exit

Ingénierie et systèmes   > Accueil   > Incertitudes et fiabilité des systèmes multiphysiques   > Numéro

Vol 5 - Numéro 1

Incertitudes et fiabilité des systèmes multiphysiques


Articles parus

Comparaison de différentes approches de turbulence : Application à un profil NACA 0012

Une analyse comparative entre les capacités des modèles RANS et DES à prédire la distribution des écoulements et des turbulences a été menée afin d’élaborer des lignes directrices pour la simulation transitoire de profil aérodynamique NACA 0012. L’objectif de la présente revue est de mettre en évidence les différences fondamentales entre les modèles de turbulence basées sur l’approche Reynolds averaged Navier-Stokes (RANS) et DES autour d’une aile d’avion 2D de type NACA 0012, afin de comparer ces deux approches et de fournir des perspectives d’avenir. Après la comparaison du temps de calcul relatif, le modèle DES s’est avéré être une méthode réalisable pour simuler efficacement et avec précision l’écoulement turbulent instable en 2D du profil aérodynamique NACA 0012. L’accord encourageant obtenu suggère que le statut largement reconnu du DES en tant qu’approche d’avenir proche pour une application aérodynamique est justifié.


Considération de l’incertitude à l’étude du rendement d’un multiplicateur biétage d’une éolienne

La présente étude porte sur le rendement de transmission dynamique d’un multiplicateur d’éolienne double étage en considération l’incertitude. Le travail consiste à considérer l’incertitude relative à la détermination du comportement dynamique de vitesse de déplacement angulaire d’entrée et de la sortie pour aboutir à l’efficacité. Les incertitudes envisagées dans ce travail sont le module d’engrenage et la rigidité à la torsion, appliquées indépendamment pour comprendre l’effet de chacun sur le système, et finalement d’une façon couplée pour atteindre des résultats par interaction. Afin de s’approcher des valeurs réelles expérimentales, on applique l’incertitude avec la méthode du Monte Carlo dont les résultats seront la référence de vérification pour l’approche probabiliste Polynôme de Chaos.


Optimisation du coût de l’emballage industriel par les algorithmes d’optimisations PSO, SA et GA

La métaheuristique connue sous le nom d’algorithme d’optimisation ; une résolution de problèmes difficiles de minimisation ou de maximisation d’une fonction afin de trouver des solutions quasi optimales. Il existe une grande variété de métaheuristiques, mais dans cet article de recherche, nous ne parlerons que de trois algorithmes d’optimisation qui vont nous aider à optimiser le cout de l’emballage d’une industrie en utilisant le logiciel MATLAB pour les programmer. Le premier algorithme est l’optimisation des essaims de particules le plus connu dans le domaine d’optimisation, qui est inspiré par le mouvement de simulation d’un groupe d’oiseaux, le second est le recuit simulé inspiré du recuit en métallurgie, une technique de traitement thermique impliquant également refroidissement contrôlé d’un matériau qui affecte à la fois la température et l’énergie. Et le dernier est l’algorithme génétique qui est couramment utilisé pour donner des résultats de haute qualité aux problèmes d’optimisation en s’appuyant sur des opérateurs bio-inspirés tels que la mutation, le croisement et la sélection. Nous comparerons la performance de chacun d’entre eux à l’aide des fonctions tests en fonction de leur durée de fonctionnement et de leur convergence et seront appliquer sur notre problème d’optimisation industriel.


La fiabilité appliqué à la conception du dispositifs spectromètre mobile I ; optimisation des paramètres de vols

Ce papier traite le problème de stabilisation de vol d’un drone équipé de capteur infrarouge dans un contexte de fiabilisation de la mesure. Dans un premier temps on passe par une analyse de risque pour le spectromètre IR utilisé pour quantifié l’impact des vibrations sur le capteur, dans un second lieu la conception du dispositif capteur va être introduite pour déterminer la masse et le centre de gravité à l’aide de l’outil solid works , finalement les paramètre du contrôleurs de vol vont être optimisé à fin de trouver une stabilité optimale pour le drone lors de la phase de décollage.


Minimisation du coût d’affectation du personnel en utilisant les algorithmes HHO et ACO

Dans cette recherche, deux paradigmes d’optimisation basés sur la population et inspirés de la nature ont été décrits, appelés ‘’Harris Hawks Optimization’’ (HHO) et ‘’Ant Colony Optimization’’ (ACO). La véritable inspiration de HHO est le comportement coopératif et la technique de poursuite des buses de Harris dans la nature, appelée "bond surprise". Dans le même temps, l’ACO s’inspire de l’observation du comportement de fourmis réelles. Ces deux mouvements naturels ont été modélisés mathématiquement pour créer des algorithmes d’optimisation. L’efficacité des optimiseurs HHO et ACO est vérifiée à travers des comparaisons qui montrent que l’algorithme HHO fournit des résultats prometteurs et compétitifs au niveau des fonctions tests, tandis que pour l’étude cas traité, qui est la planification des horaires et la minimisation du coût d’affectation du personnel, ACO est meilleur.


Influence de la couche de nucléation sur le comportement thermomécanique du HEMT

Le but principal de cet article, c’est d’étudier l’influence des paramètres géométriques de la structure du transistor à haute mobilité d’électron (HEMT). Nous allons développer la modélisation électro-thermomécanique par la méthode des éléments finis, à l’aide de logiciel Comsol multiphysics. Ce modèle nous permis de simuler le comportement thermomécanique du HEMT en fonction des conditions du fonctionnement. Il nous permit également d’étudier l’influence de la couche de nucléation sur ce comportement. Les résultats des simulations numériques obtenues ont montré que malgré que l’épaisseur de la couche ne dépasse pas 1 μm, elle présente une grande influence sur le comportement thermique et mécanique du composent. Par conséquent, cette couche doit être prise en considération pour toute étude qui vise de développer ou d’optimiser cette technologie.


Autres numéros :

2017

Volume 17- 1

Optimisation et Fiabilité
Numéro 2

2018

Volume 18- 2

Numéro 1
Numéro 2

2019

Volume 19- 3

Numéro 1
Numéro 2

2020

Volume 20- 4

Numéro 1
Numéro 2

2021

Volume 21- 5

Numéro 1
Numéro 2

2022

Volume 22- 6

Numéro 1