REPUBLIQUE ALGERIÉNNE DÉMOCRATIQUE ET POPULAIRE

MINISTÉRE DE L’ENSEIGNEMENT SUPÉRIEUR

ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITÉ DES FRÉRES MENTOURI - CONSTANTINE

FACULTÉ DES SCIENCES EXACTES
DÉPARTEMENT DE MATHÉMATIQUES

Thèse

POUR L’OBTENTION DU DIPLOME DE

DOCTORAT LMD
SPÉCIALITÉ: MATHÉMATIQUES
OPTION : STATISTIQUE APPLIQUÉE

INTITULÉE :

«SUR LES TECHNIQUES DE MODÉLISATION

DES EXPÉRIENCES NUMÉRIQUES»

Présentée par

Azzizi Norelhouda

Devant le jury :
Président : YAHIOUCHE yazid Professeur. Université des frères
Mentouri Constantine1
Rapporteur : ZAATRI Abdelouahab Professeur. Université des frères
Mentouri Constantine1
Examinateurs : Bouda Djamel Maître de conférences (A). Université
des frères Mentouri Constantine1
Zaghdoudi Halim Maître de conférences (A). Université
Badji Mokhtar Annaba
Zaraï Abderrahman Maître de conférences (A). Université
de Tebessa

1
 Dédicaces

A ma chère mère ZEBIDA et mon cher père MOHAMED SALAH,

qui se sont toujours sacrifiés pour me voir réussir dans mes études,
Je leur porte toujours mes profondes expressions de fierté et de
gratitude.

A mon frère ABDELLAH et mes sœurs KHADIDJA et ESMA

qui m’ont beaucoup encouragée durant toutes mes études.

A mon cher Mari Boubakeur qui m’a beaucoup aidée et

encouragée à continuer mes études. Et notre petite princesse
Rym El Yasmine qui a honoré notre vie.
Remerciements
*Je remercie vivement M. Abdelouahab ZAATRI, Professeur à L’université
Constantine I, pour avoir accepté de dirigé ce travail de recherche.
C’est d’ailleurs, grâce à son soutient constant, à ses encouragements et à ses
conseils précieux qu’il m’a prodigué que j’ai pu mener ce travail à bien.
** Je reste très sincère et reconnaissante à M. Yazid YAHYOUCHE,
Professeur à l’université Constantine I, pour l’honneur qu’il ma fait en présidant
le jury de cette thèse.
*** Je remercie aussi, respectueusement, MM. Halim ZAGHEDOUDI,
Djamel BOUDA, Abderrahmane ZARAI, Maitres de conférences pour
l’intérêt qu’ils ont bien voulu porter à ce travail et d’avoir accepté de le juger et
je les prie de croire à ma profonde gratitude.
**** Je remercie également ma chère famille pour le soutient chaleureux
apporté lors de la réalisation de ce travail de recherche.
Table des matières

Introduction générale…………………………………………………………………………..1
1.1 Motivation et Contexte de la Thèse………………………………………………….…..2
1.2 Objectifs de la thèse……………………………………………………………..………...2
1.3 Contributions……………………………………………………………………….….…4
1.4 Organisation du manuscrit…………………………………………………………….…5
1 Généralités sur les Techniques de Modélisation des Expériences Numériques
1.1-Introduction…………………………………………………………………………..…7
1.2-Définitions et concepts des plans d'expériences……………………………………..7
a-Notion de modélisation mathématique……………………………………….…..8
a-1)-Exemple d’un circuit Electrique………………………………………..…....9
a-2)-Relation entre grandeurs des plans d'expérience et théorie de système…….10
1.2 Les plans d'expériences classiques………………………………………………….....10
1.2.1: Plans d’expériences factorielles complètes à deux niveaux………………..….10
a- Plans factoriels à deux niveaux sans interactions…………………………..….11
a.1-Algorithme de Yates……………………………………………………………12
a.1.1-Exemple numérique pour l’Algorithme de Yates…………………………...12
1.3- les plans d'expériences numériques……………………………………………………14
1.3.1-La méthode de Taguchi……………………………………………………………...14
3-Les techniques de modélisation et les plans d’expériences numériques…………………...14
3.1- L'identification des systèmes ……………………………………………....………...….15
3.1.1-Techniques d’identification……………………………………………...................….15
3.1.2-La méthode générale d’identification des systèmes et processus……........……….…16
3.2-.Krigeage………………………………………………………………....……….……17
a-Exemple d’interpolation……………………………………………...………..……..18
3.3: Les techniques des Réseaux de Neurones………………………..……………..…19
a- Historique des RN artificiels…………………………………………….………..19
b- Différents types des réseaux de neurones……………………………….………..21
1-Perceptron (récurrent sans rétro propagation)……………….…………….…21
2- Réseaux à apprentissage non supervisé (Avec rétro propagation)……….…21
a-exemple…………………………………………………….....……...……..21
 b-Application des RN à la reconnaissance vocale…………............................22
4-Conclusion ………………………………………………………………......………...….22
2 Réseaux de Neurones pour la reconnaissance de mots
2.1-Introduction……………………………………………………..……………………....24
2.2 Généralités sur la Reconnaissance Vocale……………………………………………...24
1. Approches……………………………………………………………………………..25
2.3- Travaux similaires et concurrents en RN……………………………………………...26
2.4- Le système de reconnaissance de mots initial………………………………….………27
2.5-MLP développé pour la reconnaissance des mots…………………………………..……27
2.6-Résultats Expérimentaux……………………………………………….………………...29
2.7-Discussion avec les articles sur le nombre d’expériences…………….…………………33
2.8-Conclusion……………………………………………………………...………….….…34
3 Résolution des équations différentielles algébriques pour le mécanisme bielle-
manivelle
3.1-Introduction……………………………………………………………....….............……36
3.2-La formulation générale des systèmes multi-corps dynamiques………….............…...36
3.2.1-Modèle Dynamique……………………………………………………............…….37
3.2.2- Représentation de l'espace public……………………………………............……..37
3.2-3-Représentation DAE augmentée…………………………………..…............……...38
3.3-Modélisation dynamique du système bielle-manivelle………………...…............………38
3.3.1- Sélection des variables et contraintes géométriques………………............………..38
3.2- Modèle dynamique du système bielle-manivelle…………………….................………..39
3.4- Solution Numérique et simulation………………………………..................……....….40
3.4.1-Solution numérique………………………………………….........………………….40
3.4.2 - Simulation et résultats graphiques………………………….........…………...…….41
3.5-Conclusion………………………………………………………........………….....…...43
4Modélisation mathématiques et estimation de biogaz pour les bioréacteurs
anaérobiques
4.1. Introduction………………………………………………………................……………46
4.2.Équences du modèle dynamique…………………………………...............……………..46
4.2.1- Formulation mathématique…………………………………............………………46
4.2.2 Modèle d'espace d'état………………………………………............……………….47
4.3. Résultats de la simulation et interprétations…………………...........…………………48
4.3.1 Evolution temporelle des substrats et des bactéries……….................………………48
4.4. Estimation de la production de méthane………………………..............………………..50
4.4.1 Évaluation de la production de méthane par modèle AM2…................………………..50
4.4.2- Évaluation de la production de méthane par l'équation de Gompertz……...........51
4.5. Conclusion……………………………………………………………………..............52

5 Modèles de rayonnement et validation par mesures expérimentales

5.1-Introduction………………………………………………………….…………..............54
5.2-Travaux similaires…………………………………………………………...…............54
5.3- Les modèles d’estimations…………………….......…………………………........…….55
5.3.1-Le modèle de LIU et JORDAN……………………………………….............…55
5.3.2- Le modèle de Capderou……………………………………………….................56
a-Rayonnement incident sur un plan horizontal ……………………...........……56
b- Rayonnement incident sur un plan quelconque…………………............…….56

5.4-Le modèle de R.sun………………………………………………….............……..57

5.4.1- Modélisation du rayonnement solaire incident sur un plan horizontal par ciel
clair…………………………………………………………..........................................57
5-4-2 Rayonnement incident sur un plan quelconque……...........…………………….57
5.5. Mesures et comparaison………………………………….............…………………….58
5.6. Conclusion………………………………………………............……………………..59
Conclusion générale…………………………………………………………………………60
Bibliographie………………………………………………………………………………...63
Table des figures

Figure1: représentation un système……………………………………………………….…..8

Figure 2 : représentation un système électrique………………………………………………17
Figure 3: Relation entre grandeurs des plans d'expérience et théorie des systèmes……….…18
Figure 4 : domaine d'étude pour deux facteurs a deux niveaux………………………………11
Figure 6: réponse temporelle d’échelon pour un filtre du premier ordre……………………16
Figure 7: réponse temporelle d’échelon pour un filtre du second ordre…………………..…17
Figure 8: schéma d’un neurone…………………………………………………………….…20
Figure 9 : les types de la fonction d’activation………………………………………………20
Figure 10 : Phase d’apprentissage………………………………………………………….…25
Figure11:Phase de reconnaissance……………………………………………………………25
Figure 12 : Système de reconnaissance vocale…………………………………………….…28
Figure 13 : MLP classifier………………………………………………………………....…29
Figure 14-a. exemple du mot STOP parlé……………………………………………….…30
Figure14-b. la distribution d'erreur mot STOP avec la croissance du nombre d'essai…….…31
Figure 15 : la distribution d’erreur du mot UP avec la croissance du nombre d'essai…….32
Figure 16:la distribution d’erreur du mot START avec la croissance du nombre d'essai........33
Figure 17: distribution de l'erreur du mot UP avec la croissance du nombre d'essais………33
Figure 18: Mécanisme de bielle-manivelle……………………………………..…………….39
Figure 19: évolution temporelle de l'angle Θ1(t)………………………………………….….42
Figure 20: évolution temporelle du déplacement du curseur x (t)……………………………43
Figure 21 : Evolution temporelle des substrats………………………………………………49
Figure 22 : Evolution temporelle des bactéries………………………………………………49
Figure 23 : Evolution temporelle du flux de méthane Q(t) et son accumulation C(t)………50
Figure 24 : méthane accumulé pour L=42; Rl=2.0; B0=39 and x2(0)=0.01………….……51
Figure 25 : Schéma du rayonnement global sur un plan quelconque……………….……….55
Figure 26 : Profil simule des trois modèles du rayonnement reçu par un capteur solaire……58
Figure 27 : Le rayonnement solaire reçu par un capteur solaire…………………………….59
Liste des tableaux

Tab1 : tableau de données…………………………………………………………………… 12

Tab2 : tableau du rendement expérimental ……………………………………………..….. 13
Tab3 : matrice de dimensions MFCC et MLP ……………………………………….…… ..28
Tab4 : Des essais expérimentaux d’apprentissage MSE (N) …………………………….…..30
Tab5 : Des essais expérimentaux d'apprentissage MSE (N) ………………………………………. ..32
Introduction
Générale
Dans le sens large, la modélisation mathématique est l'art d'exprimer et de représenter un
phénomène physique sous forme mathématique. Dans les sciences expérimentales, le modèle
proposé doit être confronté à l'observation et validé par des mesures expérimentales.
La modélisation basée sur les plans d’expériences a commencé avec les travaux de Fisher en
agronomie, destinés à maximiser l’information accessible à partir d’un nombre limité
d’expériences, excessivement coûteuses en temps (Fisher, 1925). Leur contenu fortement
statistique a limité dans un premier temps leur utilisation pratique. Dans le contexte de l’essor
industriel du Japon au début des années 50, un ingénieur Genichi Taguchi simplifie leur
pratique en les rendant exploitables à partir de représentations graphiques. Rapidement, leur
utilisation dans l’industrie manufacturière, pour optimiser la qualité des produits et les couts
de production, dépasse les frontières japonaises. Depuis ces dernières décennies ; la
disponibilité des moyens informatiques facilite et étend l’utilisation de simulations
informatiques relatif aux plans d'expériences : on parle de plans d’expériences numériques
(Bowman et al. 1992 ; Ozdemirel et al, 1996 ; Church Lynch, 1998 ; Durkee et al, 1998 ;
Beauchamp e Youssef ; 1998).
En effet, la simulation numérique modélise des phénomènes, des systèmes et des processus de
plus en plus complexes que l'on rencontre dans de nombreux domaines d'applications
scientifiques et technologiques. Ils peuvent être de très grandes dimensions et concernent des
systèmes et des processus complexes
1.1 Motivation et Contexte de la Thèse
Notre activité de recherches scientifique et technologique de laboratoire concernant la
modélisation de différents problèmes a généré des problèmes mathématiques qui peuvent être
plus ou moins complexes à résoudre et qui peuvent faire appel à différentes approches. Il
s'agit de problèmes technologiques divers liés à la robotique, à la biotechnologie, à
l'énergétique, etc.
Dans ce cadre intervient, le rôle des statisticiens pour analyser et résoudre ces problèmes avec
des méthodes plus adapté à la nature des systèmes et des processus étudiés. On se trouve
confronté à la nature des systèmes et des phénomènes étudiés qui sont plutôt non linéaires,
complexes, aléatoires et non aisément modélisable. Par ailleurs, on se trouve confronté à des
mesures aléatoires et à celles appartenant à de grandes bases de données.
L'utilisation des techniques des plans d'expériences classiques comme l'analyse de la variance
ne permettent pas de résoudre la plupart des problèmes posés. En conséquence, il est
nécessaire d'utiliser de techniques modernes de modélisation des expériences numériques
comme les Réseaux de Neurones, le Datamining, l'Optimisation, l'Analyse de Sensibilité, le
Krigeage, la Reconnaissance des Objets (parole, image, caractère, lettre,...), la simulation,
l'estimation,...
1.2 Objectifs de la Thèse
L’objectif du sujet de doctorat est en relation avec plusieurs domaines d'applications
technologiques impliquant les techniques de modélisation des expériences numériques où
nous avons la possibilité d’obtenir des mesures et des données expérimentales. En particulier

1
nous avons identifié les thèmes sur lesquels nous avons introduit et appliqué les techniques de
modélisation des expériences numériques. Nous pouvons citer les thèmes suivants :
a)-La Reconnaissance des mots
Un premier objectif de ce travail consiste à développer une application relative à la
reconnaissance des mots isolés pour commander un robot. La nature du processus vocal et du
système de reconnaissance est non linéaire, complexe et bruitée. Pour cette raison, les
techniques des plans d'expériences classiques ne s'appliquent pas, d'où la recherche de
l'utilisation des techniques de modélisation adaptées à ce problème. Nous utilisons la
technique d'apprentissage par réseaux neurones particulièrement le Perceptron multicouches
(MLP-NN) pour la reconnaissance des mots.
- Un deuxième objectif concerne l'utilisation des expériences numériques pour l'estimation du
nombre minimal d'essais dans le processus d'apprentissage du réseau neuronal MLP afin
d'assurer un succès acceptable de la reconnaissance des mots.

b)-Equations différentielles algébriques

L’objectif de ce travail traite de la simulation de modèles dynamiques des systèmes multi-
corps contraints qui peuvent être formulés comme un ensemble d'équations différentielles
algébriques (EDAs). Nous considérons le modèle dynamique général résultant de la
formulation d'Euler-Lagrange. Nous étudions la solution avec la méthode de réduction de
l'index. Nous illustrons notre analyse par l'exemple du mécanisme bielle-manivelle. Nous
déterminons un modèle dynamique basé sur deux variables offrant une analyse et une
implémentation aisée. Nous résolvons le problème DAE avec une fonction de Matlab
(ode15s) qui est dédié pour résoudre des équations différentielles ordinaires (EDO) raides.
Les résultats de simulation ont été comparés avec la méthode de partition des coordonnées.
Des résultats similaires ont été obtenus prouvant une stabilité et une précision acceptables de
la méthode utilisée.
c)- Modélisation mathématique et simulation des bioréacteurs anaérobiques
Un modèle mathématique correspondant aux processus biotechnologiques de la digestion
anaérobique en deux phases connue sous le nom de modèle AM2 a été réalisé pour simuler les
opérations du bioréacteur discontinu. Le modèle correspond à un ensemble d'équations
différentielles ordinaires couplées (ODE) du premier non linéaires. Sa solution peut être
obtenue par intégration numérique du système ODE fournissant l'évolution temporelle de la
croissance bactérienne, de la dégradation du substrat et de la production de biogaz.
Nous avons également estimé la production de la quantité du méthane accumulé prévu au
moyen de l'équation de Gompertz modifiée dans un réacteur discontinu.
d)-Vérification expérimentale des modèles théoriques de rayonnement solaire
Notre objectif consiste à comparer les mesures expérimentales obtenues dans la région de
Constantine avec de trois modèles d'estimation théorique du rayonnement solaire (modèle de
Capderou, modèle de R.sun, et le modèle de Liu et Jordan). Il s'agit de déterminer le modèle
théorique le plus adapté à notre région.

2
 1.3-Contributions
Les contributions apportées par ce travail peuvent se résumer dans les points suivants :
7) – Pour le thème de la reconnaissance des mots, nous avons développé et implémenté un
modèle par apprentissage exploitant la technique des réseaux de neurones, particulièrement le
perceptron multicouche MLP.
Le deuxième aspect concerne la mise en œuvre d’expériences dans le but d'évaluer pour
chaque mot de commande le nombre d'essais nécessaires en phase d'apprentissage pour
assurer un taux de succès acceptable.
Des résultats satisfaisants ont été obtenus conduisant à une meilleure compréhension de la
variabilité du fonctionnement du système. Enfin, nous avons remarqué que le taux de réussite
du MLP et le nombre minimal d'éléments utilisés pour le processus d'apprentissage dépendent
de la structure des mots et de la variabilité de la situation (longueur de mot, bruit, microphone,
etc.).
2)-Pour le thème concernant la modélisation et la simulation du mécanisme bielle-manivelle,
le problème est que son modèle dynamique a été formulé dans le cadre de la théorie de
systèmes multi-corps contraints. L'expression mathématique est mise sous la forme d'un
ensemble d'équations algébriques différentielles (DAE). Nous avons étudié la solution avec la
méthode de réduction de l'indice. Nous avons dérivé un modèle dynamique basé sur deux
variables offrant une analyse et une implémentation plus faciles. Nous avons résolu avec
succès le problème DAE avec la fonction Matlab (ode15s) qui est dédié à la résolution des
équations différentielles ordinaires (ODE) rigides.
Les résultats de la simulation concordante ont été obtenus par rapport à d'autres méthodes
telles que la méthode de coordonnées de partition qui prouve la stabilité et la précision de la
méthode DAE utilisée. Ces résultats de simulation numérique ont également permis des
interprétations physiques cohérentes du fonctionnement des mécanismes de bielle-manivelle.
3)-Un modèle mathématique correspondant aux processus biotechnologiques de la digestion
anaérobie en deux phases connue sous le nom de modèle AM2 a été étudié. Le bioréacteur
simuléest de type discontinu (batch). Le modèle correspond à un ensemble d'équations
différentielles ordinaires couplées (ODE) du premier ordre non linéaires. Sa solution a été
obtenue par intégration numérique du système ODE fournissant l'évolution temporelle de la
croissance bactérienne, de la dégradation du substrat et de la production de biogaz.
L'estimation du méthane accumulé a été estimée au moyen de l'équation de Gompertz
modifiée. L'identification des paramètres de l'équation de Gompertz ont été obtenues par
ajustement pour notre bioréacteur.
4)- Dans le cadre des énergies renouvelables, nous avons obtenues des mesures
expérimentales du rayonnement solaire au niveau du sol dans la région de Constantine. Nous
avons effectué la comparaison de trois modèles d'estimation théorique du rayonnement solaire
(modèle de M.Capderou, modèle de R.sun, et le modèle de Liu et Jordan) avec nos résultats
expérimentaux. Nous avons pu déterminer a posteriori le modèle théorique le plus approprié
pour la région de Constantine.
1.4-Organisation du manuscrit
Cette thèse est organisée comme suit:
a)–Une introduction générale définissant le sujet de recherche, les contextes et les
motivations, les objectifs et les contributions essentielles apportées par notre travail.
b)–Dans le premier chapitre, nous explorons dans une première partie l’état de l’art général
concernant notre sujet, suivi d’une deuxième partie de l’état de l’art concernant les différentes
méthodes et techniques classiques et modernes utilisées pour modéliser les différentes
expériences numériques dans les différents domaines considérés.
c)–Le deuxième chapitre est consacré à la reconnaissance des mots prononcés pour
commander un robot. Nous présentons le réseau de neurones MLP comme système de
reconnaissance des mots constituants les commandes destinées à la communication avec un
robot. Nous présentons également l'approche expérimentale pour d'estimer le nombre
minimal d'essais nécessaires pour le processus d'apprentissage pour assurer un succès
acceptable de la reconnaissance par le réseau de neurones utilisé.
d)- Le troisième chapitre présente le modèle dynamique d'un mécanisme bielle-manivelle
développé dans le cadre des systèmes multi-corps contraints qui peuvent être formulés comme
un ensemble d'équations différentielles algébriques (EDAs). Le problème DAE a été résolu
en adaptant une fonction de Matlab (ode15s) qui est dédié pour résoudre des équations
différentielles ordinaires (EDO) raides.
e)- Le quatrième chapitre présente un modèle mathématique correspondant aux processus
biotechnologiques de la digestion anaérobie en deux phases connue sous le nom de modèle
AM2. Il a été élaboré pour simuler les opérations du bioréacteur discontinu. Le modèle
correspond à un ensemble d'équations différentielles ordinaires couplées (ODE) du premier
ordre non linéaires. Sa solution a été obtenue par intégration numérique du système ODE
fournissant l'évolution temporelle de la croissance bactérienne, de la dégradation du substrat
et de la production de biogaz.
L'estimation du méthane accumulé prévu au moyen de l'équation de Gompertz modifiée dans
un réacteur discontinu est également examinée.
f)–Le cinquième chapitre est dédié à une application concernant la vérification expérimentale
de modèles théoriques de rayonnement solaire. Dans le contexte, nous avons effectué des
mesures du rayonnement solaire au moyen d'un pyranomètre. Nous avons comparé les
mesures obtenues avec les trois modèles du rayonnement solaire reçu par un panneau au
niveau du sol. Cette comparaison a permis L'évaluation a posteriori afin de déterminer le
modèle le plus approprié qui correspond le mieux pour notre région. Le modèle de Capderou
semble être le plus adapté pour notre région.
Une conclusion générale relatant la plupart des résultats obtenus est présentée.
 Chapitre1
Généralités sur les Techniques
de Modélisation des
Expériences Numériques
1.1-Introduction
Dans ce chapitre, nous commençons par présenter les définitions des différentes techniques
ainsi que les concepts de base des quelques techniques des expériences numériques
classiques. Nous présentons les techniques des plans d'expériences classiques tels que définis
initialement par Fisher. Cependant, comme ces techniques ne peuvent pas rendre compte de la
complexité de certains systèmes et processus, nous présentons quelques techniques
ultérieures de modélisation en se basant sur les idées de Taguchi ainsi que l'approche plus
générale de la théorie des systèmes. Parmi ces techniques qui appartienne au domaine des
plans d'expériences numériques, nous pouvons citer la simulation numérique, l'optimisation,
l'estimation, les systèmes a apprentissage comme les réseaux de neurones, etc.
1.2-Définitions et concepts de base des plans d'expériences
L'approche expérimentale peut être nécessaire pour la compréhension de phénomènes et
l'analyse des systèmes technologiques et ce pour différents milieux: économique, médical et
industriel, etc. Cependant, la diminution du nombre d’expériences à réaliser en vue d'étudier,
modéliser un phénomène ou un processus et de déduire des conclusions fiables reste
fondamentale pour gagner du temps et de productivité. C'est le principe et l'objectif de la
technique connue sous le nom de "plan d'expériences " ou "design of experiments" en langue
anglaise.
Pour l'étude d'un phénomène ou d'un système donné, si des expériences sont réalisées sans
planification préalable et sans méthodologie, les résultats peuvent manquer de fiabilité ou
conduire à des incohérences; d’où l’intérêt de réaliser ces expériences suivant une
méthodologie rigoureuse. Sir Roland Fisher (1890-1962) proposa, face à l’impossibilité de
réaliser la totalité des expériences, des configurations expérimentales basées sur des modèles
statistiques rigoureux. Ceci constitue le point de départ de la méthode théorique des plans
d’expérience.[1].Les plans d’expériences consistent donc à maximiser l’information à partir
d’un nombre limité d’expériences (Fisher, 1925).
Dans le contexte de l’essor industriel du Japon au début des années 50, un ingénieur Genichi
Taguchi, simplifie leur pratique en les rendant exploitables à partir de représentations
graphiques. De nos jours ; l’utilisation de simulations informatiques renforce l’utilisation des
plans d'expériences : Il s'agit des plans d’expériences numériques (Bowman et al, 1992;
Ozdemirel et al, 1996 ; Churct Lynch, 1998; Durkee et al, 1998; Beauchamp et Youssef ;
1998). [1].
Nous notons que la théorie des plans d’expérience numériques exploite des méthodes et
techniques modernes comme les Réseaux de neurones, l’optimisation, l’analyse des données,
le datamining, krigeage, l'Analyse de sensibilité, la recherche opérationnelle, etc.
Les plans d'expériences permettent d'organiser au mieux les essais ou les expériences qui
accompagnent une recherche scientifique ou des études industrielles. Dans ce but, des
techniques mathématiques ont été développés pour modéliser et étudier les phénomènes
rencontrés [2].
Techniquement, la méthode des plans d'expériences s'appuie sur trois notions essentielles, la
première est l'espace expérimental, le deuxième est à surface de réponse et la troisième la
modélisation mathématique des grandeurs étudiées [2].On donnera dans suit la terminologie
adaptée : Notion d'espace expérimental, Notion de surface de réponse, Notion de modélisation
mathématique.
a- Notion de modélisation mathématique
Dans le cadre des plans d'expériences, la modélisation mathématique joue un rôle très
important. Elle permet justement de limiter le nombre d'expériences nécessaires pour
caractériser un phénomène ou un système. Commençons par définir la notion de système
pour ensuite indiquer la terminologie entre les grandeurs utilisées dans le domaine de la
planification expérimentale par rapport à la théorie de systèmes.
Un système est défini par ses constituants et les interactions qui existent entre eux, l'ensemble
représentant une entité individualisée. Par système, nous signifions souvent processus.
L'importance de la notion de système réside dans sa généralité. En effet, un système ou un
processus peuvent être de nature quelconque: mécanique, électrique, électromécanique,
biologique, chimique, physico-chimique [3].
Par grandeur de sortie, nous entendons la grandeur que l'on souhaite réguler ou asservir. Par
grandeur d'entrée; nous entendons les signaux qui permettent d'agir sur le système, c.-à-d., qui
affectent l'état de sa grandeur de sortie.
La grandeur de sortie peut être modifiée par l'action des grandeurs d'entrées ou sous l'effet de
perturbations provenant de l'environnement ou encore sous l'effet de la variation des
constituants du système lui -même. Le schéma de la figure 1représente un système dans le
cadre de la théorie des systèmes [3].

Perturbations

Entrée

Système Sortie

Figure1:représentation un système

Le Modèle mathématique d'un système est caractérisé par :

• une ou plusieurs grandeurs de sortie, mesurables, qui constituent le résultat du processus,
• une ou plusieurs grandeurs d'entrée qui peuvent être de deux types :
- des entrées sur lesquelles il est possible d'agir (entrées de commande).
- des entrées sur lesquelles il n'est pas possible d'agir (perturbations); ces dernières peuvent
être aléatoires ou déterministes, mesurables ou non mesurables.
La modélisation mathématique est une représentation abstraite en termes mathématiques
qui permet de décrire un phénomène, un processus ou le comportement d'un système. Elle
peut s'appliquer à différents phénomènes: biologique, économique, sociologique, etc. Il s'agit
en général d'une approximation d'un phénomène par des équations mathématiques. Elle
permet d'effectuer des simulations numériques en vue de comprendre et de prédire le
comportement du phénomène ou du système à étudier [3].
Les modèles mathématique représentent les relations entre les entrées et les sorties du
processus et système par des équations. Si ces équations sont algébriques, le modèle est dit
statique. Si ces équations sont des équations différentielles ou des équations aux
différences récurrentes, le modèle est dit dynamique, respectivement à temps continu ou à
temps discret.
Un modèle est caractérisé par son domaine de validité, c'est-à-dire par le domaine de l'espace
des entrées dans lequel l'accord entre les valeurs des sorties du processus calculées par
le modèle, et leurs valeurs mesurées, est considéré comme satisfaisant compte tenu de
l'utilisation que l'on fait du modèle[3].
a-1)-Exemple d’un circuit Electrique inspiré de [3]
Soit l’exemple simple d’un circuit électrique élémentaire qui est constitué d’une résistance R
et d’une self inductance L(Figure 2). Pour obtenir le modèle de ce système, il faut :
R

Figure 2 : représentation un système électrique

1-Déterminer l’entrée et la sortie
Dans ce genre de problèmes, la sortie est l’intensité du courant i(t) qui circule dans le circuit.
L’entrée est la tension U(t). C’est la grandeur qui permet d’agir et de modifier la grandeur de
sortie i. En effet, par modification de la tension d’entrée, on modifie l’intensité du courant i.
2-Trouver le lien entre la sortie et l’entrée
C’est immédiat, il suffit d’appliquer les lois de l’électricité.

di(t )
u (t )  Ri(t )  L
dt
La relation obtenue, reliant la sortie à l’entrée, est une équation différentielle du premier ordre
à coefficients constants. Cette équation différentielle représente le modèle mathématique du
système électrique étudié.
a-2)-Relation entre grandeurs des plans d'expérience et théorie des systèmes
Dans le cadre de la planification expérimentale, a priori, le système peut être considéré
comme une boite noire ou black box en anglais (figure3). Il est dès lors important, en premier
lieu de distinguer les grandeurs d'entrées (inputs) qui sont appelés facteurs dans le cadre des
plans d'expériences. La grandeur de sortie (output) dans la théorie des systèmes a la "
réponse" dans le cadre des plans d'expériences. Le diagramme ci-dessous (Figure 3) résume
de manière plus simple cette définition et permet d'identifier l'équivalence avec la
représentation dans le cadre de la théorie des systèmes :

x y

Facteur1

Facteur2 Réponse
Processus
Facteur3

Facteur4

Figure 3: Relation entre grandeurs des plans d'expérience et théorie des systèmes

De manière générale, la méthode des plans d’expériences, le but consistera à relier la

grandeur d’intérêt (la réponse), y par une fonction de plusieurs variables xi (facteurs). On a :
= ( , , , . . . , ).Plus précisément, elle vise aussi bien à comprendre les relations
liant la réponse avec les facteurs, que les facteurs entre eux.

Nous allons orienter l'état de l'art vers deux approches : les plans d'expériences classiques
(méthodes classiques) et la deuxième approche les plans d'expériences numériques.
1.2- Les plans d'expériences classiques
Nous présentons les plans d'expériences classiques de façon progressive par rapport aux
difficultés de la modélisation. Parmi ces plans, les plus courants sont les plans sans interaction
avec plusieurs facteurs à deux niveaux, avec effets d’interactions entre facteurs, les plans en
blocs et composites centrés qui sont faciles à générer [2].
1.2.1-Plans d’expériences factorielles complètes à deux niveaux
Ces plans possèdent un nombre de niveaux limités à deux pour chaque facteur. Toutes les
combinaisons de niveaux sont effectuées au cours de l'expérimentation. Ces plans peuvent
être utilisés indistinctement pour les variables continus et pour les variables discrètes [2].
Le modèle recherche qui relie la réponse aux facteurs est de type:
 = ( , , ,…., )(1)
Dans la suite de cette section, on considère une approximation paramétrique de type
polynomiale [2].
a-Plans factoriels à deux niveaux sans interactions
Pour deux facteurs, le domaine d'étude est un carré (en unités codées). Par exemple, la
Figure 4 représente un plan factoriel complet à deux facteurs. Le modèle général
mathématique postulé est un modèle du premier degré par rapport à chaque facteur (modèle
linéaire) [2] :

= + + ...+ + ( = 1, 2, . . . , )(2)

Dans le cas de deux facteurs, le modèle peut s'exprimer comme suit:

= 0
+ 1 1
+ 2 2 (3)
• est la réponse.
• représente le facteur i.
• est la valeur de la réponse au centre du domaine d'étude.
• est l'effet (ou effet principal) du facteur 1.
• est l'effet (ou effet principal) du facteur 2.
Dans le cas où chaque facteur est limite par deux niveaux, un niveau inférieur et un niveau
supérieur; les meilleurs emplacements des points d'expériences sont situés aux sommets du
domaine d'étude.

Pression(x1)
C
D
10 gr. +1

5gr. -1

A B
Température(x2)

-1 +1
20 °C 80°C

Figure 4 : domaine d'étude pour deux facteurs a deux niveaux

Les niveaux sont représenté par les pts a, B, C, D de coordonnées:

A= , ; B= , ; C= , ; D= ,
le problème consiste à déterminer les paramètres , , , de la relation (3). Pour cela, on
obtient les équations résultant des expériences. On a 4 équations avec 3 inconnus :

= + + (4)

= + + (5)

= + + (6)

= + + (7)

Dans le cas où on dispose d'un nombre d'équations supérieur au nombre d'inconnues à

déterminer, on fait appel, en général, aux méthodes d'approximations des fonctions comme
l'approximation par la méthode des moindres carrées. Ces méthodes sont basées sur les
techniques statistiques de régression multiple qui font intervenir le calcul des moyennes, des
variances et covariances. L’algorithme de Yates propose un plan d’expériences qui permet la
détermination des paramètres de l’approximation linéaire.

a.1-Algorithme de Yates

L’algorithme de Yates permet de déterminer facilement un plan d'expérience mettant en

évidence les effets moyens de chacun des facteurs [4].

On s'intéresse toujours à un plan 2k et à un modèle polynomial du premier degré de la forme :

= + + ...+ (10)

Pour k variables (ou facteurs), la matrice d'expérience comporte k colonnes et 2k lignes. On

alterne les -1 et le +1 toutes les lignes pour la première colonne, toutes les deux lignes pour la
seconde colonne, toutes les quatre lignes pour la troisième, etc. Plus généralement:

 Toutes les colonnes commencent par -1.

 On alterne les -1 et les +1 toutes les 2 j-1 lignes pour la jeme colonne.
 Nous allons illustrer l'algorithme de Yates par l'exemple numérique suivant.

a.1.1-Exemple numérique pour l'algorithme de Yates:

On considère une réaction chimique dont le rendement dépend de deux facteurs, la

température et la pression. Le technicien décide d'effectuer un plan d'expérience avec le
domaine expérimental suivant :
Niveau bas:-1 Niveau haut:+1
Température: Temp 20°C 40°C
Pression:Pres 1bar 2bars

Tab1 : tableau de données

La réponse Y étudiée, rendement de l'expérience, est donnée par le tableau suivant :

essai Temp Pres Rép(%)

1 -1 -1 10
2 +1 -1 20
3 -1 +1 30
4 +1 +1 40

Tab2 : tableau du rendement expérimental

Sachant que l'on adopte un modèle polynômial linéaire par rapport aux coefficients,
déterminer une estimation ponctuelle de chacun des effets principaux du modèle et écrire
l'équation du modèle. On peut trouver les effets des différents facteurs en combinant les
équations (4,5,6,7 ) dans les relations codées par l'algorithme de Yates.

Nous allons utiliser la méthode des moyennes suivante:

∑ ∑
= −

+ +
= −
2 2

+ +
= −
2 2

Ces relations se traduisent dans notre cas par

= − = − (8)
=2 +2 + + +

=2 +2 + +
− =2 ∗( − )
−
( − )∗ =
2
− 1
1= ∗
2 −

+ + + =4 +2 +2 +2 +2

+ + + =4 +2 ∗( + )+2 ∗( + )

0= (9)
L’estimation de chacun des effets est :

10 + 20 + 30 + 40
= = 25
4

−10 + 20 − 30 + 40
= =5
4

−10 − 20 + 30 + 40
= = 10
4

Le modèle s'écrit :

Y = 25 + 5. Temp + 10. Pres

1.3- Les plans d'expériences numériques

1.3.1 -La Méthode Taguchi
La méthode de Taguchi vient pour enrichir les méthodes de plans d’expériences classiques
en apportant une amélioration considérable aux plans factoriels complets et fractionnaires.
Cela simplifie le protocole expérimental pour mettre en évidence les effets de facteurs sur la
réponse. La méthode de Taguchi se distingue par une réduction importante du nombre
d’essais, tout en gardant une bonne précision. Elle place le modèle comme un élément
principale de la stratégie du plan d’expériences. L’expérimentateur choisit librement les
facteurs et les interactions à étudier selon le modèle qu’il propose, en étroite adéquation avec
ses objectifs. Ainsi, des écarts graduels à la valeur cible ne produisent pas des incréments
proportionnels dans la perte (linéaires), mais plutôt des incréments au carré (dont le nom,
quadratique).De ce fait, pour Taguchi (et cela rejoint à ce niveau le travail des autres
statisticiens de la qualité), l’entreprise doit réduire la variation de ces processus afin
d’atteindre la valeur cible.
Dans ce sens, de nombreux phénomènes complexes de l’industrie sont modélisés par des
codes de simulation numérique sophistiqués comme outil de prévision, d’optimisation et de
décision.
3- Les techniques de modélisation et les plans d'expériences numériques
Les techniques classiques des plans d'expériences comme les plans incomplets, les plans
équilibrés, l’ANOVA; ne peuvent rendre compte de la complexité des systèmes et des
processus aléatoires. Afin de réduire le nombre d'expériences pour réduire le cout de l'étude, il
était nécessaire de développer des techniques de modélisation. Cela permet de représenter
mathématiquement un phénomène en utilisant un nombre limité de paramètres.
L'identification de ces paramètres peut se faire en utilisant un nombre réduit d'expériences.
D'autre part, la disponibilité des calculateurs a rendu possible des modèles et des
techniques de simulation numériques permettant de prendre en charge des systèmes très
complexes contenant un grand nombre de paramètres. La théorie des plans d’expérience
numérique répond parfaitement à ces besoins avec des méthodes ou techniques modernes
comme la méthode du maximum de vraisemblance, les moindres carrés, les moindres carrés
pondérés, l’estimation, la simulation, l'optimisation, les Réseaux de neurones, le datamining,
krigeage, Analyse de sensibilité, la recherche opérationnelle, etc.
On présentera brièvement quelques techniques modernes impliquant les plans
d'expériences numériques pour des problèmes de modélisation de systèmes ou processus
complexes.
3.1- L'identification des systèmes
L’identification d’un système ou processus est définie comme la détermination, basée sur la
connaissance des entrées et des sorties du système ou processus, d’un modèle appartenant à
une classe spécifiée, équivalente au système ou processus.
L’identification d’un système ou processus c’est la détermination de son modèle
mathématique sur la base des observations expérimentales entrées-sorties. Le traitement
mathématique des réponses graphiques du système est appelé IDENTIFICATION. Le
modèle obtenu est dit de conduite ou de représentation.
Principe d’identification ce fait en deux étapes:
1. Etape qualitative : Sur la base d’une connaissance à priori du système à identifier, on
fixe une structure du modèle comportant des coefficients inconnus.
2. Etape quantitative : Elle consiste à la détermination des coefficients inconnus du
modèle de façon que la différence entre les N sorties réelles du système et celles du
modèle soit minimale selon un critère donné qu’on résout par un algorithme
d’identification.

3.1.1-Techniques d’identification :
- Différents type de modèle :

On distingue deux types de modèles:

a- Modèle « boite noire»
Le modèle boite noire constitue la forme la plus primitive du modèle mathématique, il est
réalisé uniquement à partir de données expérimentales ou observations ; il peut avoir une
valeur prédictive dans un certain domaine de validité, mais il n'a aucune valeur explicative de
la structure physique du système [7].
b- Modèle de connaissance :
A l'opposé du modèle « boite noire», le modèle de connaissance, que l'on pourrait qualifier de
« boite blanche», est issu de l'analyse des phénomènes physiques, chimiques, biologiques,
etc., dont résulte la grandeur que l'on cherche à modéliser. Ces phénomènes sont mis en
équation à l'aide des connaissances théoriques disponibles au moment de l'élaboration du
modèle. Ces modèles sont beaucoup plus riches de signification que les modèles de
représentation « boite noire » et contiennent toutes les informations utiles sur les processus.
Ils sont, par contre, beaucoup plus onéreux et difficiles à obtenir [7].
 3.1.2-La méthode générale d’identification des systèmes et processus
Elle consiste à exciter avec des signaux d’entrée connus, le système à identifier : en vue
d’analyser la réponse pour la comparer avec des modèles de références. Cela s’effectue en
considérant des modèles paramétriques ou non paramétriques permettant de comparer le
signal expérimental de sortie avec celle des modèles tout en minimisant une certaine fonction
d’erreur. L’algorithme d’identification corrige et ajuste les paramètres en vue de minimiser la
fonction d’erreur. La Figure 5représente un schéma général d’identification d’un système.
U(t) représente le signal d’entrée qui excite à la fois le système à identifier et le modèle
proposé. ( ) : le système, ( ) : le modèle, ε : l’erreur.

( )
Système
+ Paramètres du
Modèle
x(t)
Algorithme
d’identif.

( )
-
Modèle

Ajustement

Figure5:schéma général d’identification d’un système

a-Exemple d’identification inspiré du [3]

Soit la Fonction échelon unité (Distribution d'Heaviside) u(t)

On appelle fonction échelon unité associée à t0, la fonction du temps notée u(t-t0) et définie
par

1 si t  t0
u(t t0)
0 si t  t0
Elle est représentée dans la Figure 2.1.

Fonction échelon unité

 Figure 6: réponse temporelle d’échelon pour un filtre du premier ordre

Figure 7: réponse temporelle d’échelon pour un filtre du second ordre

On donne deux méthodes modernes : le krigeage qui est paramétrique et les réseaux de
neurones pour les problèmes non paramétriques.
3.2- Krigeage
Le krigeage est une technique des plans d'expériences qui porte un nom dérivé de Gerhardus
Danie Krige, un ingénieur minier sud-africain qui a présenté cette technique dans sa thèse de
 maîtrise en 1951. Ces idées ont ensuite été formalisées par le mathématicien français Georges
Matheron en 1962, [8].
Le krigeage est une méthode géostatistique qui permet l’estimation de valeurs locales en
considérant l'organisation spatiale des variables étudiées. C’est donc une méthode
d’interpolation qui peut générer des surfaces estimées à partir d’un échantillon de points géo-
référencés. Lorsque l’on aborde l’étude de processus biologique, nous rencontrons souvent
des modalités d’organisations partiales fortement structurées. Par rapport à d’autres méthodes
d’interpolation telles les inverses de la distance, le krigeage se distingue par ses
caractéristiques d’estimation non-biaisée et d’estimation d’une variance associée
- Krigeage a deux aspects :
a) la quantification de la structure spatiale des données (appelée variographie)
b) la prévision des valeurs à des points inconnus 5interpolation ou extrapolation).
Idée de base :
*A priori, la valeur attendue pour une variable Z ne devrait pas varier avec la latitude et la
longitude : la valeur de Z est constante dans toute la région mais cette valeur n’est pas
nécessairement connue.
*Or, on constate en général, une certaine variabilité dans les valeurs pour Z aux différents
points : cela peut être considéré cela comme une déviation locale de la structure globale
***structure locale ou résiduelles ou encore erreur.
Les géostatisticiens décomposent la valeur z p de Z en un point p en un terme lié à la
structure globale α et un terme lié à la structure locale ε p.
= +
Le problème consiste à trouver les w

′= + = +
,...,

a-Exemple d’interpolation
• Les données
x

X
2
50 X1
X3

X4

0 y

50
 Le variogramme théorique

3 | | 1 | | | |=0
0
( ) = + , <| |≤ é
σ 2 2
| |> é

 Calcul de la matrice
C , = C , = C + C − γ(50√ 2) = 9.84

C , = C , = (C0 + C1) – γ[ (150) + (50) ] = 1,23

.
.
1, = ( 0 + 1 ) − γ(50) = 12,66
2, = ( 0 + 1) − γ [ (100) + (50) ] = 4,98
3, = ( 0 + 1 ) − γ(150) = 1,72
• Inversion de la matrice (laissons faire la machine …)
1 = 0,518 2 = 0,089 3 = 0,022 4 = 0,371
• Calcul de l’estimation
z’ = 0,518 + 0,022 + 0,089 + 0,371
Où est la valeur relevée en x1, est la valeur relevée en x2 etc.
Il est facile de vérifier que pour un point de l’échantillon, la résolution du système fournit un
poids égal à 1 pour ce point et un poids nul pour tous les autres.
• Les valeurs estimées présentent une dispersion moindre que les valeurs vraies.
• La moyenne des estimations est à peu égale à la moyenne réelle sauf si on ne prend que une
zone où l’estimation est supérieure à un certain seuil -> on ne trouve pas nécessairement la
bonne moyenne sur cette zone.
Il existe plusieurs solutions d’interpolation pour un même ensemble de données.
• La qualité des résultats d’interpolation spatiale dépend de :
– L’exactitude, la quantité et la distribution spatiale des valeurs utilisées pour l’interpolation.
– L’efficacité du modèle d’interpolation utilisé à modéliser correctement le phénomène à
l’étude.
3.3- Les techniques des Réseaux de Neurones
a- Historique des RN artificiels
Présentation
Le premier neurone formel est apparu en 1943. On le doit à Mac Culloch et Pitts (Figure8).
Voici un schéma de leur modèle de neurone formel [9]:
 x1

w1
h y
wk
xk
u
wn

xn

Figure 8: schéma d’un neurone

Le neurone formel est donc une modélisation mathématique qui reprend les principes du
fonctionnement du neurone biologique, en particulier la sommation des entrées. Sachant qu'au
niveau biologique, les synapses n'ont pas toutes la même «valeur» (les connexions entre les
neurones étant plus ou moins fortes), les auteurs ont donc créé un algorithme qui pondère la
somme de ses entrées par des poids synaptiques (coefficients de pondération).
D'un point de vue mathématique, le neurone formel peut être représenté de la manière
suivante : Pour un nombre compris entre j (=1) et un nombre quelconque n, le neurone formel
va calculer la somme de ses entrées (x1, ..., xn), pondérées par les poids synaptiques (w1, ...
,wn), et la comparer à son seuil . Si le résultat est supérieur au seuil, alors la valeur renvoyée
est 1, sinon la valeur renvoyée est 0, [9].
D'où la formule (avec f = fonction seuil):

= ( − )

Quelques fonctions d’activation :

Dans sa première version, le neurone formel était donc implémenté avec une fonction à
seuil (a), mais de nombreuses versions existent. Ainsi le neurone de « McCulloch et Pitts » a
été généralisé de différentes manières, en choisissant d'autres fonctions d'activations, comme
les fonctions linéaires par morceaux (b), des sigmoïdes (c) ou des gaussiennes (d) par
exemples (Figure 9).

(a) (b) (c)

(d)
Figure 9 : les types de la fonction d’activation
b-Différents types de RN
1-Perceptron (récurrent, Sans rétro propagation) : Un réseau neuronal récurrent (RNN)
est similaire à un MLP mais diffère en ce qu'il comporte également des connexions de
rétroaction. Les résultats expérimentaux montrent que comme un MLP, ces réseaux effectuent
aussi approximateurs fonction universelle. Les résultats expérimentaux montrent aussi que
RNNs sont en mesure de se rapprocher des fonctions simples entre les trajectoires temporelles
dans l'espace d'entrée et les trajectoires temporelles dans l'espace de sortie. Bien qu'ils
constituent une généralisation de la MLP, personne n'a encore prouvé qu'ils soient
approximateurs fonction universelle. Jusqu'à présent, la seule preuve vient de Funahashi, qui a
prouvé que la RNN, à condition que suffisamment de neurones est présente, peut générer
toute trajectoire de temps fini. La principale différence avec le MLP consiste en l'existence de
connexions de rétroaction entre les neurones. Cela permet à ce type de réseaux de neurones
pour afficher tous les types de comportements dynamiques, [9].

2-Réseaux à apprentissage non supervisé (Avec rétro propagation)

Dans ce type d'apprentissage non supervisé, les neurones sont en compétition pour être actifs.
Ils sont à sortie binaire et on dit qu'ils sont actifs lorsque leur sortie vaut 1. Alors que dans les
autres règles plusieurs sorties de neurones peuvent être actives simultanément, dans le cas de
l'apprentissage compétitif, un seul neurone est actif à un instant donné. Chaque neurone de
sortie est spécialisé pour « détecter » une suite de formes similaires et devient alors un
détecteur de caractéristiques. La fonction d’entrée est dans ce cas, h = b-dist(W, X) où b, W et
X sont respectivement les vecteurs seuils, poids synaptiques et entrées. Le neurone gagnant
est celui pour lequel h est maximum donc si les seuils sont identiques, celui dont les poids
sont les plus proches des entrées. Le neurone dont la sortie est maximale sera le vainqueur et
sa sortie sera mise à 1 alors que les perdants auront leur sortie mise à 0. Un neurone apprend
en déplaçant ses poids vers les valeurs des entrées qui l'activent pour augmenter ses chances
de gagner. Si un neurone ne répond pas à une entrée, aucun ajustement de poids n'intervient
[9].

a-Exemple :

Considérons deux nuages de points du plan que l’on désire séparer en deux classes. et
sont les deux entrées, et sont les poids du neurone 1 que l’on peut considérer comme
les coordonnées d’un point « poids du neurone 1 » et et sont les poids du neurone 2.
Si les seuils sont nuls, hi sera la distance entre les points à classer et les points poids. La règle
précédente tend à diminuer cette distance avec le point échantillon lorsque le neurone gagne.
Elle doit donc permettre à chaque point poids de se positionner au milieu d’un nuage. Si on
fixe initialement les poids de manière aléatoire, il se peut que l’un des neurones se positionne
près des deux nuages et que l’autre se positionne loin de sorte qu’il ne gagne jamais. Ses
poids ne pourront jamais évoluer alors que ceux de l’autre neurone vont le positionner au
milieu des deux nuages. Le problème de ces neurones que l’on qualifie de morts peut être
résolu en jouant sur les seuils. En effet, il suffit d’augmenter le seuil de ces neurones pour
qu’ils commencent à gagner [9].
Applications : ce type de réseau et la méthode d'apprentissage correspondant peuvent être
utilisés en analyse de données afin de mettre en évidence des similitudes entre certaines
données.
b-Application des RN à la reconnaissance vocale
La reconnaissance vocale est un outil important pour le contrôle et l'interaction avec des
robots modernes. Toutefois, en raison de la nature complexe du signal vocal, la
reconnaissance de la parole reste toujours une question difficile. La plupart des systèmes de
reconnaissance vocale utilisent un processus d'apprentissage pour identifier la réponse
correcte d'une commande vocale. Par rapport aux expériences de conception dans le cas de
données discrètes, NN modèle peut être utilisé pour estimer la production de systèmes non
linéaires dans le cas d'un procédé bruyant et sensible à divers paramètres tels que la
reconnaissance vocale.
D'autre part, une enquête de la littérature concernant des demandes de NN appliqué à
concevoir des expériences montre qu'ils peuvent être utilisés pour modéliser les processus
bruyants [10,11] non linéaire et complexe.
Il existe différentes méthodes de reconnaissance de la parole de mots isolés utilisant des
méthodes comme modèle de Markov caché [12,13], les modèles de mélange gaussien, VQ
quantification vectorielle [14,15], et NN (MLP) [16,17 ], etc. En ce qui concerne, la NN, nous
avons remarqué l'utilisation de la carte auto-organisatrice, Time Delay NN de Waibel [18],
Perceptron et récurrente NN [19]. Le Perceptron multicouche (MLP) est d'une importance
particulière pour la modélisation acoustique dans ASR [20].
D'autre part, une enquête de la littérature se rapportant aux demandes de NN appliqué à
concevoir des expériences montre qu'ils peuvent être utilisés pour modéliser les processus
bruyants [10,11] non linéaire et complexe.
4-Conclusion
Après une étude introductive et bibliographique sur les techniques classiques des plans
d'expériences classiques suivant la théorie de Fisher 1825 et les techniques modernes des
plans d’expériences numériques. Nous avons orienté cette étude vers les techniques en
relation avec les problèmes que nous allons modéliser et résoudre.
 Chapitre2
Réseaux de Neurones pour la
reconnaissance de mots
2.1-introduction
Dans ce deuxième chapitre, nous présentons une double application des plans
d'expériences numériques pour la reconnaissance vocale dédiée à la commande de robots.
La première application concerne la conception et l'implémentation d'un système de
reconnaissance de la parole: reconnaissance de mots isolés. Compte tenu de la complexité de
ce problème et de sa modélisation, les plans d'expérience classiques ne peuvent pas
directement convenir; d'où l'appel à des techniques de plans d'expériences numériques
d'apprentissage basé sur un modèle des réseaux de neurones. Nous présentons l'utilisation
d'un Perceptron Multicouches des réseaux de neurones (MLP-RN) pour la reconnaissance
vocale. Comme le MLP nécessite des mots de références, nous avons fourni ces références à
l’aide d'un classificateur supervisé basé sur la minimisation de l'erreur quadratique moyenne.
Pour la deuxième application, nous avons exploité une approche expérimentale pour
déterminer le nombre minimal de l'échantillon nécessaire pour assurer une bonne
reconnaissance de chaque commande vocale dans la phase d'apprentissage.
Nous avons également cherché à établir une fonction d'approximation de l'évolution de
l'apprentissage.
2.2 Généralités sur la Reconnaissance Vocale
Le domaine de la reconnaissance automatique de la parole (ASR) [20] est divisé en quatre
zones: la reconnaissance de mots isolés reconnaissance de mots enchaînés, continue
reconnaissance et compréhension de la parole avec un vocabulaire et une syntaxe limitée.
Pour notre application; nous sommes préoccupés par la reconnaissance des mots isolées qui
seront utilisés comme des commandes de robots. [10]
La reconnaissance de la parole reste toujours une question difficile. La plupart des
systèmes de reconnaissance vocale utilisent un processus d'apprentissage pour identifier la
bonne réponse d'une commande vocale. la modélisation du problème de la reconnaissance de
la parole peut entrer dans le cadre des techniques des plans d'expériences numériques vu le
nombre qui peut être très élevé de paramètres utilisées par les réseaux de neurones et dans la
phase du processus d'apprentissage. Par rapport aux plans d'expériences dans le cas de
données discrètes, NN modèle peut être utilisé pour estimer la sortie des systèmes non
linéaires dans le cas d'un procédé bruyant et sensible à divers paramètres tels que la
reconnaissance de la parole.
Dans ce contexte, une question intéressante concerne la réduction des données utilisées
pour la phase d'apprentissage. Nous avons l'intention d'exploiter MLP-NN pour des
expériences de conception afin de déterminer le nombre minimal dans un échantillon de
réduire les données, le temps et le coût pour le processus de la phase d'apprentissage.
L'estimation des mots de référence (commandes de robots) sont obtenus par un classificateur
supervisé basé sur la minimisation de l'erreur quadratique moyenne. Ces références sont
stockées dans des mots du dictionnaire et utilisés par le MLP de comparer un mot prononcé
avec un désirée.
 1. Approches:
Il existe deux approches permettant d'aborder la reconnaissance de la parole : l'approche
globale et l'approche analytique [21].
Dans l'approche globale, l’unité de base est le mot : le mot est considéré comme une entité
indivisible. Une petite phrase, de très courte durée, peut aussi être considérée comme un mot.
Dans l'approche analytique, on tente de détecter et d'identifier les composantes
élémentaires de la parole que sont les phonèmes.
L'approche analytique permet de traiter de gros vocabulaires, alors que dans l'approche
globale on est limité à des vocabulaires de petite ou moyenne taille.
Mais la méthode analytique a un grand inconvénient : l'extrême variabilité du phonème en
fonction du contexte (effets de la coarticulation).
Le principe utilisé est illustré dans la figure 0.2. Il comprend deux phases :
- la phase d'apprentissage : on crée pour chacun des mots une ou plusieurs formes de
référence qui sont rangées dans un dictionnaire (mots de référence) (Figure 10).
- la phase de reconnaissance : on identifie un mot inconnu à l'un des mots de référence
rangés dans le dictionnaire (Figure11).
Il y a deux opérations communes a la phase de reconnaissance et d'apprentissage : 1)
analyse du signal acoustique, par exemple l'analyse spectrale par banc de filtres ; 2) traitement
numérique {détection des limites du mot, compression temporelle, normalisation en
amplitude et quantification).

Microphone Analyses Traitement Stockage Création de Mots en

Spectrale numérique références référence

Figure 10 : Phase d’apprentissage

Mots en référence Classifieur

Figure11:Phase de reconnaissance
Le rôle du classifieur consiste à choisir le mot de référence le plus semblable au mot
inconnu. Le choix est basé sur le calcul de la distance entre le mot inconnu et tous les mots de
référence.
2.3- Travaux similaires et concurrents en RN
Selon la littérature, de nombreux chercheurs ont travaillé sur le sujet de la reconnaissance
vocale utilisant les réseaux de neurones. Les réseaux de neurones sont déjà largement
exploités dans les domaines de classification et reconnaissance de formes ou de la parole.
1) un article très important effectué par Joel Praveen Pinto [22] où les auteurs ont proposé
une approche hiérarchique afin d'évaluer les probabilités conditionnelles des classes
phonétiques utilisant " les Perceptrons multicouches (MLP)". L'architecture choisie est
composé de deux classificateurs MLP en cascade. Le premier classificateur est entraîné de
façon standard en utilisant des paramètres acoustiques tenant compte du contexte temporel sur
une durée d'environs 90ms. Le deuxième classificateur MLP est entrainé à partir des
probabilités conditionnelles des classes phonétiques (ou paramètres postérieurs) estimées par
le premier classificateur, en tenant compte d'un contexte temporel plus long avoisinant 150-
250 ms. Les auteurs montrent que le second classificateur MLP est simple puisqu'il contient
un nombre limité de paramètres dans le modèle est peut être entraîne sur un ensemble plus
petit de données.
2) Un deuxième travail qui est aussi important sous le thème reconnaissance vocale
utilisant les réseaux de neurones effectué par Pablo Zegers en 1998 [23].
Ce travail est en relation directe avec notre idée de la reconnaissance vocale utilisant les
réseaux de neurones ; Pablo Zergersle développement de la reconnaissance vocale est
principalement basée sur des techniques statistiques qui travaillent sous des hypothèses très
spécifiques. Un système de reconnaissance vocale composée de deux blocs distincts, un
extracteur de caractéristique et un Recognizer. Le bloc Feature Extractor utilise un codeur
LPC Cepstre standard, ce qui traduit le discours entrant dans une trajectoire dans l'espace
caractéristique LPC Cepstre, suivie d'une organisation Plan Soi, qui adapte l'issue du codeur,
afin de produire des représentations de trajectoires optimales de mots dimension réduite longs
espaces. Designs des blocs de Recognizer basé sur trois approches différentes sont comparés.
La performance des modèles, Perceptron multicouches et récurrentes réseaux de neurones en
fonction de reconnaissance est testée sur un petit problème de reconnaissance de mots isolés
dépendant du locuteur. Les résultats expérimentaux indiquent que les trajectoires sur ces
espaces de dimensions réduites peuvent fournir des représentations fiables des mots parlés,
tout en réduisant la complexité de la formation et le fonctionnement de la Reconnaissance. La
comparaison entre les différentes approches à la conception des modules de reconnaissance
menées ici donne une meilleure compréhension du problème et ses solutions possibles. Une
nouvelle procédure d'apprentissage qui optimise l'utilisation de l'ensemble de la formation est
également présentée. Adaptation optimale des trajectoires, nouvelle aperçu de l'utilisation des
réseaux de neurones dans cette classe de problèmes, et un nouveau paradigme de la formation
pour la conception de systèmes d'apprentissage sont les principales contributions de ce travail.
**Ces travaux confirment avec un pourcentage de 62% que la méthode des RN est la
plus précise.
2.4- Le système initial de reconnaissance de mots
Le principe utilisé pour la plupart des systèmes de reconnaissance de mots peut être
illustrée à la figure 1.Il comprend deux phases: la phase de reconnaissance et de la phase
d'apprentissage. La phase d'apprentissage consiste à créer une liste de mots qui sont stockés
dans un dictionnaire en tant que mots de référence. La phase de reconnaissance consiste en
l'identification d'un mot inconnu parlée à l'un des mots de référence stockés dans le
dictionnaire.
Nous avons mis en place un système de reconnaissance de mots basé sur la procédure
suivante. Tout mot prononcé devrait être traité comme suit: toute parole qui est un signal
acoustique continu se traduit par le microphone en un signal électrique continu. Ce signal
électrique continu est ensuite numérisé (échantillonné) par la carte son. Certaines opérations
numériques sont appliquées, telles que la préaccentuation, l'analyse de courte durée de Fourier
(FFT), spectre de puissance, intégration de la banque de filtre (le filtre de Mel), compression
logarithmique, transforment Discret Fourier. La sortie finale est un jeu de coefficients qui sont
appelés coefficients Cepstral MFCC [11]. La technique de VQ-LBG est utilisée pour réduire
les données à partir de MFCC (12 * 128) à (12 * 32 coefficients). La figure 2 montre la forme
électrique de la parole START ainsi que sa représentation comme MFC coefficients et de leur
compression en centres de gravité.
L'estimation des mots de référence (commandes de robots) sont obtenus par un
classificateur supervisé basé sur la minimisation de l'erreur quadratique moyenne. Ces
références sont stockées dans des mots du dictionnaire et utilisés par le MLP à comparer avec
un mot prononcé.
2.5- MLP développé pour la reconnaissance des mots
La technique de MLP est utilisée dans plusieurs domaines tels que la classification, la
reconnaissance des formes (image, voix, objets...) et le contrôle de processus.
Une enquête de la littérature se rapportant aux demandes de NN appliqué à concevoir des
expériences montre qu'ils peuvent être utilisés pour modéliser les processus bruyants, en peux
citer:[14 ; 15 ; 16]
Dans notre travail, on a remplacé le classificateur par un MLP pour la reconnaissance
vocale [10,15,18]. Le rôle du classificateur MLP est de sélectionner le mot de référence le
plus proche par rapport à un mot inconnu.

∑ a∗ − a
mse(N) =
N
Le choix est basé sur le calcul de la distance entre le mot inconnu et tous les mots de
référence (plus proche voisin) [15,16]. Le schéma d'un système de reconnaissance vocale est
donné dans la figure 12.
 Référencedes
mots(MFCC)

Détection MFCC
de la parole
MLP
Recognition
Sortie
Figure 12 : Système de reconnaissance vocale
Pour notre système de reconnaissance de la parole, on a choisi une résolution FFT de 1024
points. Le résultat est une matrice de coefficients MFCC dimension12 x j, où la valeur de j
dépend de la durée de la parole, à la fréquence d'échantillonnage de la carte son et de la
résolution de la FFT. Le système est testé sur un dictionnaire de quatre commandes
(démarrage, arrêt, haut, bas). La matrice MFCC est comprimé dans une matrice de (12 x 32)
coefficients centroïde .Pour les commandes données; nous avons les dimensions suivantes
(tableau 1):

Commande MFCC MLP

START 12 × 128 12 × 32
STOP 12 × 128 12 × 32
UP 12 × 128 12 × 32
DOWN 12 × 128 12 × 32
Tab.3. matrice de dimensions MFCC et MLP
La mise en œuvre du MLP a été réalisée en utilisant la boîte à outils de logiciel Matlab
NN. Notre MLP est un format NN; il est composé d'une couche d'entrée et une couche de
sortie avec une couche cachée entre les deux (figure 13). Les données d'entrée du MLP sont
MFCC qui est enregistrées dans un fichier sous la forme d'une matrice nommée "sepstr.mat".
Le MLP utilise 12 * 32 neurones pour la couche d'entrée. Le mot de référence a été déterminé
à partir de la procédure précédente. Une formation a été adopté supervisé comparant mots
parlés réels avec ceux stockés sur le dictionnaire. Après la réalisation du processus
d'apprentissage, la couche cachée dérivé de l'outil Matlab est constitué de 32 neurones
obtenir. La couche de sortie est constituée de 4 neurones qui correspondent aux termes de
référence stockées sur le dictionnaire (START, STOP, HAUT, BAS).
 Matrice X1 wi
Sortie 1

Centroid Sortie 2
Sortie 3
MFCC
Xk Sortie «n»
Sortie de la couche
Couches cachées

Figure 13 : MLP classifier

Figure 13 présente un MLP classfieur sous un schéma classique qui contient une couche
d'entré, couche caché, et une couche de sortie; chaque couche contient un nombre différent de
neurones.
2.6- Résultats Expérimentaux
Il est important d'analyser l'évolution et la convergence du processus d'apprentissage en ce qui
concerne le nombre d'expériences. Pour obtenir une estimation du nombre minimal requis
d'éléments dans un des tests d'apprentissage pour un mot de référence donnée au cours de la
phase d'apprentissage; nous avons adopté une approche expérimentale. Ceci conduit à réduire
le temps de calcul. Sous logiciel Matlab, la phase d'apprentissage pour le MLP a été testée
comme suit. Chaque test d'apprentissage correspond à un certain nombre d'essais N
d'expériences d'apprentissage en utilisant le même mot. Pour chaque mot de référence, l'erreur
quadratique moyenne des MFCC est calculée par rapport au nombre d'essais queN.

∑ a∗ − a
mse(N) =
N
En utilisant le même mot. Pour le test d'apprentissage différent, le MSE (N) est enregistré.
D'autre part, on a appliqué différentes fonctions approximations afin d'obtenir une forme
appropriée de l'évolution du processus d'apprentissage. En conséquence, nous avons remarqué
que le rapprochement la plus appropriée du processus d'apprentissage est une fonction bi-
exponentielle sous la forme de: f(x) = a ∗ exp(b ∗ x) + c ∗ exp(d ∗ x).
Nous présentons graphiquement deux exemples illustrant le processus. Procédé
d'apprentissage premier exemple montre l'évolution du processus d'apprentissage par rapport
au nombre d'essais pour le mot STOP. Figure 14-a montre le signal électrique du mot STOP.
Le tableau 2 montre les résultats expérimentaux de 9 tests d'apprentissage en ce qui concerne
le nombre d'essais pour le mot STOP.
 Tests d'apprentissage mse(N) N(essais)

1 0,9094 10

2 0,3313 23

3 0,1686 36

4 0,1195 41

5 0,0674 54

6 0,0490 56

7 0,0244 61

8 0,0209 59

9 0,0191 60

Tab.4. Des essais expérimentaux d’apprentissage MSE (N)

Comme le montre la figure 14-b, l’analyse de ces expériences montre que l’erreur quadratique
moyenne (N) diminue avec le nombre d’essais ; améliorant ainsi le processus d’apprentissage.
Pour l’exemple à portée de main, la fonction bi-exponentielle approximation est donnée par la
courbe boîte à outils de montage de Matlab Software as :
f(x) = a*exp(b*x) + c*exp(d*x) avec les coefficients suivants : a = 2.019e+004 (-2.852e+014,
2.852e+014)
b= -0.0634 (-5413, 5413)
c = -2.019e+004 (-2.852e+014, 2.852e+014)
d= -0.0634 (-5413, 5413)
(avec 95% les limites de confiances), Qualité de l’ajustement : SSE(0.01536), R-Carré
(0.984), R-carré ajusté (0.9787), RMSE(0.04131).

Figure 14-a. exemple du mot STOP parlé

 a vs. b
0.9
fit 1
0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

10 20 30 40 50 60 70 80 90 100

Figure14-b. la distribution d'erreur mot STOP avec la croissance du nombre d'essai

Le deuxième exemple concerne le processus de formation pour identifier le mot UP par

rapport au nombre d’essais. Nous avons utilisé 10 tests d’apprentissage. Comme le montre la
figure 15, l’analyse de ces expériences montre que le MSE (N) diminue avec le nombre
d’essais, la fonction bi-exponentielle approximation est donnée par la courbe boîte à outils
Matlab Montage de logiciel que les coefficients suivants :
Modèle générale : Exp2 : f(x) = a*exp(b*x) + c*exp(d*x)
a =2.073e-008 (-6.453e-006, 6.495e-006)
b =0.1348 (-3.013, 3.282)
c =1.129 (0.9298, 1.329)
d = -0.04309 (-0.05608, -0.03011)
(avec 95% les limites de confiances), Qualité de l’ajustement : SSE(0.02093), R-carré
(0.9778), R-carré ajusté (0.9667), RMSE(0.05906).
 Nombred’éléments ERREUR
10 0,9021
20 0,0313
36 0,1523
41 0,2005
54 0,0654
56 0,0425
61 0,0254
59 0,0207
60 0,0192
Tab.5. Des essais expérimentaux d'apprentissage MSE (N)

0.9 Error vs. UP

fit 1
0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

10 20 30 40 50 60 70 80 90 100

Figure 15 : la distribution d’erreur du mot UP avec la croissance du nombre d'essai

Après avoir testé expérimentalement le MLP avec quelques commandes de robots parlées
(démarrage, arrêt, haut, bas), nous avons remarqué que ce nombre minimal dépend de la
structure de la parole elle-même, sur le haut-parleur, l'équipement utilisé et sur le bruit de
l'environnement.
On prend quelques exemples pour 9 tests (11, 23, 36, 41, 54, 56, 59, 60, 61)de la Figure 16.
 Figure 16:la distribution d’erreur du mot START avec la croissance du nombre d'essai
Coefficients (avec 95% les limites de confiance):
Qualité de l'ajustement : SSE=0.01536, R-carré: 0.984, R-carré ajusté: 0.9787, RMSE:
0.04131, de la Figure17, nous remarquons que l'erreur se stabilise à partir de E61.

Figure 17: distribution de l'erreur du mot UP avec la croissance du nombre d'essais

modèle générale:Exp2 : f(x) = a*exp(b*x) + c*exp(d*x)
Coefficients (avec 95% les limites de confiances), Qualité de l'ajustement:
SSE: 0.0002326, R-carré: 0.9757, R-carré ajusté: 0.9636, RMSE: 0.006227
2.7- Discussion avec les articles sur le nombre d'expériences
Selon la littérature, dans cette séquence on présente une discussion de comparaison entre
notre travail de la reconnaissance vocale utilisant les techniques de réseaux de neurones et des
travaux très similaires et concurrent dans la même idée.
On parle particulièrement de l’article intitulé « la reconnaissance vocale utilisant les réseaux
de neurones artificiels » rédigé par Nidhi Srivastava, [27].
L’auteur a utilisé la VOICEBOX reconnaissance processus toolbox pour l’expérimental. Il
calcule 12 coefficients cepstraux MFCC pour qu’ils seront des entrés du réseau de neurone.
Après la réalisation du réseau, l’auteur confirme que les réseaux de neurones sont la
meilleure méthode pour la reconnaissance vocale, il a utilisé le toolbox des réseaux de
neurones implémenté sous Matlab pour créer, entrainer et simuler le RN et l’erreur
quadratique.
Notre système contient Une couche d’entrée constituée de 12 * 32 neurones pour la couche
d'entrée. Le mot de référence a été déterminé à partir de la procédure précédente. Une
formation a été adopté supervisé comparant mots parlés réels avec ceux stockés sur le
dictionnaire. Après la réalisation du processus d'apprentissage, la couche cachée dérivé de
l'outil Matlab est constitué de 32 neurones obtenir. La couche de sortie est constituée de 4
neurones qui correspondent aux termes de référence stockées sur le dictionnaire (START,
STOP, HAUT, BAS)
2.8- Conclusion
Nous avons présenté une technique expérimentale pour des expériences de conception pour
estimer le nombre minimal qui doit composer un test d'apprentissage pour assurer une
performance acceptable pour un processus d'apprentissage des réseaux de neurones supervisés
dédiés à la reconnaissance de la parole utilisé pour les commandes du robot.
Nous avons d'abord mis au point un système de reconnaissance de mots à partir où toute
parole est traitée et traduite en un ensemble de coefficients qui sont les coefficients Cepstral
(MFCC). Ensuite, ces coefficients MFCC sont compressés pour centroïdes par l'algorithme
VQ-LBG basé sur l'erreur quadratique moyenne.
Les réseaux neuronaux sont une technique pour analyser et faire une estimation de la sortie
d'un système non linéaire dans le cas d'un processus aléatoire. Cependant; le MLP nécessite
mots de référence. Pour chaque mot prononcé, sa référence a été obtenue en calculant la
valeur moyenne de ses coefficients MFCC centroïdes. Ces mots de référence ont été utilisés
comme modèles de mots pour former un apprentissage supervisé NN Type de MLP.
Nous avons testé expérimentalement le MLP avec quelques commandes de robots parlés et
nous avons obtenu une estimation du nombre minimal requis d'éléments dans un test
d'apprentissage pour assurer un processus d'apprentissage acceptable. Nous avons remarqué
que ce nombre minimal dépend de la structure du mot parlé lui-même, sur l'équipement utilisé
et sur le bruit de l'environnement. Nous avons remarqué que nous pouvons approcher le
processus d'apprentissage par une fonction bi-exponentielle.
 Chapitre3
Résolution des équations
différentielles algébriques
pour le mécanisme bielle-
manivelle
3.1-Introduction
Les systèmes multi-corps mécaniques contraints peuvent être trouvés dans diverses
applications scientifiques et technologiques telles que la robotique, la biomécanique de la
locomotion, les moteurs de véhicules et les machines [29, 30, 31,32]. Certaines méthodes bien
établies sont disponibles pour la modélisation de systèmes multi-corps mécaniques contraints
tels que la formulation de Newton-Euler, le principe de Hamilton et les multiplicateurs de
Lagrange, etc. [29,30].
Du point de vue mathématique, les modèles dynamiques des systèmes multi-corps contraints
se répartissent en deux catégories principales: les équations différentielles algébriques (DAE)
et les équations différentielles ordinaires (ODE). La différence entre ODE et DAE provient du
choix des paramètres descriptifs utilisés et de la topologie des mécanismes. En particulier, les
systèmes DAE sont soumis à des contraintes géométriques et physiques dans leurs
mécanismes. [29,30].
Plusieurs techniques ont été proposées pour résoudre les systèmes DAE [33, 34, 35]. Une
approche évidente consiste à différencier les contraintes une ou plusieurs fois par rapport au
temps. Ensuite, pour remplacer les contraintes géométriques par leurs dérivées pour convertir
le problème DAE en un problème ODE mathématiquement équivalent avant d'appliquer des
méthodes d'intégration numérique bien connues. Cette approche correspond à la méthode de
réduction d'indice. Cependant, le problème principal avec cette technique est que la solution
numérique du système peut ne pas satisfaire les contraintes du problème DAE original en
raison de la propagation d'erreurs connue sous le nom de phénomènes de dérive. Cela signifie
que, en général, l'équivalence mathématique pure entre les problèmes DAE et ODE n'est pas
nécessairement conservée par les procédures de calcul utilisées pour leur solution [35, 36].
Selon la littérature [36, 37], il existe deux principaux types de méthodes pour résoudre ce
problème. Les méthodes de première classe visent à réduire la description du système à un
nombre minimum de coordonnées en trouvant un ensemble de coordonnées indépendantes.
Ce sont les méthodes de projection. Le système est décrit sous forme d'espace d'état. Parmi
ces méthodes, nous pouvons citer la réduction complète du système en une forme purement
ODE, qui peut être obtenue au moyen du partage de coordonnées. La deuxième classe de
méthodes consiste à réduire l'indice du problème initial. Il introduit des inconnus
supplémentaires conduisant à augmenter le système d'origine puis à appliquer des techniques
de stabilisation.
Nous considérons le modèle dynamique général des systèmes multi-corps obtenus au moyen
de la formulation Euler-Lagrange en tant que problème DAE. Nous illustrons notre analyse et
notre simulation par l'exemple du mécanisme du bielle-manivelle. En manipulant les
équations de contraintes, nous dérivons un modèle DAE mathématiquement équivalent avec
deux variables. Nous résolvons le problème DAE en utilisant une fonction Matlab dédiée aux
systèmes ODE rigides (ode13s). Les comparaisons de nos résultats de simulation avec
d'autres techniques seront présentées.
3.2-La formulation générale des systèmes multi-corps dynamiques
La formulation de Lagrange est adaptée à la modélisation de systèmes multi-corps
mécaniques contraints. La modélisation nécessite de définir certains paramètres qui sont
utilisés pour la représentation du système. Ces paramètres sont des coordonnées qui
permettent de décrire le positionnement et le mouvement du système.
3.2.1-Modèle Dynamique
Les équations de mouvement données par la formulation d'Euler-Lagrange sont un ensemble
d'équations différentielles d'un second ordre associé à un ensemble d'équations de contraintes
géométriques. Ils sont souvent exprimés sous la forme suivante d'un problème DAE [ 29,30,
36, 37]:
* ** *
T
M ( t , q , q ). q    q .  F ( t , q , q )
(1)
 ( t , q )  0 (2)

Ici, q est un vecteur de coordonnées généralisées, q˙ est un vecteur de vitesses généralisées.

M(t, q, q˙) est la matrice de masse du système de dimension (nxn), Φ est un vecteur des
équations de contraintes et λ est un vecteur des multiplicateurs de Lagrange [1, 2].  q est la
T
matrice Jacobienne des contraintes.  q est la transposée de la matrice jacobienne des
contraintes. F (t, q, q˙) le vecteur des forces généralisées (autres que les contraintes de forces).
Pour déterminer une solution unique à ce problème, il est nécessaire d'ajouter des conditions
initiales associées à l'ensemble des équations différentielles: q (t0) = q0 et q˙ (t0) = q˙0. Ces
conditions initiales doivent satisfaire la cohérence des contraintes et de leurs dérivés à tout
instant.
3.2.2- Représentation de l'espace public
Une autre représentation équivalente commune du problème DAE précédent utilise les
variables d'espace d'état (coordonnées de position p et vitesses v). Le problème DAE peut être
écrit sous la forme suivante:

 dp
 v
 dt

 dv T
M . dt  F   q .


 (t , p, v)  0
(3)

Avec les conditions initiales: p (0) = p0, v (0) = v0. Les vecteurs donnés p0 et v0, qui
spécifient la configuration initiale et la vitesse initiale, sont choisis afin de satisfaire la
cohérence des équations de contraintes et leurs dérivées.

Ф( 0) = 0
Ф ( 0). 0 = 0
3.2.3-Représentation DAE augmentée
Les systèmes DAE sont caractérisés par leur indice de différenciation qui est défini comme le
nombre de différenciation des contraintes afin de transformer le problème DAE en équivalent
mathématique ODE. Dans ce cas, le problème est index-3 [29-30, 34-37].
Réduire l'indice en dérivant deux fois les équations de contraintes, conduit à transformer le
problème DAE de l'indice-3 en indice-1 comme suit.
Compte tenu des équations de contraintes de position:Ф( , ) = 0
*
En dérivant une fois, on obtient les équations de contraintes de vitesse:  q . q  0 (4)

En dérivant deux fois, on obtient les équations de contrainte d'accélération:

** * * *
 q . q   (  q . q ) q . q  2 . q . q   tt   (5)

En couplant les équations de mouvement (1) avec les équations de contrainte d'accélération
(5), nous pouvons obtenir le système DAE suivant:
**
M  Tq   q   F 
   
 q 0      
  (6)
En supposant que la Jacobienneq possède une ligne de rang complet, on peut prouver que,
parce que l'énergie cinétique d'un système est toujours positive, la matrice de coefficients du
système linéaire ci-dessus est non-singulière [34-37]. Cela signifie qu'une solution unique
existe. Nous avons un ensemble de n coordonnées généralisées, elles doivent satisfaire
l'ensemble des contraintes m présentes dans le système:

Ф(q,t0)= 0

Ce système augmenté (6) équivaut aux équations de Lagrange (1), si et seulement si les
conditions initiales du problème satisfont les conditions des contraintes.
3.3-Modélisation dynamique du système bielle-manivelle
3.3.1- Sélection des variables et contraintes géométriques
La représentation graphique du mécanisme bidirectionnel bielle-manivelle est donnée dans la
figure 18. Il est constitué de deux corps mobiles: la manivelle (longueur l1, masse m1, moment
d'inertie J1) et le coupleur (longueur l2. Masse m2, Inertia J2). La manivelle à une masse m.
Pour conduire le système, l'effort externe (Mom) est exercée à la base de l'élément de
manivelle (point A), la manivelle tourne en direction de la bielle pour se déplacer de gauche à
droite dans la direction x. Nous serons intéressés par la motion de la bielle.
 Figure 18: Mécanisme de bielle-manivelle
Pour décrire la topologie et la dynamique du système, nous pouvons utiliser des coordonnées
absolues ou des coordonnées relatives qui sont des articulations. Cette sélection affecte le
nombre et la nature des équations. En principe, nous n'avons besoin que d'une coordonnée
telle que 1, mais comme il n'y a pas de connexion évidente entre θ1 et la configuration
complète du mécanisme, nous introduisons d'autres coordonnées.
Généralement, pour établir les équations de contrainte, un choix possible est les trois
variables: les angles 1, 2 et le déplacement horizontal de la bielle x. Considérant le triangle
ABC, on peut obtenir les deux équations de contraintes suivantes.

 l . sin 1  l2 . sin  2  0  (7)

 1  (8)
l1 cos 1  l2 . sin 2 x  0

Nous constatons que nous avons deux variables indépendantes ( 1, ) et une variable
dépendante 2. Étant donné que ces deux équations sont redondantes, afin de simplifier la
formulation du problème, nous n'utilisons que la première équation de contrainte, la seconde
étant déduite une fois que 1 et 2 sont déterminés.
3.3.2- Modèle dynamique du système bielle-manivelle
Selon la formulation d'Euler-Lagrange, le modèle dynamique du mécanisme du bielle-
manivelle à deux côtés peut être formulé sous la forme d'un problème DAE de la forme
générale suivante (1) et (2):
* ** *
T
M (t , q , q ). q   q   F (t , q , q )
 (t , q )  0
Pour décrire le système, plusieurs choix possibles de variables peuvent être sélectionnés [7-
12]. Comme dans [10], nous avons sélectionné deux variables Θ1 et Θ2. Ce choix permet de
découpler les équations et de faciliter les expressions des dérivations de contraintes. Nous
avons réduit le système de l'index-3 à l'index-1 en dérivant deux fois la contrainte. Les
* *
expressions obtenues M (t , q , q ) et F ( t , q , q ) sont:
  2 1 1 
 l1 .( 4 m1  m2  m3 )  J1  l1.l2 . cos(1   2).( m2  m3 )
M (1 ,  2 )   2
1 
2 1
 l1.l2. cos(1   2).( m2  m3 ) l2 .( m2  m3 )  J 2 
 2 4  (9)
1 *2 1
 l1.g .( m1  m 2  m3). cos( 1)  l1.l 2. 2 .sin( 1   2).( m 2  m3)  Mom
* * 2 2
F (1 , 2 ,1 , 2 ) 
1 *2 1
l 2.g.( m 2  m3). cos( 2)  l1.l 2. 1 .sin( 1  2).( m 2  m3)
2 2 (10)

Reprenons la première équation de contrainte (7). En dérivant cette contrainte une fois w.r.t,
on obtient l'expression :
* * *  * 
 q q  l1. cos 1 .1  l 2. cos  2  l1 cos  1  l 2 cos  2*1   0
 2
(11)
D'où nous obtenons le Jacobien:  q  l1 cos1  l2 cos 2 
(12)
l1 . cos 1 
Et sa transposition:  Tq   .
  l2 . cos  2 
(13)
Pour amener le problème dans l'index-1, nous devrions dériver deux fois l'équation de
contrainte. Cela donne l'expression:

** * ** * **
 q . q    l1. sin  1.12  l1. cos  . 1  l 2. sin  2 . 22  l 2. cos  2 . 2
(14)
Les expressions (9), (10), (12), (13) et (14) sont utilisées pour obtenir le formulaire DAE
augmenté (6).
Nous devons également ajouter les conditions initiales:

* * * *
1 (0)  10 ,  1 (0)   10 ,  2 (0)   20 . 1 (0)  10 ,  2 (0)   20 .

3.4- Solution Numérique et simulation

3.4.1-Solution numérique
Pour résoudre le système (1) et (2), il faut prédire le mouvement du système (q (t); q˙ (t)), à
partir d'une configuration initiale (q (t = 0); q˙ (t = 0)), En intégrant dans le temps les
accélérations q¨ (t). La forme augmentée (6) correspond à un problème DAE index-1. Étant
donné que ce système DAE contient des dérivées temporelles de second ordre, il doit être
reformulé pour obtenir une représentation compatible avec les systèmes ODE [42-44]:
*
V (t , y ). y  f (t , y ) (15)
Avec les conditions initiales: y (t0)=y0
La technique de résolution nécessite d'augmenter le système en ajoutant d'autres variables et
équations.

 1 
Si nous notons: x   
 2 

 x
*  
T

 x  * * ** **
Et définissez le vecteur d'état comme suit: y   **   1  2  1  2 1  2  
x
   

 
 
Alors, le problème augmenté peut s'exprimer sous la forme:
*
0 0 0  x   
*
E x 
**
0 
E 0 0 x **
  
 x
. ***    ** T  (16)
0 0 0 0  x   M . x  Qq .  F 
  *
0 0 0 0     ** 

   g 

Où V est une matrice diagonale mais singulière et E est une matrice (2 * 2). Sous cette
forme, certains codes mis en place ont été dédiés à résoudre ce problème, à condition de
donner des résultats cohérents avec les conditions Initiales:
T
 * * ** ** 

y  10  20  10  20 10  20 0 
 
  (17)

Pour résoudre ce problème, nous avons utilisé la fonction Matlab: ode15s [40,42, 43]. Elle
intègre numériquement le système (15) qui est exprimé comme (16-17) d'un instants initial t0
à un temps final . Cette fonction présente de nombreux avantages par rapport à ode45.
Elle est recommandée en cas de problèmes rigides d'ODE et DAE. Elle peut résoudre des
problèmes de forme (16) avec une matrice V(t, y) qui est singulière, ce qui est notre cas. Elle
peut vérifier et adapter la cohérence des conditions initiales.
Du point de vue algorithmique, ode15s est un solveur à ordre variable basé sur les Formules
de Différenciation Numériques (NDF) [32]. En option, il utilise les formules de
différenciation vers l'arrière (BDF, également connu sous le nom de méthode de Gear) qui
sont généralement moins efficaces. Ode15s est un solveur multi-étapes [41-43].
3.4.2 - Simulation et résultats graphiques
La simulation a été effectuée avec les ode15s. Elle a été appliquée au double pendule et au
mécanisme de bielle- manivelle. Les résultats obtenus ont été en accord avec ceux obtenus
dans la littérature. Dans cette section, nous présentons sur la Figure 19 les résultats graphiques
concernant le mécanisme bielle-manivelle: les évolutions temporelles de l'angle Θ1(t) et du
déplacement de la bielle x(t). Nous notons que x (t) a été calculé a posteriori après avoir
calculé Θ1 (t) et Θ2 (t) de l'équation de contrainte (8) comme suit: x  l1. cos 1  l2 . sin  2
.Cette vérification a posteriori a assuré le respect des équations de contraintes pendant les
calculs et assure ainsi la stabilité et la précision du solveur pour ces types de problèmes.
Les paramètres choisis sont: 1 = 0,2; 2 = 1; 1 = 1; 2 = 1; 1 = 1; 2 =
1; = 1; Mom = 10; G = 9,81.
Le vecteur des conditions initiales est:
0 = [0.78 (( 1 / 2) ∗ (0.78)) 0 0 0 0 0] .
Dans notre implémentation, la valeur initiale de Θ10 est donnée, la seconde est calculée
automatiquement au moyen de la première contrainte (7) comme:
20 = (( 1 / 2) ∗ ( 10)
Pour assurer la cohérence des équations de contrainte La matrice V est singulière et sa
diagonale est: ( ) = [1,1,1,1,0,0,0];
Les résultats de la simulation sont présentés sur les Figure 19 et Figure 20.

1200

1000

800
angle Teta1 (deg)

600

400

200

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
time (sec)

Figure 19: évolution temporelle de l'angle Θ1(t)

 1.25

1.2

1.15
slider displacement x (cm)

1.1

1.05

0.95

0.9

0.85

0.8
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
time (sec)

Figure 20: évolution temporelle du déplacement de la bielle x (t).

Les résultats obtenus sont semblables à ceux obtenus par la méthode de coordonnées de
partitionnement qui utilise des systèmes ODE conventionnels et qui a été appliquée au même
mécanisme bielle-manivelle [32]. Beaucoup d'autres résultats concordants ont également été
notés avec d'autres approches appliquées aux mécanismes de bielle-manivelle [34-39]. Une
comparaison de différentes approches numériques pour résoudre le problème du mécanisme
bielle-manivelle est rapportée dans [44].
Les résultats de la simulation et la concordance de la technique appliquée avec les autres
techniques démontrant que la méthode est stable et suffisamment précise.
3.5-Conclusion
Notre étude est portée sur l'analyse et la simulation de certains modèles dynamiques de
systèmes multi-corps contraints qui ont été formulés sous la forme d'un ensemble d'équations
algébriques différentielles (DAE). Nous avons étudié la solution avec la méthode de réduction
de l'indice. Nous avons illustré notre analyse par l'exemple du mécanisme du bielle-manivelle.
Nous avons dérivé un modèle dynamique basé sur deux variables offrant une analyse et une
implémentation plus faciles. Nous avons résolu avec succès le problème DAE avec la
fonction Matlab (ode15s) qui est dédié à la résolution des équations différentielles ordinaires
(ODE) rigides.
Les résultats de la simulation obtenus sont concordants par rapport à d'autres méthodes telles
que la méthode de coordonnées de partition qui prouve la stabilité et la précision de la
méthode DAE utilisée. Le choix des variables pour un modèle dérivé particulier peut
influencer le choix de la méthode de résolution DAE et aussi la complexité et le coût de
calcul.Ces résultats mathématiques ont également permis des interprétations physiques
cohérentes et pertinentes du fonctionnement des mécanismes de bielle-manivelle.
 Chapitre4
Modélisation Mathématique
et Estimation de Biogaz pour
les Bioréacteurs Anaérobiques
4.1. Introduction
La modélisation mathématique et la simulation sont des moyens flexibles et économiques
pour analyser le fonctionnement des bioréacteurs et prédire leur performance. Les premiers
modèles mathématiques de bioréacteurs anaérobies ont été proposés dans les années 1970 [45,
46]. Selon le nombre de processus biochimiques considérés, il existe des modèles plus ou
moins complexes qui ont été proposés. Le modèle ADM1 (Modèle de digestion anaérobie N °
1) est un modèle développé par des chercheurs de l'International Water Association (IWA)
[47]. C'est le modèle le plus complet pour simuler des réacteurs anaérobies. Cependant, ce
modèle est très complexe car il est très détaillé. Il nécessite plus de 80 paramètres à accorder.
Cependant, il existe un modèle mathématique d'usage plus simple et plus pratique, appelé
AM2, qui est beaucoup moins complexe que ADM1 et qui correspond au processus
biologique de la digestion anaérobie de deux phases.
De nombreux auteurs ont utilisé le modèle AM2 pour le digesteur anaérobie discontinu ou
continu avec différents substrats dans diverses conditions [45-47, 49-50, 56-57-58]. Du point
de vue mathématique, le modèle AM2 correspond à un ensemble d'équations différentielles
ordinaires couplées (ODE) du premier ordre avec les membres des côtés gauches non
linéaires. Les solutions peuvent être obtenues par différentes méthodes d'intégration
numérique. La plupart des résultats obtenus par différents auteurs sont qualitativement
comparables, mais quantitativement, ils peuvent différer. En effet, les résultats sont très
sensibles aux valeurs de paramètres correspondant à la complexité du phénomène et des
conditions de travail.
D'autre part, un problème principal pour les bioréacteurs concerne l'estimation de la
production attendue de méthane qui peut être générée. Dans ce contexte, le modèle AM2
permet d'estimer par calcul la production de méthane. Cependant, de nombreux auteurs ont
développé un modèle cinématique plus spécifique de taux de production de biogaz et une
biodégradabilité de la matière organique dans la digestion anaérobie discontinue. Plusieurs
chercheurs [59-61] ont utilisé l'équation modifiée de Gompertz comme modèle cinétique de la
production de biogaz. Un autre modèle cinétique simple développé de biodégradabilité du
matériau organique basé sur la cinétique du premier ordre peut être utilisé pour prédire la
production de biogaz [60].
Nous présentons dans ce chapitre la simulation et la réalisation expérimentale d'un bioréacteur
anaérobie alimentée en mode discontinu (batch) et destiné à produire du méthane. Le modèle
AM2 a été implémenté pour simuler la production de méthane. Le méthane cumulé a
également été estimé au moyen d'une équation de Gompertz modifiée qui s'applique aux
digesteurs fonctionnant en mode discontinu.
4.2.Équences du modèle dynamique
4.2.1- Formulation mathématique
Le modèle mathématique basé sur les lois de la croissance est le modèle AM2, qui comporte
les variables dynamiques suivantes:
X1 est la concentration de la population de bactéries acidogènes;
X2 est la concentration de la population de bactéries méthanogènes;
S1 est la concentration du substrat de matière carbonée
S2 est la concentration en substrat des acides gras volatils.
Pour les bioréacteurs fonctionnant en mode batch, le modèle mathématique est exprimé sous
la forme d'équations différentielles couplées de premier ordre:

= . ; (1)
S1
avec 1  1max . est le taux de croissance des bactéries selon le modèle de Monod.
S1  K S1
1max est le taux de croissance maximal et Ks1 est la constante de demi-saturation.

= . (2)

S2
avec  2   2 max . est t le taux de croissance de la bactérie selon le modèle de
S 22
S2   KS2
KI2
Hamldane.
2 max est le taux de croissance maximal, Ks2 est la constante de demi-saturation et Ki2 est la
constante d'inhibition.
Pour l'évolution des substrats, nous avons les équations suivantes:

=− . . ; (3)

= . . − . . (4)

Le flux de méthane qui est le produit attendu dépend directement de la croissance de la

population de bactéries méthanogènesX2, selon la relation:
QCH 4 (t )  k 4 . 2 . X 2 (t ) (5)

La quantité cumulée dans le temps C(t) du méthane produit peut être estimée en intégrant
Qch4 au fil du temps; il résulte:

C (t )  k4 . X 2 (t ) (6)
Nous distinguons neuf paramètres impliqués dans ce modèle qui sont (μ1max, KS1, μ2max,
KS2, KI2, k1, k2, k3, k4).
Pour résoudre mathématiquement ce système d'équations différentielles, nous devons
également fournir des conditions initiales qui sont les quantités initiales des concentrations de
substrats et de bactéries au début du fonctionnement du bioréacteur: S1 (0), S2 (0), X1 (0) et
X2 (0).
4.2.2- Modèle d'espace d'état
Le système constitué des équations différentielles (1), (2), (3) et (4) est un ensemble
d'équations différentielles couplées de premier ordre avec des fonctions non linéaires sur le
côté droit. Son intégration fournit l'évolution temporelle des bactéries et des concentrations du
substrat. L'évolution de la production de méthane peut être déduite de l'équation (5).
Ce système peut être résolu par diverses méthodes numériques telles que la méthode d'Euler,
la méthode de Runge-Kutta, etc. Il existe également des solveurs disponibles tels que la
fonction ode45 du logiciel Matlab.
Pour la mise en œuvre, ce modèle composé d'équations (1), (2), (3) et (4) peut être facilement
écrit dans une forme d'espace d'état telle que:
dz (t )
 f ( z (t ))
dt (7)

T
avec le vecteur d'état: z (t )   x1(t ) x 2(t ) S1(t ) S 2(t )  (8)
et :

 * 
 X 1(t )   f 1
*   f 2

dz (t )  X 2(t )  
 /* 
dt  S 1(t )   f 3  (8)
*   
 S 2(t )   f 4 
 

T
Ou les conditions initiales: z (t 0)  x1(t 0) x 2(t 0) S1(t 0) S 2(t 0) 

et :
S1
f 1( z )  1 max* * X1
( S1  Ks1)

̇ S2
f 2( z )   2 max* *X2
S 22
(S 2   Ks 2)
Ki 2
S1
f 3( z )   k1 * 1 max* * X1
( S1  Ks1)
S1 S2
f 4( z )  k 2 * 1 max* * X 1  k 3 *  2 max* *X2
( S1  Ks1) S 22
(S 2   Ks 2)
Ki 2
Ce système ODE a été résolu au moyen de la méthode d'intégration d'Euler et en utilisant la
fonction Matlab ode45 qui utilise les méthodes d'intégration de Runge-Kutta. Même, l'ode15 a
été testé pour les cas où le système ODE devient rigide.
4.3. Résultats de la simulation et interprétations
4.3.1- Evolution temporelle des substrats et des bactéries
Le modèle AM2 a été implémenté pour simuler le fonctionnement des bioréacteurs
anaérobies. Une analyse approfondie de la littérature bibliographique a montré que très peu de
recherches ont fourni une estimation de certains paramètres du modèle. Nous avons remarqué
une forte dispersion sur les paramètres utilisés par différents auteurs, notamment en ce qui
concerne la méthanisation utilisant les eaux usées comme substrat [45,48-51].
En fait, en dehors des paramètres du taux de croissance maximal pour les bactéries acidogènes
et méthanogènes, la littérature ne fournit pratiquement aucune donnée sur les autres
paramètres. Les résultats graphiques présentés ci-après sur la figure 21, la figure 22 et la
figure 23 correspondent à une simulation réalisée avec les valeurs suivantes:
μ = 0.4/day; K = 72 ; μ = 0.4/day; K = 18 ; K = 103 g/l;
En outre, en raison du manque de données pour les paramètres (k1, k2, k3), ces paramètres
ont été estimés par essai et erreur en essayant d'obtenir des résultats de simulation
qualitativement et quantitativement cohérents [53-55]. Les valeurs de paramètres utilisées
sont:
k1 = 13; k2= 12; k3 = 22;
Les valeurs initiales sont: S1(0)=10 g / l; S2(0) = 2 g / l; X1(0) = 0,4 g / l et X2(0) = 0,01 g / l.
Un résultat de simulation pour visualiser graphiquement l'évolution temporelle des substrats
S1 et S2 est représenté sur la figure 21. Un résultat de simulation pour visualiser
graphiquement l'évolution temporelle des concentrations de bactéries X1 et X2 est illustré à la
figure 22.
Selon les valeurs des paramètres utilisés, on note dans la figure 21 qu'il y a une diminution
exponentielle du substrat S1 qui est presque complètement consommé en 60 jours en raison
de sa décomposition par les bactéries acidogènes X1. Pendant ce temps, le substrat S2
commence à être généré pendant environ 15 jours; Puis sa consommation se poursuit par les
bactéries méthanogènes.
Sa concentration augmente jusqu'à atteindre une valeur maximale qui correspond à la valeur
nulle de l'expression (4). On a:
dS 2
 0 et donc . . = . .
dt
Ce substrat sera presque complètement décomposé en biogaz sur une période d'environ 40
jours.
 10

Concentration of substrats(g/l)
7

0
0 10 20 30 40 50 60 70 80
time (days)

Figure 21 : Evolution temporelle des substrats

Les évolutions des concentrations de bactéries acidogènes et méthanogènes X1 et X2 sont
présentées à la figure 22. Les bactéries évoluent progressivement à partir de concentration
initiale sur une période d'environ 50 jours, ou leurs concentrations se stabilisent à des valeurs
constantes. Nous remarquons encore que le modèle mathématique ne prédit pas leur situation
future.

1.4

1.2
Concentration of Bacterai Evolution (g/l)

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70 80
time (days)

Figure 22 : Evolution temporelle des bactéries

4.4. Estimation de la Production de Méthane
4.4.1- Évaluation de la production de méthane par modèle AM2
Pour estimer la production de méthane, la littérature fournit des données correspondant à une
valeur de k4 qui est plus proche de 75 l2 / mg [45, 48]. L'évolution temporelle du flux de
méthane QCH4 (t) est calculée à partir de l'expression (5). La quantité cumulée de méthane
C(t) sur une période donnée est obtenue en intégrant QCH4(t) qui est proportionnel à X2(t):

C (t )   QCH 4 (t ).dt   k 4 . 2 . X 2 (t ).dt

de l'équation (2), on tire:

dX 2
C (t )   k 4 . dt k 4 . X 2 (t )
dt
Une simulation de l'évolution temporelle du débit de méthane QCH4 (t) et la quantité cumulée
de méthane C (t) sont représentées sur la figure 23. À des fins de représentation, l'échelle de
C(t) est réduite 20 fois. Notez que la courbe Q (t) présente une augmentation rapide au début
du lancement du bioréacteur. Elle atteint une valeur maximale dans environ 40 jours et puis
commence à diminuer pour une période de 35 jours. D'autre part, l'accumulation du méthane
produit augmente rapidement pendant 50 jours puis atteint un comportement asymptotique
horizontal. Ce type de comportement est attendu d'un digesteur discontinu.

1.8

1.6
Methane Production (l/day)

1.4

1.2

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70 80
time (days)

Figure 23 : Evolution temporelle du flux de méthane Q(t) et son accumulation C(t)

Nous avons remarqué une grande sensibilité du modèle avec les paramètres. Pour les petites
valeurs de paramètres concernant le modèle de croissance bactérienne (Ks1; Ks2; Ki2),
l'activité de la bactérie est concentrée pendant les premiers jours de lancement des
expériences de bioréacteur. L'intégration du système ODE devient rigide et est donc insoluble
même par la fonction ode45. Il est alors nécessaire d'utiliser ode15s.
De nombreux auteurs ont utilisé le modèle AM2 pour le bêta ou le digesteur anaérobie
continu avec différents substrats dans diverses conditions. La plupart des résultats sont
qualitativement comparables, mais quantitativement, il peut y avoir des différences en raison
de la sensibilité du modèle en raison de la grande dispersion dans les valeurs des paramètres
[45-47].
4.4.2- Évaluation de la production de méthane par l'équation de Gompertz
L'équation modifiée de Gompertz [58-61] peut être utilisée pour analyser le méthane produit
accumulé en particulier lorsqu'il existe une phase de retard dans un bioréacteur discontinu.
Cela peut être exprimé par:
e.Rb
B (t )  B. exp[  exp[ (  t )  1]]
B (10)
où
Bt - cumulatif de biogaz produit (ml) à un instant (t)
B - potentiel de production de biogaz (ml)
Rb - taux maximal de production de biogaz (ml / jour)
Λ - phase de retard (jours), qui est le temps minimum pris pour produire du biogaz ou le
temps pris pour que les bactéries s'acclimatement à l'environnement en jours.
T est le temps cumulé pour la production de biogaz (jours).
e est une constante mathématique (2.718282).
Nous essayons d'adapter la courbe obtenue par l'équation modifiée de Gompertz dans
l'expression (10) avec celle obtenue au moyen du modèle AM2 (Figure 24). Nous constatons
une différence au début de l'évolution du méthane accumulé en raison de l'expression de
Gompertz, il y a un décalage qui suppose qu'il n'y a pas de production de méthane avant cette
période. Dans la courbe AM2, il existe une production au début du fonctionnement en raison
des valeurs initiales.

40

35

30
Accumulated Methane (l)

25

20

15

10

0
0 10 20 30 40 50 60 70 80
time (days)

Figure 24 : méthane accumulé pourL=42; Rl=2.0; B0=39 and x2(0)=0.01

4.5. Conclusion
Un modèle mathématique correspondant aux processus biotechnologiques de la digestion
anaérobie biphasée a été implémenté sur la base du modèle AM2 pour simuler les opérations
d'un bioréacteur en mode discontinu. Les tests de simulation permettent de comprendre le
comportement qualitatif des bioréacteurs. Néanmoins, nous avons remarqué une forte
sensibilité du modèle par rapport aux paramètres utilisés. Pour des valeurs de paramètres
relativement faibles concernant le modèle de croissance bactérienne (Ks1; Ks2; Ki2), l'activité
de la bactérie est concentrée pendant les premiers jours de lancement des expériences de
bioréacteur. L'intégration du système ODE devient rigide et est donc insoluble même par la
fonction ode45.Il est alors nécessaire d'utiliser ode15s.
Pour estimer le méthane produit prévu, nous avons utilisé le modèle AM2. Nous avons
également examiné la production cumulée de méthane estimée au moyen d'une équation de
Gompertz modifiée qui s'applique aux digesteurs discontinus.
 Chapitre5
Modèles de Rayonnement et
Mesures Expérimentales
5.1-Introduction
Dans ce deuxième chapitre, nous présentons un système concernant l'énergie solaire dans le
but de comparer trois modèles avec nos mesures expérimentales et choisir le modèle le plus
adapter pour notre région la wilaya de Constantine.
L’estimation du rayonnement solaire au niveau du sol (reçu par un capteur solaire) est d'une
importance capitale pour le dimensionnement et l’optimisation des systèmes à énergie solaire.
De nombreux paramètres influencent la quantité d’énergie reçue par le capteur tels que la
longitude du lieu, la latitude, l’altitude, l’état de ciel, l’inclinaison du plan capteur;
température et l’humidité de l’environnement, la vitesse de vent, etc..).
Il concerne l’étude et l’estimation des différentes composantes du rayonnement solaire reçu
par un capteur photovoltaïque / photothermique. On présentera les trois modèles
mathématiques d’estimation du rayonnement solaire : modèle de Capderou, modèle de Liu et
Jordan et modèle de R. Sun.
On effectuera des mesures expérimentales du rayonnement solaire reçu par un capteur dans la
région de Constantine. On comparera ces résultats avec les trois modèles précités pour en
déduire le modèle le plus adapté à notre région.
Des modèles mathématiques ont été développés pour l’estimation du rayonnement reçu par un
capteur solaire au niveau du sol. Parmi ces modèles, on citera ceux de Capderou, de R. Sun
et de LIU et JORDAN [62], [63].
Bien entendu ; la validation expérimentale de ces modèles reste un problème compte-tenu des
nombreux paramètres qui interviennent. Ainsi, de nombreux travaux de recherche ont été
effectués pour valider les modèles théoriques à l’aide de mesures expérimentales comme :
[64], [63], [65]. A titre d’exemple, dans la référence [64] ; une étude comparative des résultats
expérimentaux avec les modèles de Capderou et de R.sun a été conduite pour les deux sites de
Ghardaïa et de Bouzaréah (Alger). Les auteurs ont conclu que le modèle de R.sun donne une
meilleure estimation du rayonnement solaire alors que Capderou peut conduire à des valeurs
erronées pour les deux sites Ghardaïa et Bouzaréah.
Les logiciels de dimensionnement des installations photovoltaïques et thermiques font appel;
dans la plupart des cas, à des bases de données intégrées pour calculer le rayonnement solaire,
basées essentiellement, sur le modèle de l’Atlas Solaire de l’Algérie de CAPDEROU [63].
Dans ce travail nous allons effectuer des mesures expérimentales de rayonnement solaire au
niveau du sol. Nous présenterons es trois modèles (Capderou, R.sun, Liu et Jordan), nous
comparons ces modèles aux résultats expérimentaux obtenus en vue de déterminer le modèle
le mieux adaptés pour notre région.
5.2-Travaux similaires
Selon la littérature de nombreux travaux sont fait dans ce domaine, en peux citer: « Cédric
bacour » [66], présente une approche alternative d'inter comparaison de modèles avec la
pratique de plans d'expériences numériques. Elle se base sur l'analyse de sensibilité de quatre
modèles (SAIL, KUUSK,IAPI et NADI, couplés à PROSPECT) .
-Un deuxième travail rédigé par« Armel Oumbe »[67], fais dans le contexte de développer
une méthode qui exploite un code de transfert radial et des estimateurs des paramètres
optiques ( Heliosat-4) qui puisse être exécuté de manière opérationnelle, et un autre intérêt
estimer ses performances absolues à l'aide de mesures au sol, puis de la comparer à d'autres
méthodes.
5.3- Les modèles d’estimations
Une modélisation du rayonnement solaire reçu par un capteur solaire selon LIU et
JORDAN, M.Capderou et R.sun sera présentée. Chacun de ces modèles utilise des équations
spécifiques pour la détermination du rayonnement en fonction des paramètres géométriques
(déclinaison solaire, angle horaire, hauteur du soleil, azimut et angle d’incidence) et des
paramètres atmosphériques (masse, épaisseur optique de l’atmosphère et facteur de trouble.
La Figure 25 illustre le rayonnement reçu par le capteur solaire. On remarque que le
rayonnement global reçu est la somme du rayonnement direct, diffus et réfléchi.

Direct Diffus

Réfléchi

Figure 25: Schéma du rayonnement global sur un plan quelconque.

5.3.1-Le modèle de LIU et JORDAN

Pour le modèle Liu et Jordan, le rayonnement solaire global D est divisé en trois parties : le
rayonnement direct Si et diffus diet réfléchi dn. Le rayonnement global est donné par
l’expression suivante :
= + + (1)
Ce qui peut s)exprimer par ;
( ) ( )
= + + ( + ) (2)

L’irradiation directe sur un plan incliné est exprimée par la relation suivante:
= (3)
Où, le facteur d’inclinaison Rb du rayonnement direct est:

( ) ( ) ( ) ( ) ( )
= ( ) ( ) ( ) ( ) ( )
(4)
Avec δ la déclinaison du soleil, ω l’angle horaire, L la hauteur du soleil et β l’inclinaison du
plan.
L’expression suivante représente l’irradiation diffuse sur plan incliné:
( )
= (5)

D’autre part, l’irradiation réfléchie sur plan incliné peut être exprimée par la relation suivante:
( )
= ( + ) (6)

5.3.2- Le modèle de Capderou

a-Rayonnement incident sur un plan horizontal
Dans l’Atlas Solaire de l’Algérie (A.S.A)[63],Capderou propose un modèle mathématique
pour calculer le rayonnement direct et diffus incident sur un plan horizontal. Il reste le modèle
le plus utilisé en Algérie. Selon ce modèle, le rayonnement global modélisé par Capderou est
la somme du rayonnement direct et diffus :
Le rayonnement direct est donné par l’expression suivante:

( , )= ( )∗ . (7)
. ∗ ( )
( . )

Pour calculer le rayonnement diffus, Capderou utilisa le facteur de trouble diffusif et donna,
en 1987, l’expression suivante fonction de la hauteur du soleil :
( , )= ∗ {− + . ∗ ( ( )) + − √ + }(8)
Avec :

a= 1.1
= ( )− . + . ∗[ − ( )] (9)
G0représentele rayonnement solaire extraterrestre; fonction de la constante solaire I0 et de la
correction de distance entre la terre et le soleil , est donnée par l’équation suivante:
= ∗ (10)
b- Rayonnement incident sur un plan quelconque
Capderou proposa un modèle pour calculer le rayonnement solaire incident sur un plan (α, γ),
le rayonnement global étant la somme des deux composantes directe et diffuse. Il utilisa
l’angle d’incidence donné précédemment pour calculer le rayonnement direct à l’aide de
l’équation suivante:
( , )= ( , )∗ ( ) (11)
Le rayonnement diffus est lui-même décomposé en deux parties: celle provenant du ciel et
celle provenant du sol:
( ) ( )
( , )= ∗ + ( + )∗ + ∗ ( )+ ∗ ( ) (12)
Les coefficients δj sont les modules des différentes composantes du diffus, associés aux
facteurs de forme. Ils donnent le rayonnement diffus reçu par le plan incliné considéré.
5.4- Le modèle de R.sun
5.4.1- Modélisation du rayonnement solaire incident sur un plan horizontal par ciel clair
Pour le modèle R.sun, le rayonnement global incident sur un plan horizontal IGh(γs, ) par
ciel clair; calculé en W/m2, est divisé en deux parties: le rayonnement direct IBh(γs,T ), et le
rayonnement diffus IDh(γs, ), chacun étant calculé séparément. Tel que modélisé par
Hofierka et al. (2002), le rayonnement direct incident sur un plan horizontal IBh(γs, ) par ciel
clair, est donné par:
( , )= ∗ (− . ∗ ∗ ∗ ) (13)
Ou: (mA est la masse atmosphérique)

= ( ) . ∗( . ) . (14)

Avec : = (− ⁄ .

Pour l’expression du rayonnement diffus, on utilisera la formule [3]

Posons =( ⁄ ) ∗ , l’expression du rayonnement diffus est donnée par:
( )est la fonction de la transmittance diffuse. Elle est fonction uniquement du facteur T
corrigé, et varie entre 0 et 0.3 (3). L’expression de ( )est réécrite de la manière suivante :

( )=− . ∗ + ( . ∗ ∗ )+ ( . ∗ ∗ ) (15)

( , )est la fonction diffuse angulaire, fonction de la hauteur du soleil γset du facteur de

trouble T corrigé. ( , )quiest donnée par l’expression suivante :
( , )= + ∗ ( ) (16)
Ai sont des coefficients dépendants uniquement du facteur de trouble de linke corrigé.
5.4.2- Rayonnement incident sur un plan quelconque
Pour un plan quelconque (α,γ), le rayonnement solaire incident IGh(γs, ) est estimé par la
détermination du rayonnement direct et diffus.
Le rayonnement direct étant simple à calculer, il est donné en fonction de l’angle d’incidence
par la formule suivante :
( , )= ( , )∗ ( ) (17)
Pour un plan dont l’incidence du flux solaire est reçue d’une manière directe (sans obstacle),
le rayonnement diffus incident sur le plan considéré est donné par les équations suivantes :
Si ≥ . ( . °)
 ( )
( , )= ( , )∗ ( )∗( − )∗ (18)
( )

Si ≥ . ( . °)
( )∗ ( )
( , )= ( , )∗ ( )∗( − )∗ (19)
. . ∗

θ est l’azimut du soleil pour une surface inclinée et F(β) est la fonction du rayonnement diffus
du ciel.
Avec :
sin = cos( ) ∗ cos( ) ∗ cos( − ) + sin( ) ∗ sin( )

5.5-Mesures et comparaison
La representation graphique des trois modeles obtenus par simulation est donnée par la
figure19.

M. Capderou
R.sun
Liu et Jordan

Figure 26: Profil simule des trois modèles du rayonnement reçu par un capteur solaire
Nous observons sur cette figure26que les trois modèles utilisés ont donné des valeurs
différentes pour la région de Constantine.
Afin de comparer les donnees experimentales aux modeles decrits, on presentera les mesures
du rayonnement solaire sur un plan incline dans la region de Constantine. Ces mesures ont été
effectuées pendant une durée de cinq heures (de 10h :00 jusqu’à 15h :00) pour la journée du
08-06-2011. Nous avons pris ces courbes par un pas d’une demi-heure.
Nous avons utilisé pour cette manipulation les dispositifs suivants :
Un Pyranomètre de type CM3.
Un Intégrateur de type SOLARAD.
Un PC sur lequel le logiciel intégrateur a été installé.
Les données expérimentales relatives aux composantes du rayonnement solaire pour la région
de constantine sont présentées sur la figure 27.

Figure27 : Le rayonnement solaire reçu par un capteur solaire

Pour cette journée de mesures (fin de printemps), le ciel n’était pas totalement dégagé.
L’ensoleillement maximum a atteint la valeur de 821 W/m2 à 12h :09 et une valeur minimale
de 290 W/m2 à 15 :05.
La comparaison des valeurs mesurées à celles estimées par les trois modèles paramétrés par
rapport à la région de Constantine, a permis de constater que le modèle M.CAPDEROU est
celui qui donne la meilleure estimation du rayonnement solaire comparativement aux autres
modèles. Pour cette raison, le modèle de Capderou peut être utilisé pour l’estimation du
rayonnement solaire dans la région de Constantine, en particulier, en printemps.
5.6.Conclusion
Dans ce travail, une modélisation du rayonnement solaire par les modèles : Capdderou, R.sun
et Liu et Jordan est présentée. Chacun des modèles a utilisé des équations propres pour
estimer le rayonnement solaire global en fonction des paramètres géométriques (déclinaison
solaire, angle horaire, hauteur du soleil, azimut et angle d’incidence) et des paramètres
atmosphériques (masse, épaisseur optique de l’atmosphère et facteur de trouble). La
simulation des représentations graphiques pour les composantes du rayonnement solaire par
ciel clair, incident sur un plan incliné ont été programmées avec MATLAB. Cette partie du
travail nous a permis de confronter des valeurs mesurées et celles estimées par les trois
modèles paramétrés. Nous avons constaté que le modèle Capderou donne une meilleure
estimation du rayonnement solaire au site de Constantine comparativement aux autres
modèles.
Conclusion
Générale
Conformément à l'état de l'art des techniques de modélisation des expériences numériques, il
existe une multitude d'outils et de techniques qui sont à la fois flexibles et puissants que l'on
peut adapter à la résolution des problèmes posés.
Dans cette thèse, nous avons utilisé et adapté certains de ces techniques pour résoudre
plusieurs problèmes scientifiques et technologiques auquel on a été confronté dans différents
domaines d'applications.
Des résultats intéressants ont été obtenus et ont été exploité pour les problèmes étudies.
a)- Dans le domaine de la reconnaissance vocale, nous avons exploité la technique de
modélisation de réseaux de neurones par apprentissage pour modéliser un système de
reconnaissance de mots prononcés utilisé pour commende des robots. Sachant que les
signaux d'entrées relatifs au mot prononcé sont un processus complexe et bruité, et que le
modèle à identifier pour la reconnaissance des mots est non linéaire et complexe; nous avons
opté pour une modélisation du système de reconnaissance des mots par la technique des
réseaux de neurones en tant que classificateur permettant de discriminer un mot d'un autre.
Le modèle développé est celui de réseaux de neurones multicouches. Il a été implémenté sous
le logiciel Matlab. Ce système a permis d'obtenir des performances comparables avec d'autres
techniques de classifications obtenues par d'autres méthodes.
De plus, nous avons testé expérimentalement le nombre minimal d'expériences nécessaire
pour assurer l'apprentissage d'un mot déterminé afin d'assurer une performance acceptable
pour le processus d'apprentissage. Nous avons constaté que ce nombre minimal dépend de la
structure du mot parlé lui-même, de l'équipement utilisé (microphone) et du le bruit de
l'environnement. Par ailleurs, nous avons approché le processus d'évolution de l'apprentissage
par une fonction bi-exponentielle.
b)- Dans le domaine de la modélisation dynamique et la simulation du mécanisme bielle-
manivelle; nous avons formulé mathématiquement le problème dans le cadre de la théorie des
systèmes multi-corps contraints en utilisant l'approche de Euler-Lagrange. Le problème
s'exprime sous la forme d'un ensemble d'équations algébriques différentielles (DAE). Nous
avons utilisé la méthode de réduction de l'indice pour les DAEs. Nous avons dérivé un modèle
dynamique basé sur deux variables offrant une analyse et une implémentation plus faciles.
Nous avons résolu avec succès le problème DAE avec la fonction Matlab (ode15s) qui est
dédié à la résolution des équations différentielles ordinaires (ODE) rigides.
Les résultats de la simulation concordante ont été obtenus par rapport à d'autres méthodes
telles que la méthode de partition des coordonnées de partition qui prouve la stabilité et la
précision de la méthode DAE utilisée. Le choix des variables pour un modèle dérivé
particulier peut influencer le choix de la méthode de résolution DAE et aussi la complexité et
le coût de calcul. Ces résultats obtenus ont également permis d'analyser le comportement du
mécanisme bielle-manivelle avec différents paramètres et de fournir des interprétations
physiques de son fonctionnement.
c)- Dans le cadre des études concernant les bioréacteurs anaérobies et l'estimation de la
quantité de méthane dégagée, un modèle mathématique correspondant aux processus
biotechnologiques de la digestion anaérobie biphasée a été implémenté sur la base du modèle
AM2. Il a été utilisé pour simuler les opérations du bioréacteur discontinu (de type batch). Le
modèle obtenu est un système d'équations différentielles couplés et non linéaires.
Il s'est avéré, pour les conditions initiales et les paramètres de notre système ODE, que son
intégration par la fonction (ode45) de Matlab n'est pas possible car le système devient rigide.
Il était alors nécessaire d'utiliser ode15s qui convient aux ODE rigides.
Les tests de simulation permettent de comprendre le comportement qualitatif des bioréacteurs
ainsi que l'influence des différents paramètres et conditions initiales. En particulier, nous
avons remarqué une forte sensibilité du modèle par rapport aux paramètres utilisés. Pour des
valeurs de paramètres (Ks1; Ks2; Ki2), relativement faibles concernant le modèle de
croissance bactérienne l'activité de la bactérie est concentrée pendant les premiers jours de
lancement des expériences de bioréacteur.
Pour estimer la quantité de méthane produit par le bioréacteur, nous avons utilisé la
simulation par le moyen du modèle AM2. Nous avons également examiné la production
cumulée de méthane estimée au moyen d'une équation de Gompertz modifiée qui s'applique
aux digesteurs discontinus. Les paramètres de l'équation de Gompertz ont été déterminés
expérimentalement en rapprochant au mieux les deux courbes: modèle AM2 et Gompertz.
d)-Dans le domaine des énergies renouvelables, nous avons cherché à sélectionner le modèle
théorique du rayonnement solaire le plus approprié pour notre région parmi les modèles :
CAPDEROU, R.SUN et LIU et JORDAN. Chacun des modèles utilise des équations
particulières pour estimer le rayonnement solaire global en fonction des paramètres
géométriques (déclinaison solaire, angle horaire, hauteur du soleil, azimut et angle
d’incidence) et des paramètres atmosphériques (masse, épaisseur optique de l’atmosphère et
facteur de trouble).
Des mesures expérimentales ont été obtenues à l'aide d'un pyranomètre dans la région de
Constantine. La représentation graphiques des trois modèles théoriques pour les conditions
ramenées à celle de la région de Constantine, ont été comparées entre-elles et avec les
résultats expérimentaux.
Nous avons constaté que le modèle de CAPDEROU donne une meilleure estimation du
rayonnement solaire au site de Constantine comparativement aux autres modèles.
En conclusion générale, nous avons constaté que les techniques de modélisation des
expériences numériques offrent réellement aujourd'hui aux sciences et à la technologie des
moyens économiques, puissants et des méthodes variées que l'on peut adapter efficacement
pour résoudre les problèmes posés. Certains de ces méthodes ont été adaptés à nos problèmes
et ont conduit à modéliser et à simuler des processus, et des systèmes à développer et à
analyser.
 Bibliographie

[1] Thèse : C. Bacour « Contribution à la détermination des paramètres biophysiques des couverts végétaux par
inversion de modèles de réflectance: analyses de sensibilité comparatives et configurations optimales, 3
décembre 2001
[2] livre J.goupy, 5éme édition, (2006).
[3] livre Zaatri .A, « asservissement et régulation industrielle » ; 1ére partie, 2004-2005
[4] (http://eduscol.education.fr/rnchimie/math/benichou/cours/part3/part3.htm)
[5] Tinsson. W, Plans d’expérience: constructions et analyses statistiques, Mathématiques et Applications 67, DOI
10.1007/978-3-642-11472-4 1, Springer-Verlag Berlin Heidelberg 2010
[6] thèse : Sandrine KARAM, « application de la methodologie des plans d’expériences et de l’analyse de donnée à
l’optimisation des processus de dépôt » ,2004
[7] Melakhssou. L, « Contrôle et identification des systémes non linéaires par les techniques neuronales » 2013.
[8] J.Villemonteix, « Optimisation de fonction couteuse modèles gaussiens pour une utilisation efficace du budget
d’évaluations : théorie et pratique industrielle, 2009
[9] https://fr.wikipedia.org/wiki/Neurone_formel.
[10] Haykin. S, “Neural Networksa Comprehensive Foundation", Second edition, Canada.
[11] Gray .R. M,"Vector Quantization", IEEE ASSP Magazine, pages:4-29, (April 1984).
[12] Linde .Y,Buzo.A, and R. M. Gray, "An Algorithm for Vector Quantification Design", IEEE Transactions on
Communications, pages: 702-710, January 1980.
[13] Freidman .J, T. Hastie et Tibshirani. R," the elements of Statistical Learning", (September 30, 2008).
[14] Bishop. C.M , Neural Networks for Pattern Recognition, Aston University, Birmingham, UK, (1995).
[15] Betkowska.A, Shinoda.K, Furui.S, Robust speechrecognition using factorial HMMs for home environments,
EURASIP Journal on Advances in Signal Processing, Article ID 20593, 1-10, 2007.
[16] Rafiee M. S., Khazaei. A. A, A novel model characteristics for noise-robust automatic speech recognition based
on HMM, Proc. IEEE Int. Conf. on Wireless Communications, Networking and Information Security (WCNIS),
215-218, 2010.
[17] Low. R, Togneri.R, Speech recognition using the probabilistic neural network, Proc. 5thInt. Conf. on Spoken
Language Processing, Australia, 1998.
[18] Thiang, Wijoyo.S, Speech recognition using linear predictive coding and artificial neural network for
controlling movement of mobile robot, International Conference on Information and Electronics Engineering
IPCSIT vol.6, pages: 179-183, 2011.
[19] Paul.D, Parekh. R, Automated speech recognition ofisolated words using neural networks, International Journal
of Engineering Science and Technology, (IJEST), 3(6), 2011, 4993-5000.
[20] Muda.L, Begam.M, I. Elamvazuthi, Voice recognition algorithms using Mel Frequency Cepstral
Coefficient(MFCC) and Dynamic Time Warping(DTW) techniques, Journal of Computing, 2(3), 2010,138-143.
[21] Thése : Mathieu. M, GOSSELIN.B, « Application de Réseaux de Neurones Artificiels à la Reconnaissance
automatique de caractères Manuscrits » , (1995-1996).
[22] Pinto. J. P, Thése: ”Multilayer Perceptron Based Hierarchical Acoustic Modeling for Automatic Speech
 Recognition”, These N°4649,Lausanne, EPFL (2010).
[23]Kohonen.T, “Self-Organizing Maps,” Springer-Verlag, 1995.
[24] Funahashi.K.I and Nakamura.Y, “Approximation of Dynamical Systems by Continuous Time Recurrent Neural
Networks,” Neural Networks, vol. 6, 1993.
[25] Lang.K. J, Waibel.A. H, “A Time-Delay Neural network Architecture for Isolated Word Recognition,” Neural
networks, vol. 3, 1990.
[26] Nikolai Shokhirev, ”Hidden Markov Models “, 2010.
[27] Nidhi. S, “SPEECH RECOGNITION USING NEURAL NETWORKS”, international Journal of engineering
science and innovative technology (IJESIT), May 2014, vol. 3, Issue: 3.
[28] Zegers.P ,"SPEECH RECOGNITION USING NEURAL NETWORKS" , Master's Thesis, The university of
Arizona, 1998
[29] Sandier, B.Z., "ROBOTICS-Designing the Mechanisms for Automated Machinery", Second Edition,
ACADEMIC PRESS, (1999).
[30] Bei, Y. and Fregly, B. J., “Multibody dynamic simulation of knee contact mechanics,” Medical Engineering
and Physics 26, pp. 777-789, (2004).
[31] Meriam, J. L. and Kraige, L. G., "Engineering Mechanics, Vol. 2, Dynamics", 3. edition John Wiley & Sons,
inc., (1993).
[32] Boudon, B., "Méthodologie de modélisation des systèmes mécatroniques complexes à partir du multi-bond
graph : application à la liaison BTP-fuselage d’un hélicoptère" , Doctoral thesis, École Nationale Supérieure
d'Arts et Métiers, Décembre (2014).
[33] Ascher, U. and Petzold, L., “Stability of computational methods for constrained dynamics systems,” SIAM J.
Sci. Comput., vol. 14, pp. 95-120, (1993).
[34] Pfeiffer, F,et al , "Numerical aspects of non-smooth multibody dynamics", Comput.Methods Appl. Mech. Eng.
195(50–51), 6891–6908 (2006).
[35] Benhammouda, B. and Vazquez-Leal, H. , “Analytical Solution of a Nonlinear Index-Three DAEs System
Modelling a Slider-Crank Mechanism,” Discrete Dynamics in Nature and Society, vol. 2015, Article ID 206473,
14 pages, (2015).
[36] Horváth Zs.,and Molnárka Gy., " The Dynamic Model of the Slider-crank Mechanism", Acta Technica
Jaurinensis Series Transitus, Vol. 6. No. 3. (2013).
[37] Haa, J.L et al, "Dynamic modeling and identification of a slider-crank mechanism", Journal of Sound and
Vibration 289 , 1019–1044, (2006)
[38] Zhou, W. et al ; "Symbolic Computation Sequences and Numerical Analytic Geometry Applied to Multibody
Dynamical Systems"; Symbolic-Numeric Computation; D. Wang and L. Zhi, Eds. Trends in Mathematics, , ,
Birkha¨user Verlag Basel/Switzerland, 335–347, (2007).
[39] Fox , B. et al, "Numerical Computation of Differential-Algebraic Equations for Nonlinear Dynamics of
Multibody Android Systems in Automobile Crash Simulation', IEEE TRANSACTIONS ON BIOMEDICAL
ENGINEERING, VOL. 46, NO. 10, October (1999)
[ 40] Shampine, L. F. ," Numerical Solution of Ordinary Differential Equations", Chapman & Hall, New York,
(1994).
[41] Gear C.W., " Numerical initial value problems in Ordinary Differential Equations". Prentice Hall,New Jersey,
1971.
[42] Shampine L. F. and. Reichelt M. W. "The MATLAB ODE Suite". SIAM J. Sci. Comput.,18(1):1–22, (1997).
[43] Celaya, E A., et al, "Implementation of an Adaptive BDF2 Formula and Comparison with the MATLAB
Ode15s"; CCS 2014. 14th International Conference on Computational Science; Procedia Computer Science;
Volume 29, Pages 1014–1026, (2014).
[44] Kurz.T. et al, "Systems with constraint equations in the symbolic multibody simulation software NEWEUL-
M2; Multibody Dynamics", 2011, ECCOMAS Thematic Conference, J.C. Samin, P. Fisette (eds.) Brussels,
Belgium, 4-7 July (2011).
[45]-Noykova N, Müller T, GyllenbergMand Timmer J. Quantitative Analysis of Anaerobic Waste Water Treatment
Processes: Identifiability and Parameter Estimation. Biotechnology and Bioengineering. Vol. 78.N°1, (2002).pp.
89 – 103.
[46] Zaher U, Pandey Pand Chen S.A simple elemental continuity based model application to study the anaerobic
microbial activity for the treatment of dairy manure. Appl. Math. Modelling.(2009). 33.
[47] Vavilin VA, LokshinaL Y and Rytov S V. The <Methane> Simulation Model as the First Generic User-Friend
Model of Anaerobic Digestion. Vestnik Moskov skogo Universiteta.Vol. 41.N°6, (2000).Pp.22 – 26.
[48] Simon, D. Optimal State Estimation. Wiley. (2006).
[49] Gerber M and Span R. An Analysis of Available Mathematical Models for Anaerobic Digestion of Organic
Substances for Production of Biogas. International Gas Union Research Conferences. IGRC.(2008).
[50] HillD. T and Barth. C. L. A, “ Dynamic Model for Simulation of Animal Waste Digestion”. Journal Water
Pollution Control Federation. Vol. 10 (1977). pp. 2129 - 2143.
[51] Lemon.G, R. King J, ByrneH M, Jensen O E, and Shakesheff K M. Mathematical modeling of engineered
tissue growth using a multiphase porous flow mixture theory. Journal of Mathematical Biology. Vol. 52,
N°5.(2006). pp. 571–594.
[52] Bryant M P.Microbial Methane Production-Theoretical Aspect. Journal of Animal Science. Vol. 48,
N°1(1979).pp. 193 – 201.
[53] Bernard O. and Gouzé J. L., Transient behavior of biological loop models with application to the Droop model.
Mathematical Biosciences, Vol. 127.N°1.(1995) .pp.19-43.
[54] Morau D, Dumas S, Adelard Land Gatina J C. Optimization of the Anaerobic Digestion of Solid Waste by
Addition of Leachate. www.iswa.org/fileadmin/galleries/.../Presentations/Morau.pdf.
[55] Escudié .R, Conte T, Steyer J P and Delgenès J P. Hydrodynamic and Biokinetic Models of an Anaerobic
Fixed-Bed Reactor. Process Biochemistry. Vol. 40, N°7. (2005). Pp. 2311 – 2323.
[56] Muller .T .G, Noykova N, GyllenergMand Timmer J. Parameter Identification in Dynamical Models of
Anaerobic Waste Water Treatment. Mathematical Biosciences. Vol. 177-178.(2002).pp. 147 - 160.
[57] Simeonov. I, Lubenova V and Queinec I. "Parameter and State Estimation of an Anaerobic Digestion of
Organic Wastes Model with Addition of Stimulating Substances". Bioautomation, Vol. 12.(2009).pp. 88 - 105.
[58] Zaatri .A., Kacem .C.N et Karaali .M, « Etude de bioréacteurs anaérobies expérimentaux pour la production de
méthane » . Revue des Energies Renouvelables. Vol. 14 N°2. (2011) .pp. 291 – 300.
[59] Budiyono.I.S and Siswo Sumardiono, "Biogas Production Kinetic from Vinasse Waste in Batch Mode
Anaerobic Digestion", World Applied Sciences Journal 26 (11): 1464-1472, 2013
[60] Yusuf1 M.O.L., Debora1 A., Ogheneruona D.E., " Ambient temperature kinetic assessment of biogas
production from co-digestion of horse and cow dung"; Res. Agr. Eng. Vol. 57, 2011, No. 3: 97–104
[61] Jagadish H. Patil, Malourdu Antony Raj, P. L. Muralidhara, S. M. Desai, and G. K. Mahadeva Raju, " Kinetics
of Anaerobic Digestion of Water Hyacinth Using Poultry Litter as Inoculum", International Journal of
Environmental Science and Development, Vol. 3, No. 2, April 2012
[62] Yves .J et Thierry .B (Solarte) - 25/05/2000, Site Internet "Architecture et énergies renouvelables" réalisé par
l'Agence Méditerranéenne de l'Environnement (AME) et l'Ordre des Architectes du Languedoc-Roussillon.
[63] Zaatri.A et Belhour .S, « Reconstitution de la caractéristique I – V et détermination de la puissance d’un
système photovoltaïque » Revue des Energies Renouvelables Vol. 12 N°4 (2009) 563 -574.
[64] Yettou .F et al « Etude comparative de deux modèles de calcul du rayonnement solaire par ciel clair en Algérie
». Revue des Energies Renouvelables Vol. 12 N°2 (2009) 331 – 346.
[65] Zhou .J, Wu .Y, Yan .G, ”General formula for estimation of monthlyaveragedaily global solar radiation in
China”, Energy Conversion and Management 46 (2005) 257–268.
[66] Rezoug R. et Zaatri A. « Optimisation du rendement d’un système photovoltaïque par poursuite du soleil »,
Revue des Energies Renouvelables Vol. 12 N°2 (2009) 299 – 306.
[67] Yaïche M.R et Bekkouche S.M.A « Estimation du rayonnement solaire global en Algérie pour différents types
de ciel », Revue des Energies Renouvelables Vol. 13 N°4 (2010) 683 – 695.
[68] Capderou.M, Atlas Solaire de l’Algérie, Modèles Théoriques et Expérimentaux, Vol. 1, T1, Office des
Publications Universitaires, EPAU, Algérie, 375 p., 1987.
[69] Labouret .A , ‘Energie Solaire Photovoltaïque’, Ed. Dunod, France, 302 p., 2003.
[70] Mefti .A, Bouroubi .M.Y et A. Khellaf « Analyse Critique du Modèle de l’Atlas [10] Solaire de l’Algérie »
Rev. Energ. Ren. Vol. 2 (1999) 69-85
[71] David .W « L’énergie solaire »,
http://www.inrp.fr/lamap/?Page_Id=16&Action=2&Element_Id=380&DmainScienceType_Id=7
Résumé
Afin d’étudier un phénomène quelconque et développer des systèmes technologiques, les
chercheurs ont recours à la réalisation de certaines expériences. Cependant, la diminution du
nombre d’expériences à réaliser en vue de déduire des conclusions reste fondamentale car elle
permet un gain de temps et de productivité; d'ou l'intérêt des plans d'expériences. Sir Roland
Fisher (1890-1962) proposa des configurations expérimentales basées sur des modèles
statistiques rigoureux. Ceci constitue le point de départ de la méthode théorique des plans
d’expérience.
Les techniques classiques des plans d'expériences comme les plans incomplets, les plans
équilibrés, l’ANOVA; ne peuvent rendre compte de la complexité de certains systèmes et
processus. Il était nécessaire de développer des techniques de modélisation. D'autre part, la
disponibilité des calculateurs a rendu possible des modèles et des techniques de simulation
numériques permettant de prendre en charge des systèmes très complexes contenant un grand
nombre de paramètres. La théorie des plans d’expérience numérique répond parfaitement à
ces besoins avec des méthodes ou techniques moderne comme la méthode des moindres
carrés, les réseaux de neurones, le datamining, krigeage, Analyse de sensibilité, la recherche
opérationnelle, etc.
Dans cette thèse, notre travail concerne l'adaptation et l'utilisation de certaines techniques de
modélisations aux problèmes posés suivants:
1 - Nous avons effectué la conception et l’implémentation d’un système de reconnaissance
des mots prononcés pour contrôler des systèmes robotiques. Le système de reconnaissance est
basé sur un réseau de neurones de type Perceptron multicouches Neural Nets (MLP-NN). On
a également étudié expérimentalement le nombre minimal de tests nécessaires pour réduire le
temps d’apprentissage en assurant un taux de succès comparable à d'autres travaux.
2 - Dans le domaine de la modélisation dynamique et la simulation du mécanisme bielle-
manivelle; nous avons formulé mathématiquement le problème dans le cadre de la théorie des
systèmes multi-corps contraints en utilisant l'approche de Euler-Lagrange. Le problème
s'exprime sous la forme d'un ensemble d'équations algébriques différentielles (DAE). Nous
avons utilisé la méthode de réduction de l'indice pour les DAEs. Nous avons dérivé un modèle
dynamique basé sur deux variables offrant une analyse et une implémentation plus faciles.
Nous avons résolu avec succès le problème DAE avec la fonction Matlab (ode15s) qui est
dédié à la résolution des équations différentielles ordinaires (ODE) rigides. Les résultats de
simulation obtenus ont permis d'analyser le comportement du mécanisme bielle-manivelle
avec différents paramètres et de fournir des interprétations physiques de son fonctionnement.
3 - Dans le cadre des études concernant les bioréacteurs anaérobies et l'estimation de la
quantité de méthane dégagée, un modèle mathématique correspondant aux processus
biotechnologiques de la digestion anaérobie biphasée a été implémenté sur la base du modèle
AM2. Il a été utilisé pour simuler les opérations du bioréacteur discontinu (de type batch). Le
modèle obtenu est un système d'équations différentielles couplés et non linéaires.
Il s'est avéré, pour les conditions initiales et les paramètres de notre système ODE, que son
intégration par la fonction (ode45) de Matlab n'est pas possible car le système devient rigide.
Il était alors nécessaire d'utiliser ode15s qui convient aux ODE rigides. Pour estimer la
quantité de méthane produit par le bioréacteur, nous avons utilisé la simulation par le moyen
du modèle AM2. Nous avons également examiné la production cumulée de méthane estimée
au moyen d'une équation de Gompertz modifiée qui s'applique aux digesteurs discontinus.
4 - Dans le domaine des énergies renouvelables, nous avons cherché à sélectionner le modèle
théorique du rayonnement solaire le plus approprié pour notre région parmi les modèles :
CAPDEROU, R.SUN et LIU et JORDAN. Chacun des modèles utilise des équations
particulières pour estimer le rayonnement solaire global en fonction des paramètres
géométriques et des paramètres atmosphériques. Des mesures expérimentales ont été
obtenues à l'aide d'un pyranomètre dans la région de Constantine. Nous avons constaté que le
modèle de CAPDEROU donne une meilleure estimation du rayonnement solaire au site de
Constantine comparativement aux autres modèles.
En conclusion générale, nous avons constaté que les techniques de modélisation des
expériences numériques offrent réellement aux sciences et à la technologie des moyens
économiques, puissants et des méthodes variées que l'on peut adapter efficacement pour
résoudre les problèmes posés. Certains de ces méthodes ont été adaptés à nos problèmes et ont
conduit à modéliser et à simuler avec succès des processus a analyser et des systèmes à
développer.
Abstract:
In order to study any phenomenon and develop technological systems, researchers use certain
experiments. However, the reduction in the number of experiments to be carried out with a
view to inferring conclusions remains fundamental because it allows a saving of time and
productivity; Hence the value of design of experiments. Sir Roland Fisher (1890-1962)
proposed experimental configurations based on rigorous statistical models. This is the starting
point of the theoretical method of the design experiments.
The classic techniques of experimental plans such as incomplete plans, balanced plans,
ANOVA; cannot account for the complexity of certain systems and processes. It was
necessary to develop modeling techniques. On the other hand, the availability of computers
made possible models and numerical simulation techniques to analyze very complex systems
containing a large number of parameters. The theory of numeric experimental plans responds
perfectly to these needs with modern methods or techniques such as the least squares method,
neural networks, data*mining, kriging, sensitivity analysis, operational research, etc.
In this thesis, our work concerns the adaptation and use of certain modeling techniques to the
following problems:
1 - We have designed and implemented a recognition system of spoken words to control
robotic systems. The recognition system is based on Neural Nets (MLP-NN) multi-layer
Perceptron. The minimum number of tests required to reduce learning time has also been
studied experimentally, ensuring a success rate comparable to other studies.
2 - In the field of dynamic modeling and simulation of the slider-crank mechanism; We have
mathematically formulated the problem within the framework of the theory of multi-body
systems constrained using the Euler-Lagrange approach. The problem is expressed in the form
of a set of differential algebraic equations (DAE). We used the index reduction method for
AEDs. We have derived a dynamic model based on two variables for easier analysis and
implementation. We have successfully solved the DAE problem with the Matlab function
(ode15s) which is dedicated to the resolution of rigid ordinary differential equations (ODEs).
The simulation results obtained allowed to analyze the behavior of the crank-crank
mechanism with different parameters and to provide physical interpretations of its
functioning.
3 - In the framework of the studies on anaerobic bioreactors and the estimation of the quantity
of methane released, a mathematical model corresponding to the biotechnological processes
of the biphasic anaerobic digestion was implemented on the basis of model AM2. It was used
to simulate the operations of the batch bioreactor. The model obtained is a system of coupled
and nonlinear differential equations. It has been found, for the initial conditions and
parameters of our ODE system, that its integration by the function (ode45) of Matlab is not
always possible because the system becomes rigid. It was then necessary to use ode15s which
is suitable for rigid ODEs. To estimate the amount of methane produced by the bioreactor, we
used simulation using the AM2 model. We also examined the cumulative estimated methane
production using a modified Gompertz equation for discontinuous digesters.
4 - In the field of renewable energies, we sought to select the theoretical model of the solar
radiation most appropriate for our region among the models: CAPDEROU, R.SUN and LIU
and JORDAN. Each of the models uses special equations to estimate global solar radiation as
a function of geometric parameters and atmospheric parameters. Experimental measurements
were obtained using a pyranometer in the Constantine region. We found that the CAPDEROU
model gives a better estimate of the solar radiation at the Constantine site compared to the
other models.
As a general conclusion, we have found that numerical experiments modeling techniques
actually provide science and technology with economical, powerful and flexible methods that
can be effectively adapted to solve problems. Some of these methods have been adapted to
our problems and have led to the successful modeling and simulation of analytical processes
and systems to be developed.
 ‫ﻣﻠﺨﺺ‬
‫ﻟﺪراﺳﺔ ظﺎھﺮة ﻣﺎ و ﺗﻄﻮﯾﺮ اﻟﻨﻈﻢ اﻟﺘﻜﻨﻮﻟﻮﺟﯿﺔ ‪ ,‬ﯾﺮﺟﻊ اﻟﺒﺎﺣﺜﻮن إﻟﻰ ﺗﺤﻘﯿﻖ ﺑﻌﺾ اﻟﺘﺠﺎرب‪ ,‬ﻏﯿﺮ أن اﻟﺘﻘﻠﯿﻞ ﻣﻦ ﻋﺪد اﻟﺘﺠﺎرب‬
‫اﻟﺘﻲ ﯾﺮاد ﺗﺤﻘﯿﻘﮭﺎ ﻣﻦ أﺟﻞ اﺳﺘﺨﻼص اﻟﻨﺘﺎﺋﺞ ﯾﺒﻘﻰ أﺳﺎﺳﯿﺎ ﻷﻧﮫ ﯾﺴﻤﺢ ﺑﺮﺑﺢ اﻟﻮﻗﺖ و اﻹﻧﺘﺎﺟﯿﺔ‪ ,‬و ﻣﻨﮫ أھﻤﯿﺔ ﺗﺼﻤﯿﻤﺎت‬
‫اﻟﺘﺠﺎرب‪.‬‬
‫ﺳﯿﺮ ‪ (1890-1962) R.F‬اﻗﺘﺮح ﺗﺸﻜﯿﻼت ﺗﺠﺮﯾﺒﯿﺔ ﺗﺮﺗﻜﺰ ﻋﻠﻰ ﻧﻤﺎذج اﺣﺼﺎﺋﯿﺔ ﻣﺤﻜﻤﺔ‪ .‬و ھﺬا ﯾﺸﻜﻞ ﻧﻘﻄﺔ اﻧﻄﻼق اﻟﻄﺮﯾﻘﺔ‬
‫اﻟﻨﻈﺮﯾﺔ ﻟﺘﺼﻤﯿﻤﺎت اﻟﺘﺠﺎرب‪.‬‬
‫اﻟﺗﻘﻧﯾﺎت اﻟﺗﻘﻠﯾدﯾﺔ ﻟﺗﺻﻣﯾﻣﺎت اﻟﺗﺟﺎرب ﻛﺎﻟﺗﺻﻣﯾﻣﺎت ﻏﯾر اﻟﻣﻛﺗﻣﻠﺔ ‪ ,‬اﻟﺗﺻﻣﯾﻣﺎت اﻟﻣﺗوازﻧﺔ‪ ,‬ﺗﺣﻠﯾل اﻟﺗﺑﺎﯾن‪ ,‬ﻻ ﯾﻣﻛﻧﮭﺎ اﻻﺿطﻼع‬ ‫‪-‬‬
‫ﺑﺗﻌﻘﯾد ﺑﻌض اﻷﻧظﻣﺔ و اﻟﻌﻣﻠﯾﺎت‪.‬‬

‫ﻛﺎن ﻣﻦ اﻟﻼزم ﺗﻄﻮﯾﺮ ﺗﻘﻨﯿﺎت اﻟﻨﻤﺬﺟﺔ‪.‬‬

‫ﻣﻦ ﺟﮭﺔ أﺧﺮى‪ ,‬ﺗﻮﻓﺮ اﻟﺤﻮاﺳﯿﺐ ﻣﻜﻦ اﻟﻨﻤﺎذج و اﻟﺘﻘﻨﯿﺎت ﻣﺤﺎﻛﺎة ﻋﺪدﯾﺔ )رﻗﻤﯿﺔ( ﺳﮭﻠﺖ ﻣﻦ اﻟﺘﻜﻔﻞ ﺑﺄﻧﻈﻤﺔ ﻣﻌﻘﺪة ﺟﺪا ﺗﺤﺘﻮي‬
‫ﻋﻠﻰ ﻋﺪد ﻛﺒﯿﺮ ﻣﻦ اﻟﻮﺳﯿﻄﺎت‪.‬‬
‫ان ﻧﻈﺮﯾﺔ ﺗﺼﻤﯿﻤﺎت اﻟﺘﺠﺮﺑﺔ اﻟﺮﻗﻤﯿﺔ ﺗﺠﯿﺐ ﺗﻤﺎﻣﺎ ﻋﻦ ھﺬه اﻟﻤﺘﻄﻠﺒﺎت و ذﻟﻚ ﺑﺎﺳﺘﻌﻤﺎل طﺮق أو ﺗﻘﻨﯿﺎت ﺣﺪﯾﺜﺔ ﻛﻄﺮﯾﻘﺔ‬
‫اﻟﻤﺮﺑﻌﺎت اﻟﺼﻐﺮى‪ ,‬اﻟﺸﺒﻜﺎت اﻟﻌﺼﺒﯿﺔ‪ ,‬ﻣﻨﺎھﺞ اﻟﻤﻌﻄﯿﺎت‪ ,‬ﻛﺮﯾﺠﯿﻨﻎ‪ ,‬ﺗﺤﻠﯿﻞ اﻟﺤﺴﺎﺳﯿﺔ و اﻟﺒﺤﺚ اﻟﻌﻤﻠﯿﺎﺗﻲ‪....‬إﻟﺦ‪.‬‬
‫ﻓﻲ ھﺬه اﻷطﺮوﺣﺔ‪ ,‬ﻋﻤﻠﻨﺎ ﯾﺘﻌﻠﻖ ﺑﺘﻜﯿﯿﻒ و اﺳﺘﻌﻤﺎل ﺑﻌﺾ ﺗﻘﻨﯿﺎت اﻟﻨﻤﺬﺟﺔ ﺑﺨﺼﻮص اﻟﻤﺸﺎﻛﻞ اﻟﻤﻄﺮوﺣﺔ اﻟﺘﺎﻟﯿﺔ ‪:‬‬
‫‪ -1‬ﻟﻘﺪ أﻧﺠﺰﻧﺎ ﻣﻔﮭﻮم و ﺗﻄﺒﯿﻖ ﻣﻨﻈﻮﻣﺔ اﻟﺘﻌﺮف ﻋﻠﻰ اﻻﻟﻜﻠﻤﺎت اﻟﻤﻠﻔﻮظﺔ ﻟﻠﺘﺤﻜﻢ ﻓﻲ أﻧﻈﻤﺔ اﻟﺮﺑﻮھﺎت‪.‬‬
‫إن ﻣﻨﻈﻮﻣﺔ اﻟﺘﻌﺮف ﺗﺴﺘﻨﺪ ﻋﻠﻰ ﺷﺒﻜﺔ اﻟﻌﺼﺒﻮﻧﺎت )‪ (MLP-NN‬ﻛﺬﻟﻚ ﺗﻄﺮﻗﻨﺎ إﻟﻰ دراﺳﺔ ﺗﺠﺮﯾﺒﯿﺔ ﻷدﻧﻰ ﻋﺪد ﻣﻦ اﻹﺧﺘﺒﺎت‬
‫و اﻟﺘﺠﺎرب اﻟﻼزﻣﺔ ﻟﺘﻘﻠﯿﺺ ﻣﺪة اﻟﺘﺪرﯾﺐ‪ .‬و ذﻟﻚ ﻟﻀﻤﺎن ﻧﺴﺒﺔ ﻧﺠﺎح ﻣﻘﺎرﺑﺔ و ﻣﻤﺎﺛﻠﺔ ﻷﻋﻤﺎل أﺧﺮى‪.‬‬
‫‪-2‬ﻓﻲ ﺣﻘﻞ )ﻣﯿﺪان( اﻟﻨﻤﺬﺟﺔ اﻟﺪﯾﻨﺎﻣﯿﻜﯿﺔ و ﻣﺤﺎﻛﺎة ﻣﯿﻜﺎﻧﯿﺰم ﺑﯿﺎل‪-‬ﻣﻨﯿﻔﺎل‪ ,‬ﻋﺒﺮﻧﺎ رﯾﺎﺿﯿﺎ ﻋﻦ اﻟﻤﺸﻜﻠﺔ ﻓﻲ إطﺎر اﻷﻧﻈﻤﺔ‬
‫)اﻟﻤﺘﻌﺪدة‪ -‬اﻻﺟﺴﺎم( اﻟﻤﻘﯿﺪة‪ ,‬ﺑﺎﺳﺘﻌﻤﺎل أوﻟﺮ‪-‬ﻻﻏﺮاﻧﺞ‪.‬‬
‫ﯾﻤﻜﻦ اﻟﺘﻌﺒﯿﺮ ﻋﻦ اﻟﻤﺴﺄﻟﺔ‪ ,‬ﻋﻠﻰ ﺷﻜﻞ ﻣﺠﻤﻮﻋﺔ ﻣﻌﺪﻻت ﺗﻔﺎﺿﻠﯿﺔ ﺟﺒﺮﯾﺔ )‪ .(DAE‬ﻟﻘﺪ اﺳﺘﺨﺪﻣﻨﺎ طﺮﯾﻘﺔ ﺗﺨﻔﯿﺾ اﻟﻤﺆﺷﺮل‬
‫)‪ .(DAE‬ﻟﻘﺪ اﺷﺘﻘﯿﻨﺎ ﻧﻤﻮذج دﯾﻨﺎﻣﯿﻜﻲ‪ ,‬ﯾﺴﺘﻨﺪ إﻟﻰ ﻣﺘﺤﻮﻟﯿﻦ ‪ ,‬ﯾﻤﻜﻦ ﻣﻦ ﺗﺴﮭﯿﻞ اﻟﺘﺤﻠﯿﻞ و اﻟﺘﻄﺒﯿﻖ‪.‬‬
‫ﻟﻘﺪ ﺗﻤﻜﻨﺎ ﺑﻨﺠﺎح ﻣﻦ ﺣﻞ ﻣﺸﻜﻠﺔ ‪ DAE‬ﺑﻮاﺳﻄﺔ داﻟﺔ ﻣﺎطﻼب )‪ (ode15s) (logiciel Matlab‬اﻟﺘﻲ ﺗﻜﺮس ﺣﻞ‬
‫اﻟﻤﻌﺎدﻻت اﻟﺘﻔﺎﺿﻠﯿﺔ اﻟﻌﺎدﯾﺔ )‪ (ODE‬اﻟﺠﺎﻣﺪة‪.‬‬
‫إن ﻧﺘﺎﺋﺞ اﻟﻤﺤﺎﻛﺎة اﻟﻤﺘﺤﺼﻞ ﻋﻠﯿﮭﺎ ﻣﻜﻨﺖ ﻣﻦ ﺗﺤﻠﯿﻞ ﺗﺼﺮف )‪ (bielle-manivelle‬ﺑﺎﺧﺘﻼف وﺳﻄﺎء وإﻋﻄﺎء ﺗﻔﺴﯿﺮات‬
‫ﻓﯿﺰﯾﺎﺋﯿﺔ ﻟﺘﺸﻐﯿﻠﮫ‪.‬‬
‫‪-3‬ﻓﻲ إطﺎر دراﺳﺎت اﻟﻤﻔﺎﻋﻼت اﻟﺤﯿﻮﯾﺔ اﻟﻼھﻮاﺋﯿﺔ و ﺗﻘﺪﯾﺮ ﻛﻤﯿﺔ ﻏﺎز اﻟﻤﯿﺜﺎن اﻟﻤﻨﺒﻌﺜﺔ‪ .‬و ﻋﻠﯿﮫ ﻓﺎن ﻧﻤﻮذج رﯾﺎﺿﻲ ﻣﺘﻌﻠﻖ‬
‫ﺑﺴﯿﺎﻗﺎت ﺑﯿﻮﺗﻜﻨﻮﻟﻮﺟﯿﺔ ﻟﻠﮭﻀﻢ اﻟﻼھﻮاﺋﻲ ﺛﻨﺎﺋﻲ اﻟﻤﺮاﺣﻞ‪ ,‬طﺒﻖ ﻋﻠﻰ أﺳﺎس اﻟﻨﻤﻮذج ‪ .AM2‬ﻟﻘﺪ اﺳﺘﻌﻤﻞ ﻟﻤﺤﺎﻛﺎة ﻋﻤﻠﯿﺎت‬
‫ﻣﻔﺎﻋﻞ ﺣﯿﻮي ﻣﺘﻘﻄﻊ‪) .‬ﻏﯿﺮ ﻣﺴﺘﻤﺮ( )دﻓﻌﺔ دﻓﻌﺔ(‪.‬‬
‫اﻟﻨﻤﻮذج اﻟﻤﺤﺼﻮل ﻋﻠﯿﮫ ﻋﺒﺎرة ﻋﻦ ﺟﻤﻠﺔ ﻣﻌﺎدﻻت ﺗﻔﺎﺿﻠﯿﺔ ﻣﺮﺗﺒﻄﺔ و ﻏﯿﺮ ﺧﻄﯿﺔ‪.‬‬
‫‪-‬ﻟﻘﺪ ﺗﺒﯿﻦ أﻧﮫ ﻣﻦ أﺟﻞ ﺷﺮوط إﺑﺘﺪاﺋﯿﺔ و وﺳﻄﺎء ﻣﻨﻈﻮﻣﺘﻨﺎ )‪ ,(ODE‬ﯾﻜﻮن ﺗﻘﺎﺑﻠﮫ ﺑﻮاﺳﻄﺔ )‪ (ode45‬ل ‪ matlab‬ﻏﯿﺮ ﻣﻤﻜﻦ‬
‫ﻷن اﻟﻤﻨﻈﻮﻣﺔ ﺗﺼﺒﺢ ﺟﺎﻣﺪة‪ ,‬ﻟﺬﻟﻚ ﻛﺎن ﻟﺰاﻣﺎ اﺳﺘﻌﻤﺎل )‪ (ode15s‬اﻟﺬي ﯾﻨﺎﺳﺐ اﻟﻤﻨﻈﻮﻣﺎت )‪ (ODE‬اﻟﺠﺎﻣﺪة‪.‬‬
‫و ﻟﺘﻘﯿﺮ ﻛﻤﯿﺔ اﻟﻤﯿﺜﺎن اﻟﻤﺴﺘﺨﺮﺟﺔ ﻣﻦ اﻟﺒﯿﻮرﯾﺎﻛﺘﻮر اﺳﺘﻌﻤﻠﻨﺎ اﻟﻨﻤﻮذج ‪.AM2‬‬
‫ﻟﻘﺪ ﺗﻄﺮﻗﻨﺎ أﯾﻀﺎ ﻟﻺﻧﺘﺎج اﻟﻤﺘﺮاﻛﻢ ﻟﻠﻤﯿﺜﺎن اﻟﻤﺘﻮﻗﻊ ﺑﻮاﺳﻄﺔ داﻟﺔ ‪ Gompertz‬ﻣﺤﻮرة ﻟﺘﻲ ﺗﻄﺒﻖ ﻋﻠﻰ اﻟﮭﻮاﺿﻢ ﻏﯿﺮ اﻟﻤﺴﺘﻤﺮة‪.‬‬
‫‪ -4‬ﻓﻲ ﻣﯿﺪان ﻟﻄﺎﻗﺎت اﻟﻤﺘﺠﺪدة‪ ,‬ﺑﺤﺜﻨﺎ ﻓﻲ اﺧﺘﯿﺎر اﻟﻨﻤﻮذج اﻟﻨﻈﺮي ﻟﻺﺷﻌﺎع اﻟﺸﻤﺴﻲ اﻷﻛﺜﺮ ﺗﻮاﻓﻘﺎ ﻣﻊ ﻣﻨﻄﻘﻨﺎ ﻣﻦ ﺑﯿﻦ اﻟﻨﻤﺎذج‬
‫اﻟﺜﻼث ‪.CAPDEROU, R.SUN and LIU and JORDAN‬‬
 ‫ﻛﻞ واﺣﺪ ﻣﻦ ھﺬه اﻟﻨﻤﺎذج ﯾﺴﺘﻌﻤﻞ ﻣﻌﺎدﻻت ﺧﺎﺻﺔ ﻟﺘﻘﺪﯾﺮ اﻹﺷﻌﺎع اﻟﺸﻤﺴﻲ اﻟﻜﺎﻣﻞ ﺑﺪﻻﻟﺔ وﺳﻄﺎء ھﻨﺪﺳﯿﺔ و أﺧﺮى ﻣﻨﺎﺧﯿﺔ‪.‬‬
‫ﻗﯿﺎﺳﺎت ﺗﺠﺮﯾﺒﯿﺔ ﺣﺼﻞ ﻋﻠﯿﮭﺎ ﺑﻮاﺳﻄﺔ ﺟﮭﺎز ‪ pyranomètre‬ﺑﻤﻨﻄﻘﺔ ﻗﺴﻨﻄﯿﻨﺔ‪.‬‬
‫ﻟﻘﺪ ﺗﺤﻘﻘﻨﺎ ﺑﻌﺪھﺎ‪ ,‬ﻣﻦ أن ﻟﻨﻤﻮذج ‪ CAPDEROU‬أﻋﻄﻰ أﻓﻀﻞ ﺗﻘﺪﯾﺮ ﻟﻺﺷﻌﺎع اﻟﺸﻤﺴﻲ ﺑﺎﻟﻤﻨﻄﻘﺔ ﻣﻘﺎرﻧﺔ ﺑﺎﻟﻨﻤﺎذج اﻷﺧﺮى‪.‬‬
‫‪-‬و ﻓﻲ اﻟﺨﺘﺎم‪ ,‬ﻟﻘﺪ ﺗﺤﻘﻘﻨﺎ ﺑﺄن ﺗﻘﻨﯿﺎت اﻟﻨﻤﺬﺟﺔ ﻟﺘﺼﺎﻣﯿﻢ اﻟﺘﺠﺎرب اﻟﻌﺪدﯾﺔ ﺗﻘﺪم ﺣﻘﯿﻘﺔ ﻟﻠﻌﻠﻮم و اﻟﺘﻜﻨﻮﻟﻮﺟﯿﺎ إﻣﻜﺎﻧﯿﺎت إﻗﺘﺼﺎدﯾﺔ ’‬
‫ﻗﻮة و طﺮق ﻣﺘﻨﻮﻋﺔ ﯾﻤﻜﻨﻨﺎ ﺗﻜﯿﯿﻔﮭﺎ ﺑﻔﻌﺎﻟﯿﺔ ﻟﺤﻞ اﻟﻤﺴﺎﺋﻞ اﻟﻤﻄﺮوﺣﺔ‪.‬‬
‫إن ﺑﻌﺾ ھﺬه اﻟﻄﺮق‪ ,‬اﺳﺘﻌﻤﻠﺖ ﻟﺤﻞ ﻣﺴﺎﺋﻠﻨﺎ و أدت إﻟﻰ ﻧﻤﺬﺟﺔ و ﻣﺤﺎﻛﺎة و ﺑﻜﻞ ﻧﺠﺎح ﻟﺘﺤﻠﯿﻞ اﻟﺴﯿﺎﻗﺎت و ﺗﻄﻮﯾﺮ اﻷﻧﻈﻤﺔ‪.‬‬