MODELISATION

et OPTIMISATION

Claude HOINARD
Faculté des Sciences Pharmaceutiques
« Philippe Maupas » -Tours

1
Claude Hoinard, UFR de Pharmacie de Tours, Mai 2009
Rappels
Méthodologie dans l’étude d ’un
phénomène
Lors de l ’étude d ’un phénomène, plusieurs questions
se posent, auxquelles répondent différents types de
plans. On peut distinguer 3 grandes étapes dans
l ’acquisition des connaissances :
 Recherche des facteurs influents

 Modélisation : quand les facteurs influents ont été

identifiés et leur importance quantifiée, on recherche ensuite
l ’équation permettant de décrire les variations de la réponse
étudiée en fonction de celles des facteurs influents

 Optimisation : déterminer quelles conditions

expérimentales (les valeurs prises par les facteurs influents)
permettent d ’obtenir le meilleur résultat pour la réponse 2
Rappels

 la recherche des facteurs

influents

Parmi tous les facteurs susceptibles d ’influer sur le

phénomène (c ’est à dire sur la ou les réponses
mesurées du phénomène),
- lesquels ont une influence significative ?
- que vaut quantitativement cette influence ?
- existe-t ’il des interactions entre facteurs ?
Les plans qui permettent de rechercher les
facteurs influents sont les plans factoriels
complets ou fractionnaires.
3
Rappels

la modélisation

Quand les facteurs influents ont été identifiés et

leur importance quantifiée, on recherche ensuite
l ’équation permettant de décrire les variations de
la réponse étudiée en fonction de celles des
facteurs influents ; cette seconde étape constitue
la modélisation.

Les plans factoriels suffisent parfois. Il se peut

dans d ’autres cas que l ’on soit obligé de faire appel
à des plans plus complexes tels que les plans
composites centrés. 4
Rappels

l ’optimisation

Pour finir, on cherche en général à déterminer

quelles conditions expérimentales (les valeurs prises
par les facteurs influents) permettent d ’obtenir le
meilleur résultat pour la réponse. Cette étape porte
le nom d ’optimisation.

Il existe plusieurs méthodes pour ce faire ; citons,

l ’étude des courbes iso réponses
 la méthode du simplex

5
I - Généralités
 Pour un système (industriel, de laboratoire…)
dont l’état dépend de variables opératoires le
terme OPTIMISATION désigne une action qui
vise à trouver l’ensemble des valeurs de ces
variables qui entraîne un état souhaité pour le
système étudié.

 Les problèmes d’optimisation sont très divers du

point de vue des applications : optimisation d’un
procédé industriel, optimisation des conditions
d’emploi d’une méthode d’analyse, optimisation
des coûts d’un service, optimisation de la
circulation dans une ville …etc.
6
Exemples
 Dans une unité de production, optimiser c’est
par exemple trouver les valeurs des réglages qui
permettent d’obtenir la meilleure qualité du
produit fabriqué
 Dans un laboratoire de contrôle, on peut
optimiser l’analyse d’un produit par HPLC
(réponse : surface des pics) en trouvant les
valeurs des paramètres influents (pH,
température, temps de dégazage...) qui
permettent d’obtenir la meilleure sensibilité
(plus grandes surfaces des pics)

7
Dans tout problème d’optimisation, il intervient 2 catégories de
variables.
 Les variables opératoires (x) appelées
aussi les facteurs.
Ces facteurs doivent être de nature quantitative (ex :
pH, température…) et il doit être possible de les faire varier
à volonté (facteurs contrôlés) dans les limites permises
par l’expérimentation.
 La réponse (y) dite aussi fonction de
réponse.
Ce doit être aussi une variable quantitative ; c’est elle
qui sera dite « optimisée ». La dénomination « fonction de
réponse » indique que y doit dépendre des valeurs x prises
par les variables opératoires.

8
 Bien que le qualificatif « état souhaité pour le
système » n’implique pas nécessairement la
détermination d’un extremum (on peut par exemple
être satisfait dans certaines études par une réponse
y supérieure à une valeur seuil prédéterminée …),
nous privilégierons dans la suite du chapitre
l’optimisation comme la recherche d’ un
maximum (ex : rendement réaction) ou d’un
minimum (ex : coût d’une opération) de la
fonction de réponse y en faisant varier
convenablement les variables opératoires x (les
facteurs) pour faciliter cette localisation.

9
 Il s’agit donc le plus souvent de
trouver l’optimum vrai de la réponse,
soit d’un point de vue mathématique de
rechercher l’extremum (minimum ou
maximum) d’une fonction y de plusieurs
variables :
y = f(x1, x2,…….,xn)

- Cas le plus simple : une seule variable x

- Cas le plus fréquent : plusieurs variables

opératoires, 2, 3, voire 4 ou 5

10
Optimisation à une variable opératoire

 La réponse y est
fonction d’une seule
variable x et on
recherche la valeur
xmax de x, comprise
entre les limites
expérimentales xA et xB,
qui rend la valeur de y
optimale, c ’est à dire
ymax.

11
Optimisation à deux variables opératoires

 La fonction objectif y
dépend de 2 variables x1 et
x2 ; elle est représentée
sous forme de courbes de
même niveau de réponse,
dites courbes d ’
isoréponses (figurées en
pointillés).
On recherche donc les
valeurs x1max et x2max qui
correspondent à la valeur
ymax optimale.
12
Stratégie expérimentale d ’optimisation
Quand plusieurs variables opératoires x agissent sur une
réponse y à optimiser,

 La méthode intuitive qui consiste à faire varier « un

seul facteur à la fois en maintenant tous les autres
constants » n’est pas efficace : elle nécessite d’une part
d ’avantage d’essais et d’autre part on risque de ne pas
atteindre l’optimum s’il existe des interactions entre les
facteurs
 il est recommandé de faire varier simultanément tous
les facteurs de façon organisée, à l’aide d ’une
méthodologie adéquate.
13
La notion de surface de réponse
Les courbes d ’isoréponses
sont les projections sur le
y 100.0 plan [Ox1x2] de la surface
90.0-100.0
90.0
80.0-90.0
de réponse représentant la
80.0 variation de y en fonction
70.0-80.0
70.0 de x1 et x2 dans l’espace à
60.0-70.0
60.0 1.6
3 dimensions. Notons que
50.0-60.0
50.0
0.8 cette notion de surface de
0
x2 réponse se généralise au
-1.6
-1.4
-1.2
-1
-0.8

-0.8
-0.6
-0.4
0
-0.2
0.2
0.4
0.6

x1 -1.6
0.8
1

cas de plus de 2 facteurs.

1.2
1.4
1.6

Le principe de toutes les méthodes d’optimisation consiste

à explorer cette surface de façon à localiser un éventuel
extremum dans un domaine expérimental donné.
14
Classification des techniques d ’optimisation
2 grandes catégories de méthodes :
 La méthode des plans d’expériences
méthode indirecte : modélisation puis optimisation

Déjà étudiée à propos des plans factoriels, cette méthode vise à

estimer l’équation de la surface de réponse avec le modèle le plus
simple possible, nécessairement ici au moins du 2ème degré
pour restituer un maximum ou un minimum. La position de
cet optimum se déduit ensuite par dérivation de l ’équation et
donne les valeurs des variables opératoires.
 La méthode du simplex et ses variantes
méthode directe : optimisation
L ’optimum est localisé grâce à un algorithme itératif : la
progression vers celui-ci sur la surface de réponse se fait pas à
pas, par étapes successives, sans jamais avoir à déterminer
l’équation de la surface.

15
II - La méthode des plans
d ’expériences
 Dans ce cas, il faut postuler a priori un modèle pour la
surface de réponse puis estimer son équation par la
technique statistique de régression linéaire multiple.
 La valeur des coefficients de l’équation ainsi que leur
précision dépendent fortement de l ’organisation des
essais, d ’où la nécessité de planifier les expériences.
 Parmi les divers plans mis au point par les statisticiens,
plans de DOEHLERT, plans de BOX, plans composites
centrés (PCC) …, nous ne détaillerons que ces derniers
parce que ce sont les plus utilisés.
16
 Localisation MAXIMUM
Cheminement vers l’optimum
(cas avec 2 facteurs x1 et x2  Plan Composite Centré

courbes d’isoréponses en pointillé )

meilleure réponse
11

 Expérimentation ligne
de plus grande pente
10

8 direction optimum

7 équation 1er degré

6
facteurs/interactions avec
5
effet

4 3
 Plan factoriel complet
(ou fractionnaire)
1 2 17
Quelques précisions

 Ligne de plus grande pente.

- indique le chemin le plus rapide pour progresser
vers l’optimum
- équation : obtenue à partir de l’équation du 1er
degré du plan factoriel initial
- C’est une droite en l’absence d’interaction, sinon
une courbe

 Dans la suite nous supposerons avoir déjà une

bonne idée de la région où se situe l’optimum et
réaliserons directement le Plan Composite
Centré qui la couvre
18
 II - 1 : les modèles mathématiques
Les modèles utilisés appartiennent tous au modèle
linéaire, ce qui signifie que les coefficients ai et aij de
l’équation interviennent au 1er degré. Ce modèle peut être
du 1er ou du 2ème degré en x.
 Le modèle du 1er degré (en x) : des rappels.
Dans le cas le plus simple de 2 variables opératoires x1
et x2 (plan factoriel 22) , la réponse estimée ŷ s’écrit :
ŷ = yC + a1x1 + a2x2 + a12x1x2
a1 et a2 sont les effets principaux, a12 l’effet d’interaction
et yc la moyenne des 4 réponses, estimation de la réponse
au centre du domaine expérimental.

19
 Validité du modèle du 1er degré
 Dans les plans factoriels 2n chaque facteur n’est
expérimenté qu’en 2 points , aux extrémités –1 et +1 du
domaine. Cela explique le choix empirique d’une équation du
1er degré en fonction des facteurs centrés réduits X : par 2
points , il passe une droite et une seule ; mais il faut aussi
ajouter qu’il peut y passer une infinité de courbes
d’équations diverses …
réponse y

modèle vrai  Il est donc important de s’assurer de la

(inconnu)
linéarité de l’équation dans tout le
domaine en réalisant des expériences
mesure au
niveau haut
complémentaires avec un 3ème point à
modèle linéaire l’intérieur du domaine. On choisit
mesure au
ajusté
généralement le centre (X = 0) situé à
niveau bas
égale distance des extrémités
expérimentées.
-1 0 1
facteur A 20
 Validité du modèle du 1er degré
En faisant des répétitions au centre du domaine expérimental, on
peut donc juger la linéarité de l’équation de prédiction en comparant
statistiquement
 la moyenne y0 de ces répétitions.
 la réponse prédite au centre par l’équation linéaire , égale à la
moyenne y des n réponses du plan factoriel 2n.
Ces 2 moyennes doivent être en théorie égales et en pratique peu différer
lorsque le modèle linéaire est valide.
Et, Lorsqu’on obtient des valeurs très différentes , s’écartant de plusieurs
fois l’écart type , cela signifie que le modèle linéaire n’est pas valable et
qu’il faut envisager un modèle empirique plus complexe , où les facteurs
centrés réduits interviennent au 2ème degré par exemple.

Notons qu’il existe des tests statistiques d’écart à la linéarité du modèle

21
 Exemple modèle 1er degré

EA , EB et EAB sont significatifs : ŷ = y + EA XA + E BXB + E ABXA XB

Les effets calculés ont pour valeurs

EA = 6,25 EB = 11,25 EAB = 1,25 avec y=76,25

Numériquement , pour des rendements y exprimés en % , on écrit :

Ŷ = 76,25 + 6,25 XA + 11,25 XB + 1,25 XA XB

Cette équation permet de prédire les

valeurs des rendements pour des
conditions expérimentales situées à
l’intérieur du domaine exploré par le
plan. 22
 Exemple : test du modèle 1er degré
Erreur-type : 0,45
moyenne calculée : yc = 76,25 ± 0,45 (m ± SE)

6 essais au centre ont été effectués pour lesquels la

réponse moyenne des mesures est
moyenne mesurée : y0 = 78 ± 0,37

Il y a désaccord entre la vraie moyenne mesurée et son évaluation par

calcul ; un test t permet de le confirmer :

d = 78 – 76.25 = 1.75 sd²=(0,37)² + (0,45)²

Sd = 0,58 (5+5=10 ddl)

t = d/ Sd = 3,02 (seuil = 2,23)

Le modèle du 1er degré n’est pas valide ici : toutes les prévisions de
réponses sont fausses : il aurait fallu valider le modèle avant ! 23
 Le modèle du 2ème degré
Le modèle du 1er degré ne peut pas convenir pour caractériser un
optimum : une telle fonction ne comporte ni minimum, ni maximum.
Le modèle du 2ème degré en diffère par l’existence de
termes supplémentaires du 2ème degré en x :
ŷ = yC + a1x1 + a2x2 +a12x1x2 + a11x²1 + a22x²2
Les coefficients a11 et a22 attachés aux carrés des variables
x1 et x2 sont primordiaux pour le calcul de l ’extremum.
Ce modèle contient 6 paramètres (en incluant yC) et un
minimum de 12 essais est donc souhaitable pour appliquer
convenablement la régression linéaire multiple.
Cette condition étant remplie, il est possible de tester la
validité du modèle, choisi empiriquement, et d’identifier
les coefficients qui diffèrent statistiquement de 0 ; seuls
les termes significatifs figureront dans l ’équation de la
surface de réponse.
24
II - 2 : le plan composite centré à 2 facteurs
 Les plans composites centrés ont été conçus pour assurer une
précision à peu près uniforme des estimations de réponse ŷe
dans la totalité du domaine expérimenté, avec le plus petit
nombre d’essais possible …
 Ces plans comprennent 3 catégories d’essais établis de telle
sorte qu’à chaque variable x correspondent 3 niveaux :
 les essais du plan factoriel (pour 2n et n = 2, il y en a 4)
 des essais « en étoile » par rapport aux essais précédents (au
total 2n , soit 4 pour 2 facteurs) et dont la distance à l’origine
des coordonnées dépend de n (1,414 pour n = 2).
 des essais au centre du domaine, 3ème niveau de chaque
facteur, le nombre de répétitions augmentant avec le nombre
de facteurs étudiés (pour n = 2, il est habituel d’en prendre 5).

25
Le plan composite
centré à 2 facteurs X2 5 répétitions au
comporte 13 essais 1,414 centre du domaine

-1 1
-1,414 1,414
X1

-1

les 4 essais du -1,414 4 essais « en

plan factoriel 22 étoile » 26
La matrice d ’expérience
• Les niveaux des 2 facteurs sont
N° essai X1 X2
-1 -1
exprimés en variables centrées
1
2 1 -1 réduites.
3
4
-1
1
1
1
• On reconnaît les 3 catégories
5 -1,414 0 d ’essais : 1 à 4 pour le plan
6 1,414 0 factoriel, 5 à 8 pour les points en
7 0 -1,414 étoile et 9 à 13 pour les essais au
8 0 1,414 centre.
9 0 0
10 0 0 • Il est fréquent que l’expérience
11 0 0 soit faite en 2 phases : d ’abord
12 0 0
13 0 0
essais factoriels et des essais au
centre puis les autres essais.
27
Analyse des résultats
 Estimation de l’équation du modèle
A l’aide de la régression linéaire multiple ; on ne tient compte que
des coefficients significativement différents de 0 (risque choisi
égal à 0,05 ou plus souvent 0,10).

 Localisation de l’extremum : par calcul, en dérivant y par

rapport à x1 (à x2 constant) puis par rapport à x2 (à x1 constant) et
en recherchant la valeur du couple [x1, x2] qui annule les 2
dérivées.
Lorsque l’extremum calculé est en dehors du domaine
expérimental (x1 et/ou x2 > 1,414), il faut refaire une autre
expérimentation : il ne faut jamais extrapoler hors du domaine.

 Validation : la prédiction de l’optimum est mathématique, à

l’aide d ’un modèle empirique… Il est indispensable de faire
l’essai à cet optimum supposé : la réponse mesurée doit
correspondre à celle qui est prédite. 28
Visualisation des résultats
Diagramme de surface de réponse
100.0

90.0-100.0
On voit que la réponse passe par un
90.0

80.0
80.0-90.0
70.0-80.0
maximum, mais ce type de graphe
60.0-70.0
rendement
70.0 50.0-60.0 est difficile à exploiter
60.0
1.2
0.5
50.0
-1.6

-0.2
-1.4
-1.2

X3
-1
-0.8
-0.6
-0.4

-0.9
-0.2
0
0.2
0.4
0.6
0.8

-1.6
1
1.2

X1
1.4
1.6

1.6
1.4
1.2
1
Diagramme des courbes
d’isoréponses
0.8 rendement
0.6
0.4 90.0-100.0
0.2 80.0-90.0
0
-0.2
X1 70.0-80.0
60.0-70.0
Projection du graphe précédent (vue
-0.4
-0.6
-0.8
50.0-60.0
du dessus)
-1
-1.2
-1.4
-1.6
Commode pour visualiser la région
-1.6
-1.4
-1.2
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6

X3 du maximum avec les courbes de

29
niveau
Exemple d ’application (exercice 1)

 Il s ’agit de l ’étude de la stabilité d ’une émulsion de

composition donnée, fabriquée avec un broyeur colloïdal.
Les 2 facteurs x étudiés sont :
 la largeur de l ’entrefer (centre 1,25 mm)
 la vitesse du rotor (centre 750 [Link]-1)

 L ’objectif de l ’expérimentation est d ’obtenir une réponse

y (la stabilité, mesurée en points d ’indice) optimisée, qui ne
se définit pas ici comme l’estimation d ’un extremum mais
se caractérise par la recherche du domaine expérimental tel
que cette stabilité soit au moins égale à 90 points.

30
1ère phase : plan factoriel 22

La correspondance entre les valeurs centrées réduites des

niveaux des facteurs et les valeurs réelles expérimentées sont
les suivantes :
 Largeur entrefer (x1)  Vitesse du rotor (x2)
x réduit valeur x réduit valeur
-1,414 = 0,50 mm -1,414 = 600 t/min
-1 = 0,71 mm -1 = 643 t/min
0 = 1,25 mm 0 = 750 t/min
+1 = 1,79 mm +1 = 857 t/min
+1,414 = 2,00 mm +1,414 = 900 t/min

31
 Les réponses des essais 1 à 4 permettent de calculer les
coefficients (les effets) du plan factoriel :
a1 = -8,25 ; a2 = 7,25 ; a12 = -1,25 et yC = 85,25
L ’erreur type d ’un coefficient est E = 1,5 (puisqu ’on
sait que y = 3). Un coefficient est significatif si sa valeur
absolue dépasse 2 E , soit 3. L ’interaction n ’est donc
pas significative. L’équation s ’écrit :
ŷ = 85,25 - 8,25x1 + 7,25x2
 Les 3 répétitions au centre (5 à 7) permettent d ’obtenir
une mesure directe de la réponse au centre du domaine
par sa moyenne : y0 = 72,67.
La différence entre cette moyenne et l’estimation yC
donnée par le modèle (12,58 ) est très grande par rapport
à la dispersion des mesures : le modèle du 1er degré ne
convient pas.
32
2ème phase : plan composite centré

 L ’expérimentation a ensuite été complétée par 4 essais en

étoile et 2 nouvelles répétitions au centre ; on dispose alors
des 13 réponses du plan CC. On ajuste ensuite une équation du
2ème degré comprenant 6 coefficients (cf 12) au moyen de la
régression linéaire multiple. Les résultats sont les suivants :
coefficient : erreur t de degré de
nature valeur type student signification
yc 72,80 1,17 62,15 7.10-11
a1 -9,25 0,93 9,99 2.10-5
a2 6,63 0,93 7,16 2.10-4
a11 7,29 0,99 7,34 2.10-4
a22 6,29 0,99 6,33 4.10-4
a12 -1,25 1,31 0,954 0,372
Seule l’interaction a12 n’est pas significative 33
 L’estimation de l’équation de la surface de
réponse a pour expression :
ŷ = 72,80 - 9,25x1 + 6,63x2 + 7,29x²1 + 6,29x²2
Sa représentation graphique est une surface paraboloïde
qui présente une concavité dirigée vers le bas (la fonction
présente donc un minimum).

 Validité de cette équation. Elle est examinée de 2

façons :
 par l’étude des résidus individuels bruts (écart entre valeur
mesurée et valeur estimée) ou mieux par les résidus
normalisés ; ces derniers doivent en principe être
inférieurs à 2. Supérieur à 2,5, un résultat devient suspect.
Dans l’exemple étudié, aucun résidu n’est suspect.
 par un test global d’adéquation du modèle utilisé aux
données mesurées, inclus dans l’analyse de variance de la
régression. Ce test est effectué par Minitab (lack of fit).
Dans l’exemple, il est loin d’être significatif (P = 0,47).
34
 Utilisation de l’équation
Elle permet le calcul de la stabilité prévisible ŷ pour des
valeurs données des 2 variables opératoires.

Pour x1 = 0,8 mm x1 = (0,8 – 1,25) / 0,54 = -0,83

x2 = 800 t /min x2 = (800 – 750) / 107 = +0,47

Dans l’équation précédente, en remplaçant x1 et x2 par leur

valeur, on obtient :
ŷ # 90

Il ne s’agit certes que d’une prévision et non d’une

mesure. Mais on peut considérer que celle-ci est fiable
dans la mesure où le point est à l’intérieur du domaine
expérimental et où l’équation du modèle est valide.

35
Détermination du domaine [x1 , x2] tel que ŷ > 90

 Par un tableau à double entrée (une grille) comportant

en lignes et colonnes marginales des valeurs
régulièrement espacées de x1 et x2 (les mailles) et à
l’intérieur du tableau les valeurs des stabilités prédites ŷ
obtenues par calcul au moyen de l’équation. Ce tableau
peut servir à présenter les couples possibles pour x1 et x2

 Par un graphique 3D représentant les données du

tableau, soit la surface de réponse elle même mais ce
graphe est difficile à exploiter, soit mieux sa projection
sur le plan [Ox1 , Ox2] qui donne le réseau de courbes
isoréponses. Celui-ci fait apparaître le domaine pour
lequel la condition de stabilité ŷ > 90 est satisfaite, ainsi
que le montre le graphe suivant.
36
Tableau permettant de prédire les conditions de vitesse de
rotation et de largeur d ’entrefer donnant une stabilité > 90

37
 Courbes d'isoréponses
vitesse rotation
(t/mn)
900
878
857
836
814
Stabilité
793 120.0-130.0
771
110.0-120.0
750
100.0-110.0
729
707 90.0-100.0
686 80.0-90.0
664 70.0-80.0
643
60.0-70.0
622
600
0.49

0.71

0.93

1.14

1.36

1.57

1.79

2.01

largeur entrefer (mm)

38
II - 3 : le plan composite centré à 3 facteurs

 Ce plan étudie l’influence de 3 facteurs (x1 , x2 , x3) sur

la réponse y à optimiser.

 Il comporte 3 catégories d ’essais :

 les essais du plan factoriel : 8 aux sommets du cube
de côté 1.
 Les essais « en étoile » : 6 points situés sur les 3 axes,
1 par face du cube, situés tous à la même distance de
l ’origine , égale à = 1,682 en variable réduite.
 Les essais au centre : il faut prévoir 6 répétitions
pour que la précision des estimations soit à peu près
constante dans le domaine expérimental.
Au total 20 essais
39
Le plan composite
centré à 3 facteurs x3
comporte 20 essais
x2

x1

6 répétitions au
centre du domaine

6 essais « en étoile » les 8 essais du plan

factoriel 23
40
L ’équation du modèle
 Elle s ’écrit :
ŷ = yC + a1x1 + a2x2 + a3x3 + a12x1x2
+ a13x1x3 + a23x2x3 + a11x²1 + a22x²2
+ a33x²3
 Noter qu’on tient compte des 3 interactions d ’ordre 2
(a12 , a13 et a23) mais pas de l ’interaction d ’ordre 3.
Au total, ce modèle comporte 10 paramètres à estimer.
Comme l ’expérimentation comportera 20 réponses, la
précision des estimations sera convenable (n  2p).

 Dans l’équation numérique d ’une expérimentation, on ne

tient compte que des termes dont le coefficient est
significativement différent de 0.
41
Analyse et interprétation
 Quand les 20 réponses y sont connues, il faut :
1 - calculer les coefficients aij du modèle au moyen de la
régression linéaire multiple. Ne retenir dans l ’équation que
les termes dont le coefficient est significativement différent
de 0.
2 - Déterminer par calcul les valeurs des facteurs réduits
qui rendent la réponse y optimale (dérivation) à l ’aide de
l’équation précédemment déterminée. Transformer ces
valeurs réduites en valeurs réelles.
3 - Effectuer les représentations graphiques, surtout les
courbes de niveaux en prenant les variables 2 par 2.
4 - Faire un ou plusieurs essais de confirmation à
l’extremum pour valider les conclusions.
42
II - 4 : exemple d ’application (exercice 2)
 Il s’agit de déterminer les conditions expérimentales d’une
réaction chimique, pour la préparation d’un principe actif
médicamenteux, qui assurent le rendement de réaction le plus
élevé possible.

 3 facteurs sont étudiés :

 x1 est le rapport molaire de triéthylamine Et3N / M1 où M1
désigne la matière première de départ.
 x2 est la température 1 à laquelle est introduit un réactif M2
agissant sur M1.
 x3 est le rapport molaire de M2 / M1.

La recherche du maximum de rendement y est effectué au

moyen d ’un plan composite centré, soit 20 essais. 43
Matrice d ’expériences
Le tableau suivant permet de déterminer les conditions
expérimentales à réaliser :
facteur Valeur au centre Pas de variation
du domaine
x1 1 0,5
x2 15°C 8°C
x3 1 0,5

Les valeurs centrées réduites X1 , X2 et X3 qui

interviennent dans le plan sont reliées à ces valeurs
par :
x1 -1 x2 -15 x3 -1
X1 = X2 = X3 =
0,5 8 0,5
44
 Rendement
n° essai X1 X2 X3 mesuré y
1 -1 -1 -1 23
2 1 -1 -1 31
3 -1 1 -1 25
4 1 1 -1 7
5 -1 -1 1 67
6 1 -1 1 85
7 -1 1 1 69
8 1 1 1 63
9 -1,682 0 0 71
10 1,682 0 0 3
11 0 -1,682 0 75
12 0 1,682 0 87
13 0 0 -1,682 3
14 0 0 1,682 97
15 0 0 0 85
16 0 0 0 89
17 0 0 0 83
18 0 0 0 85
19 0 0 0 83
20 0 0 0 83

Les 8 essais du plan factoriel

45
Les 6 essais en étoile Les 6 répétitions au centre
Résultats de la régression linéaire multiple
valeur degré de
désignation coefficient erreur-type statistique t signification
constante 84.925 5.64 15.06 3.37x10-08
a1 -8.228 3.74 -2.20 0.053
a2 -1.598 3.74 -0.43 0.678
a3 26.074 3.74 6.97 3.86x10-05
a12 -6.250 4.89 -1.28 0.230
a13 2.750 4.89 0.56 0.586
a23 0.250 4.89 0.05 0.960
a11 -18.543 3.64 -5.09 4.71x10-04
a22 -2.987 3.64 -0.82 0.431
a33 -13.947 3.64 -3.83 0.003

En rouge, les coefficients significatifs au risque = 0,10 .

L ’équation ne dépend que de X1 et X3 et s ’écrit :

y = 84,925 - 8,23*X1 + 26,07* X3 -18,54*X²1 - 13,95*X²3

46
y = 84,925 - 8,23*X1 + 26,07* X3 -18,54*X²1 - 13,95*X²3

Détermination de l ’optimum
La dérivée de y par rapport à X1 a pour expression :
dy/dX1 = -8,23 - 2*18,54*X1

elle s ’annule pour X1max = -8,23 / 37,08 = -0,22

La dérivée de y par rapport à X3 a pour expression :

dy/dX3 = 26,07 - 2*13,95*X3

elle s ’annule pour X3max = 26,07 / 27,90 = 0,93

La valeur ymax prévisible pour ces valeurs optimales de X1 et

X3 est calculée par l’équation :
47
ymax = 98,0
Surface de réponse

100.0

90.0-100.0
90.0
80.0-90.0
80.0
70.0-80.0
60.0-70.0
rendement
70.0 50.0-60.0

60.0
1.2
0.5
50.0
-1.6

-0.2
-1.4
-1.2

X3
-1
-0.8
-0.6
-0.4

-0.9
-0.2
0
0.2
0.4
0.6
0.8

-1.6
1
1.2

X1
1.4
1.6

48
Courbes d ’iso-réponses

1.6
1.4
1.2
1
0.8 rendement
0.6
0.4 90.0-100.0
0.2 80.0-90.0
0 X1 70.0-80.0
-0.2
-0,22 60.0-70.0
-0.4
-0.6
50.0-60.0
-0.8
-1
-1.2 optimum
-1.4
-1.6
-1

0
-1.6
-1.4
-1.2

-0.8
-0.6
-0.4
-0.2

0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
X3 0,93

49
 x1 -1 x3 -1
X1 = X3 =
0,5 0,5
X1max = -0.22
Une remarque pour terminer X3max = 0.93

 Les conditions opératoires réelles qui maximisent le

rendement sont :
x1 = 0,89 rapport molaire Et3N/ M1
x3 = 1,47 rapport molaire M2 / M1
la température x2 n ’a pas d’influence
Le rendement estimé est ymax = 98,0

Il est absolument nécessaire de faire l’expérience dans

ces conditions afin de vérifier que la mesure
expérimentale du rendement est en accord avec ce qui
a été prédit ...

50
II - 5 : aperçu sur les plans de Box-Behnken

 Il existe d’autres plans possibles pour localiser un optimum

et qui correspondent à des essais différents de ceux des plans
composites centrés.

 Les plans de Box-Behnken, qui figurent dans le logiciel

Minitab, sont des plans économiques comportant moins
d’essais que le plan composite centré correspondant au même
nombre de facteurs pour localiser un optimum ; par exemple
pour 3 facteurs, il n’y a que 15 essais à réaliser au lieu de 20.
Il s’analyse par la régression linéaire multiple comme le
PCC. Du point de vue statistique, ces plans sont moins sûrs
et couvrent un domaine expérimental moins étendu que le
plan composite ainsi que le montre le schéma ci-après :
51
plan de BOX-BEHNKEN
à 3 facteurs
x3
x2
12 points sont
répartis à la
surface du cube :
x1

4 sur la face 3 répétitions au

X1 = -1 centre du domaine

4 sur la Soit,
section
X1 = 0 au total 15 essais
4 sur la face
X1 = +1
52
III - La méthode du simplex et
ses variantes
 Inventée par SPENDLEY en 1962, cette méthode consiste
à se déplacer pas à pas sur la surface de réponse grâce à
un algorithme itératif, sans jamais avoir à déterminer
l’équation liant la réponse y aux variables opératoires x.

 Une comparaison imagée : la progression vers l ’optimum

se fait un peu comme celle d ’un alpiniste perdu dans le
brouillard, qui disposerait d’un altimètre pour savoir s ’il
monte ou descend (traduire la réponse augmente ou diminue)
et d’une boussole qui lui indique la direction … muni de ces
2 indicateurs, il essaie de trouver le sommet le plus
rapidement possible.
53
III - 1 : description succincte de la méthode

 La méthode repose sur la variation simultanée des k

variables opératoires x de l ’expérimentation.
Un simplex est un ensemble de points déterminés de
façon à former un réseau : figure géométrique à k + 1
sommets équidistants d’un point central dans un espace à k
dimensions. Dans le cas de 2 variables le simplex est un
triangle équilatéral ; dans le cas de 3 variables, le simplex
est un tétraèdre régulier …

 Le démarrage de la méthode consiste à effectuer un premier

simplex, choisi au hasard, soit k + 1 essais qui permettent de
récolter autant de réponses y ; elles sont alors triées par
ordre croissant.
54
 La progression vers l ’optimum se fait essai après essai en
supprimant de l’expérimentation effectuée la réponse la plus
mauvaise et en la remplaçant par un autre point situé à l’opposé de
celui-ci sur l’axe passant par le centre de gravité de autres points de
façon à obtenir un nouveau simplex. Ce nouveau point est
expérimenté et les k réponses y comparées comme précédemment
pour voir quelle est la nouvelle plus mauvaise réponse à éliminer et
quelle nouvelle direction prendre. Le procédé est répété jusqu’à
l’obtention d ’une réponse satisfaisante.

 La régularité du simplex permet de ne privilégier aucune

direction. La méthode permet des changements successifs de
direction. La logique de la démarche est qu’en se déplaçant dans la
direction opposée au plus mauvais résultat, on va améliorer la
réponse et finalement atteindre l ’optimum.
55
III - 2 : le simplex à 2 variables
L’étude porte sur 2 facteurs quantitatifs x1 et x2 agissant sur
une réponse y. Comme dans les plans expérimentaux, ces
variables opératoires doivent être réduites.
 Soient x10 et x20 les valeurs réelles des niveaux des
facteurs au point de départ.
 x1 et x2 les pas de variation des facteurs choisis
pour faire progresser les variables
Les valeurs réduites X1 et X2 des 2 facteurs utilisées dans le
simplex initial sont liées aux valeurs réelles par :
x1 x10 x2 x20
X1 X2
x1 x2
Les coordonnées des 3 points du simplex initial sont : (0 , 0)
(q , p) et (p , q ) comme le montre le schéma suivant : 56
Le simplex initial dans le cas de 2 variables X1 et X2

Les 3 premiers points expérimentés sont

aux sommets d ’un triangle équilatéral
X2
de côté égal à 1 en variables réduites.

B Le triangle est orienté de telle sorte que

1ère bissectrice
p l ’origine des axes est un sommet et que
le centre du triangle soit sur la 1ère
bissectrice.
Les coordonnées des points B et C sont
telles que p = 0,966 (cos 15 °C) et
q C q = 0,259 (sin 15 °C)
0 q p
X1
57
Règles d ’évolution du simplex
Règle n°1
X2 Le point le plus mauvais (du point
R de vue réponse y) est remplacé par
B son symétrique par rapport aux 2
points restants.
Supposons que le point 0 soit le plus
G mauvais, on en prend le symétrique par
rapport à G le milieu de BC . On notera
R ce point réfléchi.
C
Le nouveau simplex
à considérer est
0
X1 [B,C,R]
58
Dans ce nouveau simplex de progression vers
l’optimum, il n ’y a qu ’une mesure de y à effectuer,
celle de R. Il faut donc :
 calculer ses coordonnées réduites X1 et X2.
 en déduire les valeurs x1 et x2 des 2 variables
opératoires en unités de chaque grandeur.
 effectuer l’expérience et mesurer yR .

Le simplex [B,C,R] peut alors être analysé de la

même façon que le premier, en comparant ses 3
réponses.
Cette opération est réitérée et conduit à des simplex
successifs en recherchant à chaque fois la plus
mauvaise réponse.
59
Une exception à la règle 1 :

 Dans l ’application de cette règle 1 de progression vers

l ’optimum, il faut aussi comparer la réponse yR à celle yW
de son symétrique W du plus mauvais point dans le
simplex précédent (W signifie mauvais, en anglais worst).

 Lorsque yR est plus mauvais que yW, il est évident que la

direction W R n’est pas une bonne direction pour trouver
l’optimum… Il faut repartir du 2ème plus mauvais point
(noté N) du simplex précédent et prendre son symétrique
par rapport à G milieu de WB comme l ’indique le schéma
suivant.

60
Illustration : dans la recherche du maximum de la réponse y, le
simplex actuel est [W,B,N] et les 3 réponses sont connues.

R’ Si yR’ > yW , on est dans la bonne direction et on

continue en prenant le symétrique de W ; sinon
le maximum se trouve aux alentours de B.
B yB = 65
C’est la procédure
normale : règle 1.
R
W
yW = 50
yR = 43 !
On repart du 2ème
plus mauvais point. N yN = 56

Le maximum ne se situe pas vers R

61
Règles d’évolution du simplex (suite)

Règle n°2
Lorsqu’un même point apparaît dans k + 1 simplex
successifs sans être éliminé (les simplex tournent autour de
ce point pivot), cela signifie que, soit la réponse en ce point
est entachée d’une erreur de mesure, soit que ce point pivot
est proche d’un optimum.
Il faut donc effectuer à nouveau l’expérience en ce point ; si
la mesure est confirmée, la procédure normale continue.
Sinon, il faut reprendre les simplex précédents pour
redéfinir l’orientation.
62
Illustration de la règle 2 Après 3 simplex (k = 2), le point rose
n’est pas encore éliminé : une 2ème
mesure de ce point s’impose.

Le point rose avait été correctement Le point rose a été surestimé

mesuré : l’évolution des simplex (55 et non 68). Les simplex
continue selon la direction R. évoluent selon la direction R.

y = 60 y = 60
y = 52 y = 52
y = 40 R
y = 40 2
2 3 3
1 y = 62
1
y = 62
y = 68 R y = 48 y = 68
y = 48
2ème mesure : 2ème mesure :
y = 67 y = 55
63
 Règles d’évolution du simplex (fin)

Règle n°3
Lorsque le symétrique du plus mauvais point dans un simplex
est également le plus mauvais point dans le simplex suivant,
on prend le symétrique du 2ème plus mauvais point.

Remarque. Cette règle est également appliquée lorsqu’il existe

des contraintes expérimentales : le calcul du point réfléchi peut
en effet conduire à des conditions expérimentales irréalisables
en pratique. Une concentration a une limite (solubilité), une
température peut en avoir une (décomposition du produit) …etc.

64
Illustration de la règle 3 : le simplex actuel est [W,B,N] et
les 3 réponses sont connues.

R’ nouveau simplex [BWR’]

B yB = 61

impossible
W R d’expérimenter
au point R !
yW = 48
Les conditions
N yN = 53 sont
On repart du 2ème irréalisables
plus mauvais point.
65
Arrêt de la procédure des simplex

 La progression est arrêtée lorsque 6 simplex successifs

autour d ’un même point pivot forment un hexagone :
l ’optimum se trouve à l ’intérieur de l ’hexagone.

 Soit on considère que les réponses sont suffisamment

voisines pour que la zone caractérise l ’optimum.

 Soit on cherche à le cerner mieux en redémarrant une

procédure de simplex avec un pas plus petit ( diminution de
la moitié ou du quart), soit on fait un plan composite centré
sur le domaine hexagonal.

66
Illustration :
81%
8
x2
9
64% La procédure est terminée :
5 7
85%
le simplex suivant
86%
consisterait à prendre le
4
63% symétrique de 8 (règle 3) et
75% on retomberait sur le point 4
6
3 73% déjà expérimenté.
L ’hexagone se refermerait.

x1
Et ensuite ?

67
Exemple d ’application

 Exercice déjà étudié à propos des plans

composites centrés (II - 5) concernant le
rendement y de réaction en fonction de 2
variables opératoires :
 le rapport molaire de Et3N / M1 (noté x1)
 le rapport molaire de M2 / M1 (noté x2)

 Les calculs des conditions opératoires en valeurs

réelles pour les essais successifs sont détaillés
dans le polycopié.
69
 4 1er simplex : le point 0
le plussimplex
2ème mauvais: le estpoint
La procédure est
81% remplacé par son(1) est
le plussimplex
mauvais
terminée : le 3ème : le point
8 symétrique
remplacé (le
par son point 3)
maximum se 4ème simplex : le(2)
le plus mauvais est
point
symétrique
remplacé
Règle par(leson
[Link] point 4)
3 trouve le plus (4)point
est
9 5ème simplex
symétrique : le
64% probablement dans Règle
le plus par(leson
[Link]
remplacé point 5)
(3)point
est
6ème simplex : le
5 7 [5,7,8] symétrique
Règle par(leson
[Link]
remplacé point 6)
le plus
7ème simplex : (6) est
le
85% symétrique
86% Règle
remplacé
nouveau par(leson
1. point point 7)
8 est le
X2 2 symétrique
63%
4 Règle 1. (le le
plus mauvais: point
2ème8)
plus
Règlemauvais
1. (7) est
75% remplacé par son
6 Attention
2
57% symétrique: (le
on point
tourne9)
1 3 73% autour du point 5. C’est
Règle
le 3ème3. simplex et il
faut vérifier ce point 5,
32% 1 50% Règle 2.
0
0 La mesure donne à
nouveau y = 86% : le point
0 1 2 3 4
était correct. La procédure
X1 continue
70
III - 3 : la méthode du simplex dans le cas
de plus de 2 facteurs
 La méthodologie est généralisable lorsqu’on a plus de 2
facteurs intervenant dans l ’optimisation. La stratégie est
la même : mêmes règles de progression, calculs
analogues à ceux vus à propos de 2 facteurs.

 Simplement le réseau de points qui forme un simplex est

plus complexe et les coordonnées réduites p et q sont
différentes de 0,966 et 0,259 et fonction du nombre k de
facteurs. Par exemple, dans un simplex à 3 variables
opératoires, le simplex est un tétraèdre régulier pour
lequel p = 0,943 et q = 0,236, illustré ci après :

71
 Évolution du simplex dans l ’espace à 3 dimensions

R
R’
2ème
Simplex
3ème
W’ Simplex

Simplex Et le processus continue ...

initial
(4 points)

W (le plus mauvais des 4 points) 72

III - 4 : le simplex modifié (Nelder et Mead)

 Le simplex à pas fixes nécessite de bien choisir son pas ;

s’il est trop petit, il faudra de nombreuses expériences
pour obtenir l’optimum ; si le pas est trop grand, la
localisation de l’optimum est peu précise.

 Pour remédier à cet inconvénient, Nelder et Mead (1965)

ont proposé un simplex à pas variable où il
intervient en plus de la réflexion R, la possibilité
d ’expansion E et de contraction C selon les
valeurs des réponses.

73
 • Si yR > yB expansion (E) et simplex suivant : [N,B,E]

• Si yR < yB et yR > yN simplex suivant normal : [N,B,R]

• Si yR < yN et yR > yW contraction (CR) et on a : [N,B,CR]

• Si yR < yN et yR < yW contraction (CW) et on a : [N,B,CW]

Direction B Direction suivante
suivante Direction suivante
Mesure du
R E point R comme
W CW G CR pour un simplex
normal (yR)

W : point donnant la plus mauvaise réponse (Worst)

N : le second plus mauvais point (Next Worst)
B : point donnant la meilleure réponse (Best) 74
 Illustration du fonctionnement du simplex à pas variable
8
60 40
90 80
X2 95
6
98
5 7
9
20

4
3 y8 < y6 , y7 et y4
2
contraction vers 4
d ’où le point 9
1
0
y3 > y2 (B) expansion vers 4 X1
75
 III - 5 : optimisation dans le cas d ’un seul
facteur - méthode Uniplex
 Dans le domaine expérimental [xA , xB] de la variable
opératoire x dont dépend la réponse y, il s ’agit de localiser la
valeur xM donnant l ’optimum de y.
 Au départ, il faut réaliser 2 essais situés vers le milieu du
domaine, pas trop rapprochés l ’un de l ’autre pour donner 2
réponses différentes, ce qui permet de savoir dans quel sens se
diriger.
Dans la recherche yx0 < yx1
d ’un maximum :

xA x0 x1 xB
yx0 > yx1
76
 Divers algorithmes ont été proposés : méthodes du nombre
d’or, méthodes de Fibonacci qui explorent l ’intervalle [xA , xB]
par domaines successifs selon un protocole défini à l ’avance.

Un écueil pour ces 2 méthodes est constitué par la qualité de la

mesure de la réponse y : une erreur expérimentale risque
d ’inverser la direction supposée de l ’optimum et ceci
définitivement puisque l’évolution est fixée à l ’avance.

 Il est souvent préférable d ’utiliser la méthode Uniplex qui

ne présente pas cet inconvénient. Cette méthode correspond à
celle du simplex pour lequel k = 1 : le simplex initial est
constitué par 2 points et lors de la progression vers l ’optimum,
il y a possibilité d ’expansion et de contraction en plus de la
réflexion des points (simplex modifié).
77
 Règles de progression de la méthode uniplex
Choix de x0 et x Mesure des 2 points Réflexion : R
simplex initial : 2 W le plus mauvais symétrique de W
points B le meilleur (yB > yW) par rapport à B
x0 x0 + x x

W CW B CR R E
yW yCW yB yCR yR yE
 Si yR > yB expansion vers E. Simplex suivant : BE
 Si yR < yB et yR > yW contraction vers B (CR). Simplex
suivant : BCR si yCR > yR ou BR si yCR < yR
 Si yR < yW contraction vers W (CW). Simplex suivant :
BCW si yCR > yW. Sinon vérifier la mesure yB.
78
 Exemple d ’application
Optimisation de la fraction molaire x d ’un constituant pour obtenir
le rendement de réaction y % le plus élevé possible. L’incertitude
sur une mesure de rendement est de 2%.
On part de x1 = 0,25 avec un pas x = 0,40 ; on a donc x2 = 0,65
Le 3ème point a pour fraction molaire x3 = 1,05 (0,65 + 0,40)
Comme y3 < y2 et y3 > y1, on a x4 = 0,85 (milieu de 2-3)
Le point suivant est x5 = 0,75 (milieu de 2-4)
L’optimisation est terminée : les rendements ne diffèrent plus.

0
1 0,5 2 5 4 1 3
x
32 % 47 % 50 % 51 % 43 %
79
 Une remarque importante

Le choix d ’une fraction molaire x1 comprise entre 0,75 et

0,85 assure le rendement de réaction le plus élevé (environ
50 %), mais il faut ajouter que l’optimum déterminé ne
concerne que ce facteur … pour les conditions
expérimentales choisies.
Car cet optimum déterminé n’a d’intérêt pratique que si ce
facteur est seul à agir sur le rendement y ou s’il n ’existe pas
d ’interaction(s) entre les facteurs.

Dans le cas contraire, les autres facteurs doivent être

maintenus constants lors des essais successifs ; ajoutons qu’
on ne peut pas préjuger de la valeur optimale de ce facteur
quand on fera varier les autres facteurs.

80
III -6 : La méthode « 1 seul facteur
variable à la fois »

 inventée par FRIEDMAN et SAVAGE, cette méthode

intuitive consiste à faire varier un facteur à la fois, à le
fixer à sa valeur optimale puis à rechercher
successivement l’optimum pour les autres facteurs.
Pour 2 facteurs et en 2 étapes, cette méthode ne
permet pas d’atteindre l’optimum s’il existe une
interaction entre les facteurs, comme le montre le
schéma suivant :

81
 1ère phase : variation de x1 à x2 constant
2ème phase : variation de x2 à x1 constant

Point de 1 2 5 3 4
départ Maximum
6 obtenu en
Maximum 7 faisant
obtenu en varier x2
faisant 8
varier x1 Réseau
d ’isoréponses
x2 y

Maximum
déterminé
x1
Le maximum déterminé est très loin du max vrai … Maximum
vrai
Ce n’est pas une procédure à recommander.
82
 Pour que la méthode de Friedman soit applicable en
pratique et donne confiance dans l’optimum déterminé, il est
nécessaire après 2 étapes de refaire varier x1 pour rechercher
un nouvel optimum, puis à nouveau x2 et réitérer ce
processus autant de fois qu ’il le faut jusqu’à ce que la
réponse n’augmente plus…
Cette méthode présente l’inconvénient de réclamer un
grand nombre d ’essais, comme l’illustre le schéma suivant
De plus, il est des cas particuliers où cette technique ne
permet pas d ’atteindre l ’optimum vrai (blocage sur une
arête de la surface de réponse).

 Il est très préférable d ’utiliser la méthode du simplex qui

nécessite moins d’essais et ne peut pas présenter ce
phénomène de blocage.

83
Continuons
Il faut la
beaucoup
recherche
d expériences
du (29) pour parvenir à
l’optimum
maximum vrai vrai avec la méthode de Friedman ...
Point de 1 2 5 3 4
départ
6
7

9 10 11
8 14 15
12
18 Réseau
16 19
13 d ’isoréponses
22
20 23 y
17 26
x2 24 27
21 25 29
28

x1
Maximum
vrai
84
Simplex 1 3
de départ 5
6
9
2 4

7
8
10
11 12
Réseau
d ’isoréponses
13
y
x2 14 17
16 18
15

x1
Maximum
vrai
85
Conclusion : simplex ou plan d ’expérience ?
avantages

Plan d ’expérience Simplex

 mise en évidence de  ne nécessite pas de
chaque facteur et des modélisation
interactions  applicable à n ’importe
 nombre d ’essais quelle surface de réponse
déterminé (planification)  détection rapide des
 possibilité de prédire des points aberrants
réponses  nécessite parfois peu
 applicable au cas où on a d ’essais
plusieurs réponses y

86
Conclusion : simplex ou plan d ’expérience ?
inconvénients

Plan d ’expérience Simplex

 nécessite de choisir un  le rôle de chaque facteur
modèle qui peut se ne peut pas être mis en
révéler inadéquat évidence
 difficulté de détecter des  le nombre d ’essais est
points aberrants au départ imprévisible
 localisation parfois peu  difficile à appliquer à des
précise de l ’optimum à essais de longue durée
cause de l’approximation  un simplex par réponse y
du modèle

87