Abstract FR:

La mécanique probabiliste est une discipline qui permet de tenir compte d'incertitudes concernant un système physique et d'étudier l'impact de ces incertitudes sur la réponse du modèle qui représente le système étudié. Dans certains cas, le point faible de la chaîne de calcul est la construction du modèle probabiliste des données d'entrées, souvent par absence ou manque de données sur ces paramètres. Dans le but de mieux évaluer l'aléa de la réponse d'un modèle, l'objectif majeur de la thèse est de développer un formalime général d'identification des modèles probabilistes à partir des données expérimentales disponibles directement ou indirectement. Dans ce contexte, on propose une formulation pour évaluer le vecteur aléatoire des paramètres d'entrée d'un modèle dans deux cas de figure. En phase de conception du système étudié, on s'intéresse à la prédiction de la variabilité globale de la réponse du modèle : il s'agit de traiter un problème inverse probabiliste. En phase de suivi de maintenance d'un système mécanique particulier, on souhaite actualiser la description probabiliste réalisée en phase de conception. La première partie de la thèse s'intéresse à des méthodes originales qui permettent d'identifier l'incertitude aléatoire portée par le vecteur d'entrée d'un modèle, dans le cas d'un problème inverse probaliste. La seconde partie de la thèse précise comment des méthodes bayésiennes peuvent être utilisées dans l'optique d'actualiser des modèles représentatifs de phénomènes évolutifs. Les méthodes d'identification probabilistes et d'actualisation sont finalement appliquées et validées sur des modèles représentatifs de structures sollicitées en fatigue