le
sens où le couplage entre les diérents programmes est automatique. Il en est de
même pour l'écriture et la modication des cartes matériau nécessaires à l'utilisation
de la méthode SIMP. L'utilisateur doit simplement fournir des chiers de calcul
NASTRAN et xer la valeur de paramètres. C'est ce que nous expliquons plus
précisément dans le paragraphe suivant.
6.1.2 Entrées - Sorties de la maquette

Pour la mise en oeuvre de DynamiTO, l'utilisateur doit fournir en entrée :
Un chier de calcul dans le formalisme NASTRAN (calcul.dat ) contenant le
type de calcul, les cas de chargement et la dénition des fonctions de l'opti-
misation (objectif et contraintes). Un exemple de ce type de chier est donné
sur la gure 6.2 ;
Un autre chier NASTRAN (maillage.dat ) contenant la dénition du maillage
(éléments et noeuds) et inclus dans le précédent ;
La valeur des paramètres nécessaires à l'optimisation, renseignée dans le pro-
gramme principal, c'est-à-dire les conditions initiales, la valeur des bornes des
contraintes imposées à l'algorithme d'optimisation, la valeur des coecients p
(SIMP) et (cardinal spline) s'il y a lieu ;
Les contraintes mécaniques, également xées dans le programme principal,
c'est-à-dire le numéro des noeuds sur lesquels sont mesurés les déplacements,
les directions correspondantes et enn, dans le cas où le problème comporte
des contraintes dynamiques, la plage et le pas de fréquence.
Notons ici que nous avons choisi le formalisme NASTRAN car il est connu et
largement utilisé par les ingénieurs et en particulier chez Renault.
137
automobile
Fig. 6.2 Exemple d'un chier de calcul NASTRAN calcul.dat.
138
Au cours de l'optimisation, seules les cartes nécessaires à l'utilisation de la mé-
thode SIMP (chier NASTRAN cartes_SIMP.dat ) sont modiées avant chaque
appel à NASTRAN (c'est-à-dire à chaque nouvelle évaluation demandée par l'al-
gorithme d'optimisation), en fonction des valeurs des variables d'optimisation. Le
chier cartes_SIMP.dat est inclus dans le chier maillage.dat.
Les sorties de l'algorithme CFSQP sont :
Un chier contenant la valeur optimale des variables (densité dans chaque
élément de conception) ;
Un chier résumant chaque itération de l'algorithme (valeur de la fonction
objectif, valeurs des contraintes, itéré courant) ;
Un chier résumant chaque évaluation c'est-à-dire chaque appel à NASTRAN
(valeur de la fonction objectif, valeur des contraintes, point évalué).
Le contenu de ces trois chiers permet d'observer le comportement de l'algorithme
durant la session d'optimisation. Nous pouvons ainsi, par exemple, étudier l'admis-
sibilité des points évalués, la vitesse de convergence, etc.
Après avoir décrit le fonctionnement de DynamiTO, nous allons montrer, dans la
partie suivante, son application à l'optimisation topologique d'une console cubique.
Ainsi, avant de traiter le cas réel d'un composant automobile, nous allons illustrer le
post-traitement et le bon fonctionnement de la maquette sur un exemple plus simple
à étudier.
6.1.3 Exemple d'application à une console cubique

Nous illustrons ici l'utilisation de la maquette sur le cas d'une console (cube).
On considère ainsi l'exemple donné dans le chapitre précédent avec D = D = x y
D = 100, n = n = n = 10 (N = 1000) et 0 = 7800kg=m3 . Comme au

z x y z
chapitre précédent, nous representerons les variables d'optimisation (correspondant

aux densites ?a l'interieur des elements de conception), sous la forme du vecteur
= ( ) =1 1000.
i
Pour les deux tests réalisés sur cet exemple, nous avons pris comme point de
i ;::: ;
départ de l'algorithme d'optimisation toutes les densités égales à 0.9 (0 = 0:9; i =
1; : : : ; 1000). La solution initiale ainsi dénie a une masse égale à 7:02kg . Nous avons
i
xé le paramètre de pénalisation p de la méthode SIMP à 3:5 (constant).

Pour le premier test, le cahier des charges porte uniquement sur des contraintes
statiques. Un des six cotes de la pi?ece est bloque et on applique au centre de la face
opposée une force F (cf. gure 6.3). Le cahier des charges impose que le déplacement
mesuré au point d'application de la force soit inférieur en valeur absolue à . On
impose ainsi la contrainte statique suivante :
ju2 ()j ;
;j (6.1)
139
automobile
Fig. 6.3 Représentation du cas test utilisé.
où j est le numéro du noeud d'application de la force F . Le temps CPU d'un calcul

NASTRAN est dans ce cas d'environ deux minutes sur une station SUN ULTRA
10.
Pour notre test, on utilise F = 1000N et = 1:5 10?3 . On peut visualiser
la forme de la solution obtenue sur la gure 6.4. On note que cette solution est
Fig. 6.4 Solution obtenue lorsque le problème comporte uniquement des contraintes
statiques (représentation des densités supérieures à 0.9).
admissible, c'est-à-dire qu'elle respecte les contraintes imposées. Pour montrer le bon
comportement de l'algorithme, on a représenté sur la gure 6.5 (gauche) l'évolution
de la masse en fonction du nombre d'évaluations (appels à NASTRAN). Comme au
140
chapitre précédent, on a représenté en bleu les points correspondants à une solution
admissible, en rouge ceux correspondants à une solution non admissible et enn les
points sont verts lorsqu'une contrainte est saturée (et la solution admissible). Sur la
même gure (droite), on peut également observer l'évolution de la masse mais cette
fois en fonction du nombre d'itérations.
On observe la bonne convergence de l'algorithme avec une diminution de la masse
7.5 7.5
Admissible
Non admissible
7 Contrainte saturee 7
6.5 6.5
6 6
5.5 5.5
masse
masse
5 5
4.5 4.5
4 4
3.5 3.5
3 3
0 10 20 30 40 50 60 70 80 90 0 5 10 15 20 25 30
evaluations iterations
Fig. 6.5 Illustration du comportement de l'algorithme pour le test du cube lorsque

le problème ne comporte que des contraintes statiques.
eective et régulière.
Pour le second test, on ajoute des contraintes dynamiques. Un des six cotes de
la pi?ece est toujours bloque et on applique sur le côté opposé, sur le même noeud,
une force fréquentielle F . On veut que la courbe de compliance dynamique mesurée
sur le noeud d'application de la force (et dans la même direction) soit au-dessous de
la droite d'équation y = . On impose ainsi la contrainte dynamique suivante :
max u2 (; f ) ; (6.2)
f 2[ min max ]
f ;f
;j
avec j le numéro du noeud d'application de la force F .

Nous avons tracé sur la gure 6.6 la courbe de compliance dynamique de la
solution initiale (toutes les densités égales à 0.9) ainsi que celle de la solution obtenue
lorsque le problème ne comporte que des contraintes statiques (test précédent). Ces
deux solutions nous serviront de référence. On pourra comparer ces deux courbes
à celle de la solution obtenue lorsque le problème comporte aussi des contraintes
dynamiques, sur la gure 6.7. Pour ce dernier test, nous avons utilisé F = 1N,
= 1:3 10?4 , la norme l6 et un pas de discrétisation égal à 10Hz. Notons que
dans ce cas (avec cette discrétisation) le temps CPU d'une évaluation (appel à
NASTRAN) est d'environ une heure sur une station SUN ULTRA 10.
On vérie que la solution obtenue en statique et dynamique respecte les con-
traintes dynamiques puisque sa courbe de compliance dynamique est au-dessous de
141
automobile
−4
x 10
1.4
Solution initiale
1.2
1
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 6.6 Courbes de compliance dynamique de la solution initiale et de celle obtenue

lorsque le problème ne comporte que des contraintes statiques.
−4
x 10
1.4
Solution initiale
1.2
1
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300 350 400 450 500
Fig. 6.7 Comparaison des courbes de compliance dynamique des solutions obtenues.
142
6.2 Optimisation topologique d'une face accessoires
la droite de référence. De plus, son comportement est bien meilleur que celui de
la solution obtenue lorsque le problème ne comporte que des contraintes statiques.
Pourtant, si on compare les résultats obtenus en terme de masse (cf. tableau 6.1),
on constate que ces deux solutions sont très proches.
Test Masse Nb Nb Nb de densités

(kg )
Statique 3.091631 90 29 8
Statique + 3.103334 126 45 4
Dynamique
Tab. 6.1 Détails des résultats des deux tests précédents
Fig. 6.8 Solution obtenue lorsque le cahier des charges comporte des contraintes
statiques et dynamiques (représentation des densités supérieures à 0.9).
Ces tests réalisés sur la console cubique, nous ont permis non seulement de valider
le fonctionnement de la maquette mais aussi d'illustrer le post-traitement.
Nous pouvons à présent tester la maquette pour l'optimisation topologique de la
face accessoires, composant automobile dont le cahier des charges est décrit dans le
chapitre 1.

Nous décrivons dans cette partie les résultats obtenus sur la face accessoires.
Comme pour l'exemple précédent, nous avons tout d'abord réalisé un premier test
143
automobile
Fig. 6.9 La Face Accessoires et le maillage de conception.
avec un cahier des charges comportant uniquement des contraintes statiques. Ce

type de cahier des charges peut être pris en compte dans les logiciels commerciaux
d'optimisation topologique comme OPTISTRUCT. Nous avons ainsi, an de les
valider, comparé nos résultats sur la face accessoires (fournis par DynamiTO) à ceux
obtenus avec le logiciel OPTISTRUCT.
Par la suite, nous avons pris en compte le cahier des charges (( réel )), c'est-à-dire
comprenant des contraintes portant sur des compliances dynamiques, qui ne peut
être traité par le logiciel OPTISTRUCT. Notons que nous ne nous intéresserons pas
ici à la maximisation de la première fréquence propre.
Il est important de noter que pour tous les tests décrits dans cette partie, les
calculs ont été réalisés en modélisant les accessoires par des masses. Ainsi, toutes les
valeurs de masse données par la suite comprennent la masse des accessoires.
Le maillage de conception correspond au maillage de calcul excepté quelques
éléments (( non design )), c'est-à-dire dont la densité est xée à 1 et qui ne peut être
modiée au cours de l'optimisation. Ces éléments sont représentés en rouge sur la
gure 6.9. Le nombre d'éléments de conception est ainsi égal à 1354.
Dans ce cas aussi, nous avons choisi comme point de départ de l'optimisation
toutes les densités égales à 0.9 (0 = 0:9; i = 1; : : : ; 1354). Cette solution a une
i
masse égale à 14:58kg. Le paramètre de pénalisation p de la méthode SIMP vaut 3:5.
Dans le cas statique, nous appliquons une force F sur les points de xation
des accessoires, dans le sens de la gravité pour modéliser la force exercée par le
poids des accessoires. Ces points de xation, au nombre de deux dans le cas étudié,
sont notés point 1 et point 2 par la suite. Le cahier des charges impose que les
déplacements correspondants soient inférieurs en valeur absolue à . Nous imposons
144
ainsi les contraintes suivantes :
ju3 1()j ;
; (6.3)
ju3 2()j :
; (6.4)
Pour nos tests, on utilise F = 1N et = 1:25 10?5 mm. La solution obtenue est
représentée sur la gure 6.10. Elle est admissible et sa masse est égale à 13:01kg.
Fig. 6.10 Solution obtenue avec DynamiTO pour la face accessoires avec un cahier
des charges purement statique (représentation des densités supérieures à 0.2).
Nous pouvons comparer la forme de la solution obtenue avec celle obtenue avec
le logiciel OPTISTRUCT représentée sur la gure 6.11. On constate que les formes
des deux solutions sont très proches. De même, les masses sont quasiment iden-
tiques, puisque la solution obtenue avec le logiciel OPTISTRUCT a une masse égale
à 12:99kg. En résumé, nous obtenons pour cet exemple, les mêmes résultats que
ceux du logiciel OPTISTRUCT.
Intéressons nous maintenant au cas dynamique, puisqu'il n'est pas possible de le
résoudre avec le logiciel commercial OPTISTRUCT. Dans ce cas, nous appliquons
aux mêmes noeuds (points d'accrochage des accessoires) une force fréquentielle (dans
les trois directions d'espace) et on mesure les courbes de compliance dynamique
correspondantes. On impose ainsi les contraintes dynamiques suivantes :
f
max u (; f ) ;
2[ min max ] 3 1
f ;f
; (6.5)
2[
max ] u3 2(; f ) :
; (6.6)
f f min;fmax
On a représenté sur la gure 6.12, les courbes de compliance dynamique de la
solution initiale (dans les trois directions d'espace).
145
automobile
Fig. 6.11 Solution obtenue avec le logiciel OPTISTRUCT pour la face accessoires
avec un cahier des charges purement statique (représentation des densités supérieures
à 0.2).
Pour l'optimisation, on utilise F = 1N, = 1:2 10?3 mm, la norme l6 et un

pas de discrétisation égal à 10Hz. La solution initiale ayant un mode principal à
la fréquence 353Hz, nous nous sommes restreinte à la plage d'étude [fmin; fmax] =
[0; 500Hz]. Dans ce cas, le temps CPU d'un calcul NASTRAN est d'environ deux
heures sur une station SUN ULTRA 10.
Pour notre premier test, la contrainte imposée à l'algorithme d'optimisation est
égale à = 1:2 10?3 . Comme on peut le voir sur la gure 6.13, la solution obtenue
est non admissible puisque dans la direction Y, la courbe de compliance dynamique
passe au-dessus de la droite de référence.
Une solution pour tenter d'obtenir une solution admissible peut être d'imposer
une contrainte plus sévère à l'algorithme d'optimisation, c'est-à-dire par exemple une
borne égale à = 1:1 10?3 . La solution obtenue n'étant toujours pas admissible,
on durcit encore la contrainte et on utilise une borne égale à = 1 10?3 . Comme
on peut le voir sur la gure 6.14, la solution obtenue est cette fois admissible. Nous
l'avons représentée sur la gure 6.15.
Nous pouvons comparer plus précisément les résultats obtenus avec les diérentes
contraintes imposées à l'algorithme d'optimisation, dans le tableau 6.2.
On vérie que la solution obtenue avec la contrainte égale à 1 10?3 a une masse
plus élevée que celles obtenues avec des bornes inférieures. Ceci est bien sûr dû à
la sévérité de la contrainte et au fait que la solution obtenue est admissible en dy-
namique. On remarque par ailleurs que la solution obtenue, toujours avec la borne
146
−3 −3
x 10 x 10
1.2 1.4
Point 1 Point 1
Module du deplacement en X
Module du deplacement en Y
Point 2 1.2 Point 2
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2 0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2
Point 1
Module du deplacement en Z
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig. 6.12 Courbes de compliance dynamique de la solution initiale.
147
automobile
−3 −3
x 10 x 10
1.2 2.5
Point 1 Point 1
Point 2 Point 2
1 2
0.8
1.5
0.6
1
0.4
0.2 0.5
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2
Point 1
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig. Courbes de compliance dynamique de la solution obtenue avec la

6.13
contrainte d'optimisation égale à 1:2 10?3 .
148
−3 −3
x 10 x 10
1.2 1.2
Point 1 Point 1
Point 2 Point 2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2
Point 1
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig. Courbes de compliance dynamique de la solution obtenue avec la

6.14
contrainte d'optimisation égale à 1 10?3 .
149
automobile
Fig. 6.15 Solution obtenue avec un cahier des charges dynamique et la contrainte
égale à 1 10?3 (représentation des densités supérieures à 0.9).
Contrainte Masse Nb Nb Nb de densités
(10?3mm) nale d'éval. d'itér. intermédiaires
(kg )
1.2 12.833 379 46 1330
1.1 12.789 171 33 450
1 13.973 128 37 22
Tab. 6.2 Détails des résultats obtenus en faisant varier la contrainte imposée à
l'algorithme d'optimisation.
égale à 1 10?3 , comporte peu de densités intermédiaires. Cette solution est donc
satisfaisante.
An d'évaluer le potentiel d'amélioration de la solution admissible obtenue pré-
cédemment, on réalise, comme au chapitre 5, une optimisation avec = 3 5 à partir
p :
de la solution obtenue avec = 1. On impose de la même façon à l'algorithme

p
d'optimisation une borne égale à 1 10?3 .

Nous pouvons comparer les résultats obtenus avec ceux obtenus précédemment
(c'est-à-dire avec = 3 5 directement) dans le tableau 6.3.
p :
Comme on peut le voir sur la gure 6.16, la solution obtenue n'est pas admissible.
Ainsi, bien qu'ayant une masse plus faible, elle est moins satisfaisante que celle obte-
nue avec = 3 5 directement. Nous remarquons aussi que les densités intermédiaires
p :
sont beaucoup trop nombreuses.

On note par ailleurs que les deux solutions obtenues sont diérentes et donc qu'il
s'agit d'optimisation globale (la solution obtenue dépend de la solution initiale). An
150
−3 −3
x 10 x 10
1.2 2
Point 1 Point 1
Point 2 Point 2
1
1.5
0.8
0.6 1
0.4
0.5
0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2
Point 1
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig.6.16 Courbes de compliance dynamique de la solution obtenue lorsqu'on utilise

comme point de départ de l'optimisation la solution obtenue avec p = 1.
151
automobile
Valeur de p Masse Nb Nb Nb de densités
(kg )
3.5 13.973 128 37 22
1 puis 3.5 12.736 360 59 1306
Tab. 6.3 Détails des résultats obtenus en faisant varier p.
de conrmer cette observation nous avons relancé une optimisation avec p = 3:5 et
comme point de départ de l'algorithme d'optimisation, la solution obtenue avec un
cahier des charges purement statique. Si on compare la solution obtenue (représentée
sur la gure 6.17) à celle obtenue avec comme point de départ de l'optimisation
toutes les densités égales à 0.9 (cf. gure 6.15), on constate que les deux solutions
sont diérentes. Ce résultat conrme donc qu'on est aussi, dans le cas de la face
Fig. 6.17 Solution obtenue pour la face accessoires avec comme point de départ
la solution obtenue lorsque le problème ne comporte que des contraintes statiques

(représentation des densités supérieures à 0.8).
accessoires, dans un contexte d'optimisation globale.
On peut comparer plus précisément les résultats obtenus dans le tableau 6.4 et
constater sur la gure 6.18 que la solution du dernier test est non admissible.
Par ailleurs, comme au chapitre 5, nous avons réalisé des tests en remplaçant dans
l'expression (3.11), la fonction fp : x 7! xp par la fonction f : x 7! 1 (x+(?1)x+1)
(avec = 4). Rappelons que cette fonction présente l'avantage d'éviter l'apparition
de modes locaux lors du calcul de la base modale d'une solution comportant des
densités intermédiaires.
On peut visualiser les courbes de compliance dynamique de la solution obtenue
152
−3 −3
x 10 x 10
1.4 1.4
Point 1 Point 1
1.2 Point 2 1.2 Point 2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2
Point 1
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig. 6.18 Courbes de compliance dynamique de la solution obtenue

lorsqu'on utilise
comme point de départ de l'optimisation la solution obtenue lorsque le problème ne
comporte que des contraintes statiques.
153
automobile
Point de départ Masse Nb Nb Nb de densités
(kg )
Toutes les densités 13.973 128 37 22
égales à 0.9
Solution obtenue 12.736 360 59 1306
avec p = 1
Solution obtenue 12.795 185 65 14
avec des contraintes
statiques
Tab. 6.4 Détails des résultats obtenus avec diérents points de départ de l'opti-
misation.
sur la gure 6.19 puis comparer ces résultats avec ceux obtenus avec la fonction fp,
p = 3:5 dans le tableau 6.5.
Masse Nb Nb Nb de densités
(kg )
p = 3:513.973 128 37 22
=4 13.987 187 51 54
Tab. 6.5 Comparaison des résultats obtenus en utilisant fp et f .
On constate que les résultats obtenus sont assez similaires, excepté le nombre de
densités intermédiaires qui est moins élevé dans le premier cas. Du point de vue de
la forme, ces deux solutions sont également très proches (cf. gures 6.15 et 6.20).
Nous pouvons conclure ici, qu'abaisser la borne imposée à l'algorithme d'optimi-
sation, permet d'obtenir une solution admissible et constitue donc dans ce cas une
solution au problème de discrétisation (c'est-à-dire au problème de pic qui passe
entre deux points de mesure).
Toutefois, une étape préliminaire permettant de trouver la valeur adéquate pour
la borne des contraintes est nécessaire et peut être laborieuse. Aussi, comme nous
l'avons évoqué au chapitre 5, la modélisation, à l'aide de fonctions splines, du pic
des courbes de compliance dynamique obtenues au cours des évaluations permet
d'obtenir une approximation du maximum réel des courbes.
Nous avons testé cette approche sur le problème de la face accessoires. Notons
que pour une plus grande précision dans la modélisation, nous avons utilisé un pas
de discrétisation égal à 5Hz. La borne imposée à l'algorithme d'optimisation est dans
ce cas égale à la borne (( réelle )), c'est-à-dire à = 1:2 10?3 .
Concernant le paramètre permettant de contrôler l'amplitude des vecteurs
154
−3 −3
x 10 x 10
1.2 1.2
Point 1 Point 1
Point 2 Point 2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2
Point 1
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig. 6.19 Courbes de compliance dynamique de la solution obtenue en utilisant la
fonction f .
Fig. 6.20 Solution obtenue lorsqu'on utilise la fonction f (représentation des

densités supérieures à 0.9).
155
automobile
tangents aux points d'interpolation, nous l'avons xé de telle sorte que le pic de la
solution initiale soit bien modélisé. Nous avons ainsi utilisé la valeur = 1:8.
Malgré la pénalisation imparfaite (cf. tableau 6.6) de la solution obtenue, les
résultats en terme de masse et de respect des contraintes dynamiques (cf. gure
6.21) sont excellents.
−3 −3
x 10 x 10
1.2 1.2
Point 1 Point 1
Point 2 Point 2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 100 200 300 400 500 0 100 200 300 400 500
−3
x 10
1.2 Point 1
Point 2
1
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500
Fig. 6.21 Courbes de compliance dynamique de la solution obtenue avec les splines.
Masse Nb Nb Nb de densités
(kg )
Norme l6 13.973 128 37 22
Splines 12.874 283 34 1207
Tab. 6.6 Détails des résultats obtenus avec diérentes modélisation du maximum.
Pour conclure ce chapitre, rappelons que les résultats obtenus avec DynamiTO sur
le cas réel de la face accessoires sont satisfaisants, puisqu'on a gagné jusqu'à 1:5kg
en respectant parfaitement les contraintes.
156
Nous avons vérié dans ce chapitre la pertinence des choix et des astuces pro-
posés dans le chapitre précédent, permettant de pallier les diérentes dicultés
rencontrées.
Ainsi, la diculté liée à l'aspect optimisation globale du problème (existence
de nombreux minima locaux) peut être atténuée en faisant varier le paramètre de
pénalisation p de la méthode SIMP ou bien en remplaçant la fonction fp par la
fonction f.
Par ailleurs, dans le cas dynamique, abaisser la valeur de la borne des contraintes
imposées à l'algorithme d'optimisation ou bien modéliser la courbe de compliance
dynamique permet d'éviter les problèmes de discrétisation (pic qui passe entre deux
points de mesure).
Nous disposons ainsi d'une palette de réglages permettant de s'adapter à la
résolution d'un problème d'optimisation topologique comportant aussi bien des con-
traintes statiques que dynamiques.
157
158
Conclusion
Nous avons évoqué à plusieurs reprises dans ce document à quel point l'allé-
gement est important dans la conception de composants automobiles. Nous avons
également vu que cet allégement ne peut se faire au détriment des exigences des
clients en matière de sécurité et de confort. Nous avons présenté les notions de mé-
canique fondamentales, nous avons fait une synthèse de l'état de l'art des méthodes
d'optimisation topologique et nous avons présenté les idées à la base des méthodes
d'optimisation numérique par programmation quadratique séquentielle.
Nous avons également montré comment les méthodes de conception sans a priori,
comme l'optimisation topologique, peuvent aider à la résolution des problèmes de
conception de composants automobiles. Or, l'optimisation topologique n'est pas uti-
lisée à son plein potentiel dans l'industrie automobile (notamment chez Renault).
Ceci est dû à la faible généralité des cahiers des charges pouvant être pris en compte
et plus précisément au fait que les contraintes dynamiques (de vibro-acoustique) ne
peuvent être intégrées dans le processus d'optimisation.
Nous avons donc proposé dans cette thèse, une méthodologie d'optimisation
topologique et une solution logicielle associée (DynamiTO) permettant la prise en
compte d'un cahier des charges intégrant des contraintes dynamiques, primordiales
dans la conception automobile.
Nous avons montré le potentiel de notre méthode sur le cas réel de la face ac-
cessoires (pièce du groupe moto-propulseur). Les résultats obtenus sont satisfaisants
aussi bien en terme de masse que du point de vue du respect des contraintes. Les dif-
férentes astuces, proposées dans le chapitre 5, permettent de trouver un compromis
entre pénalisation (solution en 0/1), temps de calcul, valeur de la masse et respect
des contraintes.
De par sa généralité et sa simplicité d'utilisation, la maquette logicielle DynamiTO
que nous avons développée, constitue un outil d'aide à la conception des composants
mécaniques et permet de proposer des solutions originales répondant au cahier des
charges. Son utilisation entraîne également un gain précieux en délai de conception.
Notons ici que les tests réalisés sur la face accessoires étaient préliminaires, dans
le sens où des tests plus intensifs de diérentes combinaisons des paramètres, de
points de départ, etc. peuvent être envisagés. Cet ajustement de notre méthode
pourrait notamment être réalisé à l'aide d'outils d'optimisation globale (méthodes
159
directes, sans dérivée).
Une autre piste de recherche future pourrait viser à l'amélioration du temps de
calcul dédié à l'optimisation numérique, par exemple, en faisant en sorte que seule la
fonction objectif (ou une contrainte particulière) soit évaluée et non pas que toutes
les fonctions et leurs dérivées respectives soient calculées à chaque appel NASTRAN.
Enn, rappelons que cette méthodologie générale d'optimisation topologique,
dont on a montré le potentiel dans le cadre de l'industrie automobile, peut également
être avantageusement utilisée dans d'autres domaines d'application et notamment
en aéronautique où la minimisation de la masse est un enjeu majeur.
160
Bibliographie
[1] G. Allaire. Shape optimization by the homogenization method. Springer Verlag,
2001.
[2] G. Allaire, Z. Belhachmi, and F. Jouve. The homogenisation method for topo-
logy and shape optimization. Single and multiple loads case. Revue europeenne
des elements nis, 5:649672, 1996.
[3] G. Allaire, F. Jouve, and A. M. Toader. A level-set method for shape optimi-
zation. Compte rendu de l'Académie des Sciences de Paris, 334:16, 2002.

[4] S. Aubry. Etude théorique et numérique de quelques problèmes d'optimisation
de forme à l'aide de méthodes d'homogénéisation. Thèse de doctorat, Université
Paris 6, 1999.
[5] M. Beckers. Optimisation de structures en variables discr?etes. Thèse de docto-
rat, Université de Li?ege, 1997.
[6] M. Beckers and C. Fleury. A primal-dual approach in truss topology optimiza-
tion. Computers and structures, 64:7788, 1997.
[7] M. P. Bendsøe. Optimal shape design as a material distribution problem. Struc-
tural optimization, 1:193202, 1989.
[8] M. P. Bendsøe. Optimization of structural topology, shape and material. Sprin-
ger Verlag, 1995.
[9] M. P. Bendsøe and N. Kikuchi. Generating optimal topologies in structural
design using a homogenization method. Computer methods in applied mechanics
and engineering, 71:197224, 1988.
[10] M. P. Bendsøe, M. M. Neves, and O. Sigmund. Some recent results on topology
optimization of periodic composites. Topology optimization of structures and
composite continua, pages 317, 2000.
[11] M. P. Bendsøe and O. Sigmund. Material interpolation schemes in topology
optimization. Archive of applied mechanics, 69:635654, 1999.
[12] M. P. Bendsøe and O. Sigmund. Topology optimization. Theory, methods and
applications. Springer Verlag, 2003.
[13] F. Bonnans, C. Lemarechal, J. C. Gilbert, and C. Sagastizabal. Optimisation
numerique. Springer, 2003.
161
[14] M. Bruyneel. Schémas d'approximation pour la conception optimale de struc-
tures en matériaux composites. Thèse de doctorat, Université de Liège, 2002.
[15] J. Céa, S. Garreau, P. Guillaume, and M. Masmoudi. The shape and topological
optimizations connection. Computational methods in applied mechanics and
engineering, 188:713726, 2000.
[16] J. Cea. Conception optimale ou identication de formes, calcul rapide de la
dérivée directionnelle de la fonction coût. Mathematical modelisation and nu-
merical analysis, 20(3):371402, 1986.
[17] J. Cea, A. Gioan, and J. Michel. Adaptation de la methode du gradient ?a un
probl?eme d'identication du domaine. Computing methods in applied sciences
and engineering, pages 391402, 1973.
[18] C. J. Chen and M. Usman. Design optimization for automotive applications.
International journal of vehicule design, 25:126141, 2001.
[19] T. F. Coleman and A. R. Conn. Nonlinear programming via an exact penalty
function : asymptotic analysis. Mathematical Programming, 24:123136, 1982.
[20] A. R. Diaz and O. Sigmund. Checkerboard patterns in layout optimization.
Structural optimization, 10:4045, 1995.
[21] G. Duvaut. Mecanique des milieux continus. Masson, 1990.
[22] H. A. Eschenauer, V. V. Kobolev, and A. Schumacher. Bubble method for
topology and shape optimization of structures. Structural optimization, 8:42
51, 1994.
[23] H. A. Eschenauer and N. Olho. Topology optimization of continuum struc-
tures : A review. Applied mechanics, 54(4):331390, 2001.
[24] C. Fleury. Mathematical programming methods for constrained optimization :
dual methods. Progress in astronautics and aeronautics (Structural optimiza-
tion Status and promise), 150:123150, 1993.
[25] S. Garreau, P. Guillaume, and M. Masmoudi. The topological sensitivity for
linear isotropic elasticity. European conference on computational mechanics
(ECCM99), 1999.
[26] S. Garreau, P. Guillaume, and M. Masmoudi. The topological asymptotic for
PDE systems : The elasticity case. SIAM Journal Control Optimal, 39:1756
1778, 2001.
[27] P. L. George, D. H. Lo, and P. J. Fey. Maillage et adaptation. Hermès, 2001.
[28] P. Germain and P. Muller. Introduction ?a la mecanique des milieux continus.
Masson, 1994.
[29] H. Hamda, F. Jouve, E. Lutton, M. Schoenauer, and M. Sebag. Compact un-
structured representations for evolutionary design. Applied intelligence, 16:139
155, 2002.
162
[30] H. Hamda, I. C. Parmee, O. Roudenko, and M. Schoenauer. Multi-objective
evolutionary topological optimum design. In Fifth international conference on
adaptative computing design and manufacture, volume 5, pages 121132, 2002.
[31] L. Harzheim and G. Graf. Optimization of engineering components with the
SKO method. SAE technical paper series, 951104, 1995.
[32] E. Hinton and J. Sienz. Fully stressed topological design of structures using an
evolutionary procedure. Engineering computations, 12:229244, 1995.
[33] R. Kohn and G. Strang. Optimal design and relaxation of variational problems.
Communications of pure and applied mathematics, 39:113137,139182,353
377, 1986.
[34] G. Lavaud. Optimisation sur modèle krigeage - Application à la face avant
technique d'un véhicule automobile. Mémoire de DEA, E cole Centrale Lyon,
2003.
[35] C. T. Lawrence and A. L. Tits. A computationally ecient feasible sequential
quadratic programming algorithm. SIAM Journal Optimization, 11:10921118,
2001.
[36] C. T. Lawrence, J. L. Zhou, and A. L. Tits. User's guide for CFSQP version 2.5.
Technical report, Electrical Engineering Department and Institute for Systems
Research, University of Maryland, 1997.
[37] M. Locatelli and F. Schoen. Random linkage : a family of acceptance / rejection
algorithms for global optimization. Mathematical Programming, 85:379396,
1999.
[38] K. A. Lurie, A. V. Cherkaev, and A. V. Fedorov. Regularization of optimal
design problems for bars and plates. Optimization theory and applications,
37:499521,523543, 1982.
[39] Z.-D. Ma, N. Kikuchi, and H.-C. Cheng. Topological design for vibrating struc-
tures. Computer methods in applied mechanics and engineering, 121:259280,
1995.
[40] Z.-D. Ma, N. Kikuchi, H.-C. Cheng, and I. Hagiwara. Structural topology and
shape optimization for a frequency response problem. Computational mecha-
nics, 13:157174, 1993.
[41] Z.-D. Ma, N. Kikuchi, H.-C. Cheng, and I. Hagiwara. Topological optimization
technique for free vibration problems. Applied mechanics, 62(1):200207, 1995.
[42] M. Masmoudi. The topological asymptotic. Computational methods for control
applications, 16:5372, 2001.
[43] F. Murat and J. Simon. Studies on optimal shape design problems. Lecture
notes in computer science, 41:5462, 1976.
[44] J. Nocedal and S. J. Wright. Numerical optimization. Springer Verlag, 1999.
163
[45] S. Osher and J. A Sethian. Front propagating with curvature dependent speed :
Algorithms based on Hamilton-Jacobi formulations. Computational physics,
79:1249, 1988.
[46] E. R. Panier and A. L. Tits. On combining feasibility, descent and superli-
near convergence in inequality constrained optimization. Mathematical pro-
gramming, 59:261276, 1993.
[47] F. P. Preparata and M. I. Shamos. Computational geometry : An introduction.
Springer Verlag, 1985.
[48] M. P. Quinn and B. A. Izzuddin. The design of trusses for optimum cardinality.
Technical report, Department of Civil Engineering, Imperial College, London,
1996.
[49] G. I. N. Rozvany, M. Zhou, and O. Sigmund. Topology optimization in struc-
tural design. In H. Adeli, editor, Advances in design optimization, chapter 10,
pages 340399. Chapman and Hall, 1994.
[50] E. Sandgren and E. Jensen. Automotive structural design employing a genetic
optimization algorithm. SAE technical paper series, 920772, 1992.
[51] A. Schumacher. Topologieoptimierung von Bauteilstrukturen unter Verwendung
von Lopchpositionierungkrieterien. PhD thesis, Universitat-Gesamthochschule-
Siegen, 1995.
[52] J. A. Sethian. Numerical algorithms for propagating interfaces : Hamilton-
Jacobi equations and conservations laws. Journal of dierential geometry, pages
131161, 1990.
[53] J. A. Sethian and A. Wiegmann. Structural boundary design via level set and
immersed interface methods. Journal of computational physics, 163(2):489528,
2000.
[54] O. Sigmund. Topology optimization of multi-material, multi-physics struc-
tures. In Third World Congress of Structural and Multidisciplinary Optimi-
zation (WCSMO), Niagara Falls, USA, May, 1999, 2000.
[55] O. Sigmund and J. Petersson. Numerical instabilities in topology optimization :
A survey on procedures dealing with checkerboards, mesh-dependencies and
local minima. Structural Optimization, 16:6875, 1998.
[56] J. Sokolowski and A. Zochowski. On the topological derivative in shape opti-
mization. SIAM Journal Control Optimal, 37:12511272, 1999.
[57] J. Sokolowski and J. P. Zolesio. Introduction to shape optimization : Shape sen-
sitivity analysis. In Springer series in computational mathematics, volume 10.
Springer, 1992.
[58] C. A. Soto. Structural topology optimization for tactile response improvement
in the automotive industry. In R.-J. Yand and D. E. Smith, editors, AMD-
Vol. 227,Design optimization with applications in industry, pages 3748. ASME,
1997.
164
[59] K. Svanberg. The method of moving asymptotes. A new method for structu-
ral optimization. International journal for numerical method in engineering,
24:359373, 1987.
[60] K. Svanberg. A class of globally convergent optimization methods based on
conservative convex separable approximations. SIAM journal on optimization,
12(2):555573, 2002.
[61] L. Tartar. Estimations de coecients homogeneises. Lecture notes in mathe-
matics, 704:364373, 1979.
[62] L. H. Tenek and I. Hagiwara. Optimization of material distribution within
isotropic and anisotropic plates using homogenization. Computer methods in
applied mechanics and engineering, 109:155169, 1993.
[63] L. H. Tenek and I. Hagiwara. Static and vibrational shape and topology op-
timization using homogenization and mathematical programming. Computer
methods in applied mechanics and engineering, 109:143154, 1993.
[64] Y. M. Xie and G. P Steven. Optimal design of multiple load case structures
using an evolutionary procedure. Engineering computations, 1992.
[65] Y. M. Xie and G. P Steven. Evolutionary structural optimisation. Springer
Verlag, 1997.
[66] R. J. Yang and C. H. Chuang. Optimal topology design using linear program-
ming. Computers and structures, 52(2):265276, 1994.
[67] R. J. Yang, T. J. Walsh, and P. A. Schilke. A general formulation for topology
optimization. SAE technical paper series, 942256, 1994.
165
166
Application of topology optimization
in automotive component design
ABSTRACT
In car manufacturing, designing mechanical components of low mass is critical in
order to save on raw materials and in order to produce cars that consume less fuel.
However, it is also important that comfort (mainly acoustic aspects) and security
requirements are satised. In such a context, the aim of topology optimization is
to determine, at the beginning of engineering projects, the main features of a com-
ponent.
Existing commercial software cannot deal with all the constraints relevant to a ve-
hicle project, in particular dynamical constraints. We propose in this thesis a metho-
dology and a software solution which can take into account such specications and
namely those required by Renault. It combines the topology optimization method
SIMP and the mathematical programming algorithm FSQP.
We tested the potential of our method, rstly on a simplistic academic problem, and
then on the design of an engine accessories support.
167
168
Sonia CALVEL
Conception d'organes automobiles
par optimisation topologique
Directeur de thèse : M. Marcel MONGEAU

Université Toulouse III, le mardi 5 octobre 2004
RE SUME en français

Dans l'industrie automobile, les réductions de masse permettent des économies de
matières premières et des gains importants en performance. Cet allégement ne peut
cependant pas se faire au détriment des exigences en matière de confort et de sécu-
rité. Dans ce contexte, l'objectif de l'optimisation topologique est de déterminer, en
amont des projets, les caractéristiques générales des pièces mécaniques.
Les logiciels commerciaux actuels ne permettant pas l'intégration de toutes les
contraintes déclinées sur les projets véhicules, notamment les contraintes vibro-
accoustiques, nous proposons dans cette thèse une méthodologie et une solution
logicielle associée, permettant la prise en compte d'un cahier des charges conforme
à ceux utilisés chez Renault. Nous combinons pour cela la méthode d'optimisation
topologique SIMP et l'algorithme d'optimisation numérique FSQP.
Après avoir évalué notre méthode sur des cas de géométrie simple, nous montrons
son potentiel sur le cas d'une face accessoires.
TITRE et résumé en anglais au recto de la dernière page
MOTS-CLE S : Optimisation topologique. Méthode des matériaux ctifs (SIMP).
Optimisation numérique. Programmation quadratique séquentielle. Optimisation
globale. Algorithme FSQP. Contraintes dynamiques. Composants automobiles.
DISCIPLINE : Mathématiques appliquées
Université Paul Sabatier Toulouse III

U.F.R Mathématiques Informatique Gestion
118, route de Narbonne
31062 Toulouse Cedex 4

Mecanique

Transféré par

Droits d'auteur :

Formats disponibles

Mecanique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mecanique

Transféré par

Droits d'auteur :

Formats disponibles

Conception d’organes automobiles par optimisation

To cite this version:

HAL Id: tel-00007196

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

DOCTEUR DE l'UNIVERSITE TOULOUSE III

Presentee et soutenue par

Conception d'organes automobiles

En raison de l'exigence croissante des clients en terme de sécurité et de confort

Nous décrivons dans ce chapitre la problématique de conception des pièces au-

1.1 L'allégement chez les constructeurs automobiles

1.2.1 Une pièce de la caisse : la face avant technique

Fig. 1.2  Une face avant technique.

Fig. 1.3  La face avant technique dans la caisse.

Fig. 1.4  Mesures de raideurs dynamiques sur la caisse.

Fig. 1.5  Inertance mesurée sur le support moteur.

le pare-brise, ce qui se manifesterait par un bruit dans l'habitacle perceptible

Fig. 1.6  Transfert acoustique entre le support moteur et le pare-brise.

modes propres de la caisse. On note qu'ici il ne servirait a? rien d'augmen-

1.2.2 Une pièce du groupe moto-propulseur : la face acces-

Fig. 1.7  Une Face Accessoires.

1.3 Apports de l'optimisation topologique pour la

Fig. 1.8  Optimisation de forme classique.

Fig. 1.9  Optimisation topologique.

résoudre divers problèmes de conception. Nous présentons ici celui concernant la

Fig. 1.10  Encombrement maximal d'un support de boîte de vitesse.

OPTISTRUCT. La dernière étape consiste à générer un modèle CAO de la pièce

Fig. 1.11  Topologie préconisée par le logiciel OPTISTRUCT.

Fig. 1.12  Exemple d'application du logiciel OPTISTRUCT.

1.4 Limitations actuelles de l'optimisation topolo-

Fig. 1.13  Réseau de nervures de la face avant technique.

Une alternative consiste à utiliser un modèle simplié de la face avant technique

2.1 La theorie de l'elasticite lineaire

2.1.1 Denitions préalables

 F' = r' le gradient de la déformation,

 u 7 u(x) = '(x) ? x le champ des déplacements de

On appelle E = 21 (F'F'T ? I ) le tenseur des déformations (E est une (( me-

On remarque que E est symétrique mais non linéaire par rapport ?a u.

Dénition 2.1 (Conditions aux limites) Soient u le déplacement déni à l'in-

Fig. 2.1  Représentation du domaine de travail

2.1.2 Introduction à l'élasticité linéaire

Après quelques dénitions, nous explicitons dans ce paragraphe le problème de

Dénition 2.3 (Loi de comportement) On appelle loi de comportement, la

Le problème de l'élasticité consiste à trouver le champ de contraintes  dé-

(conguration non déformée) vériant les équations d'équilibre (équations (2.1),

 les équations de l'équilibre :

 du type déplacements imposés sur ? = ? n ? : D F

On remarque que la loi de comportement de l'élasticité linéaire (2.6) se réécrit

et on appelle les coecients a (1  i; j; k; h  3), les coecients d'élasticité.

Ces derniers vérient les propriétés de symétrie suivantes :

Dénition 2.5 Le coecient  = (3++2 ) , appelé module de Young et le coe-

2.1.3 La méthode variationnelle en élasticité

Soient l'espace de Sobolev

satisfont les équations et les conditions aux limites suivantes :

c'est-à-dire (après une intégration par parties)

Le tenseur ij étant symétrique, on a

On a ainsi démontré la proposition suivante :

2.1.4 Méthode des éléments nis en élasticité

Le problème d'élasticité linéaire s'écrit alors :

ij = (11 + 22)ij + 2 dans

Fig. 1.2 Une face avant technique.

Fig. 1.3 La face avant technique dans la caisse.

Fig. 1.4 Mesures de raideurs dynamiques sur la caisse.

Fig. 1.5 Inertance mesurée sur le support moteur.

Fig. 1.6 Transfert acoustique entre le support moteur et le pare-brise.

Fig. 1.7 Une Face Accessoires.

Fig. 1.8 Optimisation de forme classique.

Fig. 1.9 Optimisation topologique.

Fig. 1.10 Encombrement maximal d'un support de boîte de vitesse.

Fig. 1.11 Topologie préconisée par le logiciel OPTISTRUCT.

Fig. 1.12 Exemple d'application du logiciel OPTISTRUCT.

Fig. 1.13 Réseau de nervures de la face avant technique.

Une alternative consiste à utiliser un modèle simplié de la face avant technique

2.1.1 Denitions préalables

F' = r' le gradient de la déformation,

u 7 u(x) = '(x) ? x le champ des déplacements de

Dénition 2.1 (Conditions aux limites) Soient u le déplacement déni à l'in-

Fig. 2.1 Représentation du domaine de travail

Après quelques dénitions, nous explicitons dans ce paragraphe le problème de

Dénition 2.3 (Loi de comportement) On appelle loi de comportement, la

Le problème de l'élasticité consiste à trouver le champ de contraintes dé-

(conguration non déformée) vériant les équations d'équilibre (équations (2.1),

les équations de l'équilibre :

du type déplacements imposés sur ? = ? n ? : D F

et on appelle les coecients a (1 i; j; k; h 3), les coecients d'élasticité.

Ces derniers vérient les propriétés de symétrie suivantes :

Dénition 2.5 Le coecient = (3++2 ) , appelé module de Young et le coe-

Le tenseur ij étant symétrique, on a

2.1.4 Méthode des éléments nis en élasticité

ij = (11 + 22)ij + 2 dans

ij nj = fis sur ? et u = 0 sur ?

Remarque : Pour des problèmes en trois dimensions, et sont représentés par

avec et u solutions du problème (2.9)-(2.13).

Fig. 2.2 Calcul d'une inertance.

c'est-à-dire en multipliant à gauche par T :

avec 1 j n, ! la pulsation et j le déphasage entre la force d'excitation sur

représente la nesse du maillage) et tel que

Fig. 3.2 Exemple d'un maillage de conception et d'un maillage de calcul.

min f (! ) (3.3)

Resolution de l'equation d'etat (calcul elements nis)

Fig. 3.4 Diagramme de Vorono avec ses sites et ses cellules.

Dipoles : Un dipole est un ensemble de deux sites de Vorono, l'un etiquete 0

Fig. 3.5 Dipole de Vorono.

Fig. 3.6 Dipoles de Vorono et maillage de conception.

Fig. 3.7 Barre de Vorono et maillage de conception.

Fig. 3.8 Solution composite (gauche) et solution (( fabricable )) (droite).

Les propriétés eectives A et donc l'ensemble G pour une microstructure quel-

Ainsi, l'ordre des minimisations en et en (,A) étant indiérent, on cherche :

Désignons par L G l'ensemble des propriétés eectives A possibles pour une

Fig. 3.9 Representation d'une microstructure laminee sequentielle de rang 2.

c'est-à-dire que le problème (3.5) réalise son minimum dans L .

fAc (ei): = A: ? 1 jAeij2 + (2++) ((A)ei:ei)2;

avec et les coecients de Lamé de A.

Fig. 3.10 Exemple de microstructures périodiques perforées.

et de sont données par la valeur des paramètres a , b et correspondants (pré-

ou 1, sans que le volume de la pi?ece optimale ne soit modie.

perte de rigidite pour un gain signicatif du point de vue masse).

Fig. 3.12 Representation de la masse et de la rigidite de la structure en fonction

p max 1 ?2 ; 1 +4 (en 2D);

o?u 0 est le module de Poisson du materiau de depart.

Fig. 3.13 Exemple d'une solution avec damiers.

L'utilisation d'elements nis de plus haut degre pour le calcul du deplacement

pour tout 2 C 1(Rd).