Une approche de l'identification en dynamique des structures combinant l'erreur en relation de comportement et le filtrage de Kalman

Error in Constitutive Relation (ECR) methods measure model error by evaluating the difference between admissible fields using an energy norm. This technique presents interesting features such as good ability to spatially localize erroneously modeled regions, strong robustness in presence of noisy data, and good regularity properties of cost functions. On the other hand, the Kalman filter (KF) is a prediction-correction algorithm for recursive system estimation. The KF is particularly suitable for studying evolutionary systems embedding noisy data from both model and observation. The main part of this work is devoted to establish and evaluate a general-purpose identification approach using ECR and KF. In order to achieve this goal, the ECR is initially used to improve the a priori knowledge of model errors. Furthermore, ECR functionals are introduced in a state-space description of the identification problem. Its resolution is performed by means of the Unscented Kalman Filter (UKF), a second-order, reduced-cost, Kalman filter. The adequacy of the ECR-UKF approach to address problems of industrial relevance is shown through different numerical examples and complex industrial cases, such as structural time-varying damage assessment, boundary conditions identification of in-operation structures and field reconstruction problems. Moreover, these examples are used to improve the performance of the ECR-UKF algorithm, particularly the introduction of algebraic constraints in the ECR-UKF algorithm and the influence of error covariance matrix design.Les méthodes d'erreur en relation de comportement (ERC) mesurent l'écart entre un modèle mathématique et des observations au moyen de fonctionnelles énergétiques qui sont, quant à elles, construites sur la base de champs admissibles. Ces méthodes présentent des excellentes capacités à localiser spatialement des défauts structuraux, une grande robustesse vis-à-vis des bruits de mesure, ou encore de bonnes propriétés de convexité des fonctions coût. Par ailleurs, les méthodes de filtrage de Kalman (KF) répondent au problème d'identification récursif dans une approche de type prédiction-correction. Elles s'avèrent tout particulièrement adaptées aux systèmes évolutifs dont les informations de modèle et d'observation peuvent être entachées d'erreurs. La partie centrale de ce travail est ainsi consacrée à la construction puis à la mise en oeuvre d'une stratégie d'utilisation combinée de l'ERC et du FK. Pour cela, l'ERC est utilisée comme une technique pour améliorer la connaissance a priori des défauts de modèle. Les fonctionnelles d'ERC sont ensuite introduites comme fonctions d'observation dans une description d'état du problème d'identification. Sa résolution est menée à bien avec le FK ''Unscented'' (UKF) présentant le double avantage d'avoir une excellente tout en évitant l'évaluation de Jacobiens et de Hessiens. Cette approche est testée et illustrée au moyen d'études numériques et appliqué à des cas complexes industriels tels que l'apparition et la progression de l'endommagement structurel au cours d'une sollicitation, la modification des conditions aux limites d'une structure entre différentes étapes de son exploitation, ou encore l'expansion de données expérimentales sur un modèle numérique