DEBICH
Transféré par
nada yamoulDEBICH
Transféré par
nada yamoulModélisation, simulation et fiabilité des matériaux à
changement de phase pour l’automobile et
l’aéronautique
Bessem Debich
To cite this version:
Bessem Debich. Modélisation, simulation et fiabilité des matériaux à changement de phase pour
l’automobile et l’aéronautique. Génie mécanique [[Link]-ph]. Normandie Université, 2021.
Français. �NNT : 2021NORMIR12�. �tel-03572379�
HAL Id: tel-03572379
[Link]
Submitted on 14 Feb 2022
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est
archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THESE
Pour obtenir le diplôme de doctorat
Spécialité : MECANIQUE
Préparée au sein de
Institut National des Sciences Appliquées de Rouen
Et
Ecole Nationale d’Ingénieurs de Sfax
Modélisation, simulation et fiabilité des matériaux à changement de
phase pour l'automobile et l'aéronautique
Présentée et soutenue par
Bessem DEBICH
Thèse soutenue publiquement le 02/07/2021
devant le jury composé de
M. Saouab ABDELGHANI Professeur des universités, Université du Havre Président
M. Charfeddine MRAD Professeur des Universités, ENI de Tunis Rapporteur
M. Mohamed Najib ICHCHOU Professeur des Universités, Ecole Centrale de Lyon Rapporteur
Mme. Molka HILI ATTIA Professeur des Universités, ENSIT Examinatrice
M. Abdelkhalak EL HAMI Professeur des Universités, INSA Rouen Directeur de thèse
M. Lassaad WALHA Professeur des Universités, ENIS Directeur de thèse
M. Mohamed HADDAR Professeur des Universités, ENIS Co-encadrant
Thèse dirigée par M. Abdelkhalak EL HAMI (LMN) et M. Lassaad WALHA (LA2MP)
Remerciement
Le présent travail, qui s'inscrit dans le cadre d'une convention en cotutelle internatio-
nale de thèse, a été mené aux sein du Laboratoire de Mécanique de Normandie (LMN) de
l'INSA de Rouen Normandie et du Laboratoire de Mécanique, Modélisation et Production
(LA2MP) de l'École Nationale d'Ingénieurs de Sfax.
Je souhaite remercier en premier lieu mon directeur de thèse, M. Abdelkhalak EL
HAMI, Professeur des Universités à l'INSA de Rouen pour m'avoir accueilli au sein de son
équipe. Je lui suis également reconnaissant pour le temps conséquent qu'il m'a accordé, ses
qualités pédagogiques et scienti ques, sa franchise et sa sympathie. J'ai beaucoup appris
à ses côtés et je lui adresse ma gratitude pour tout cela.
J'adresse de chaleureux remerciements à mon co-directeur de thèse, M. Lassaad
WALHA, Professeur des Universités à l'École Nationale d'Ingénieurs de Sfax, pour son
attention de tout instant sur mes travaux, pour ses conseils avisés et son écoute qui ont
été prépondérants pour la bonne réussite de cette thèse.
J'exprime ma parfaite reconnaissance à mon co-encadrant de thèse, M. Mohamed
HADDAR, pour m'avoir fait con ance en me proposant ce sujet passionnant et pour
m'avoir suivi tout au long de cette étude. Son énergie et sa con ance ont été des éléments
moteurs pour moi. J'ai pris un grand plaisir à travailler avec lui.
À M. Charfeddine MRAD et M. Mohamed Najib ICHCHOU qui ont bien
voulu se prêter à la tâche de rapporteur, je veux leur exprimer toute ma reconnaissance. Je
remercie également Mme. Molka HILI ATTIA d'avoir accepté d'examiner ce mémoire.
En n, je remercie M. Saouab ABDELGHANI pour avoir bien voulu présider ma
soutenance de thèse.
J'exprime ma profonde gratitude à M. Ahmed YAICH enseignant chercheur à
l'INSA de Toulouse pour sa con ance qu'il m'a accordé, la patience et le partage de
ses compétences scienti ques.
Je dédie cet événement marquant de ma vie à la mémoire de mon père disparu trop
tôt. J'espère que, du monde qui est sien maintenant, il apprécie cet humble geste comme
preuve de reconnaissance de la part d'un ls qui a toujours prié pour le salut de son âme.
Bessem DEBICH i
Et j'en viens à ma famille, à ma mère, à mon adorable mère, à celle qui est toujours
présente et continue de l'être pour faire mon bonheur. Merci pour t'être sacri ée pour que
tes enfants grandissent et prospèrent. Merci de trimer sans relâche, malgré les péripéties
de l'âge, de la santé, de la vie, au bien-être de tes enfants. En n ! Merci tout simplement
d'être . . .ma mère.
En n, j'exprime ma profonde reconnaissance à mes frères et s÷urs pour leurs con ances
et pour avoir su m'épauler et surtout me supporter durant toutes mes années d'études. Je
remercie également tous mes amis pour leur soutien indéfectible et leur encouragement.
Bessem DEBICH ii
Résumé
L'augmentation de la densité de puissance des composants électroniques nécessite une
gestion thermique plus e cace. La thermique devient même la préoccupation majeure des
concepteurs pour le dimensionnement de ces composants.
Les dissipateurs thermiques à base de matériaux à changement de phase (MCP) sont lar-
gement utilisés dans plusieurs applications industrielles telles que dans le domaine de la
mécatronique. Ces techniques de refroidissement passif permettent une meilleure gestion
thermique des composants électroniques. Ces dernières décennies, les chercheurs visent
à trouver une conception optimale de ces systèmes pour améliorer leurs performances.
Néanmoins, les incertitudes n'ont pas été prises en compte pour la majorité de ces études.
L'objectif de cette thèse est de proposer une nouvelle technique qui permet de modéliser
et optimiser les systèmes de refroidissement à base de matériau à changement de phase,
avec prise en compte des incertitudes.
Malgré la satisfaction de la solution optimale obtenue par l'optimisation déterministe
(DDO), le niveau de abilité n'est pas contrôlé. Pour cette raison, des études d'optimisa-
tion abiliste (RBDO) ont été développées. En eet, les approches RBDO visent à trouver
une conception able avec un coût optimal en considérant les incertitudes du modèle étu-
dié. Les méthodes RBDO classiques ont été appliquées uniquement dans des problèmes
linéaires ou dans des problèmes non-linéaires spéci ques. Cette étude présente une exten-
sion de ces méthode dans le cas en considérant la non linéarité dû au changement d'état
physique de MCP.
La dernière partie de cette thèse consiste à étudier un problème d'optimisation abi-
liste multiobjectif des systèmes de refroidissement à base de MCP. Pour remédier à la
complexité de ces systèmes avec la prise en compte des paramètres incertains, les métho-
dologies de métamodélisation ont été utilisées, ce qui nous a permis la construction d'un
modèle de substitution, qui assure en même temps la précision et l'e cacité du modèle.
Cette étude permet de proposer une nouvelle approche appelée MORBDO-RHM qui
consiste à combiner la méthode hybride robuste (RHM) avec l'algorithme génétique de
tri non dominé (C-NSGA-II). L'e cacité de l'approche proposée est véri ée par la suite
pour les unités de stockage thermique à base de MCP.
Mots clés :
Matériaux à changement de phase ; Gestion thermique ; Modèle de substitution ; RBDO ;
MORBDO-RHM ; Analyse par éléments nis.
Bessem DEBICH iii
Abstract
Increasing the power density of electronic components requires more e cient thermal
management. Thermal problems are even becoming the major concern of designers for
the conception these components.
Phase Change Material (PCM) based heat sinks are widely used in several industrial ap-
plications particularly in mechatronics eld. These passive cooling techniques allow better
thermal management of electronic components. Recently, researchers aim to nd an op-
timal design of these systems in order to improve their e ciency. However, uncertainties
are not considered for the majority of these studies.
This study aims to propose a new methodology that leads to proposing an optimal model
of a PCM-based cooling systems considering uncertainties.
The Deterministic Design Optimization approach (DDO) provides an optimal design, but
its relibility level is not respected. To this end, Reliability-Based Design Optimization
(RBDO) techniques are then required. These approaches aim to nd a reliable design
with an optimal cost by considering uncertainties of the studied model. Classical RBDO
methods have been applied only in linear problems and in speci c non-linear ones. This
study presents an extension of these methods by considering the nonlinearity of the pro-
blem.
The last part of this thesis consists in studying a problem of multiobjective reliability-
based design optimization of PCM-based heat sinks. To remedy the complexity of these
systems considering uncertainties, surrogate models are then applied. These methods lead
to construct an approximate model, which ensures both precision and e ciency of the mo-
del.
In this study, we propose a new methodology, called MORBDO-RHM, which consists
in combining the Robust Hybrid Method (RHM) with the Constrained Non-dominated
Sorting Genetic Algorithm (C-NSGA-II). The e ciency of the proposed approach is then
veri ed for a PCM-based thermal storage unit.
Key words :
Phase change material ; Thermal management ; Surrogate model ; RBDO ; MORBDO-
RHM ; Finite element analysis.
Bessem DEBICH iv
Table des matières
Remerciement i
Résumé iii
Abstract iv
Table des matières vii
Table des gures x
Liste des tableaux xi
Introduction générale 1
1 État de l'art sur la dissipation thermique 4
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Problèmes liés aux éléments électroniques . . . . . . . . . . . . . . . . . . . 5
1.3 Les divers modes de transfert thermique . . . . . . . . . . . . . . . . . . . 6
1.3.1 La conduction thermique . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 La convection thermique . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Transfert thermique par rayonnement . . . . . . . . . . . . . . . . . 10
1.4 Les systèmes de refroidissement : technologies et performances . . . . . . . 11
1.4.1 Les systèmes de refroidissement monophasiques . . . . . . . . . . . 12
1.4.2 Les systèmes de refroidissement diphasiques . . . . . . . . . . . . . 16
1.5 Stockage d'énergie thermique . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Le stockage de la chaleur sensible . . . . . . . . . . . . . . . . . . . 22
1.5.2 Le stockage de la chaleur latente . . . . . . . . . . . . . . . . . . . . 22
1.6 Applications de stockage d'énergie . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.1 Gestion thermique de l'électronique . . . . . . . . . . . . . . . . . . 24
1.6.2 Stockage d'énergie dans les matériaux de construction . . . . . . . . 25
1.6.3 Systèmes d'énergie solaire . . . . . . . . . . . . . . . . . . . . . . . 27
1.6.4 Application dans le secteur textile . . . . . . . . . . . . . . . . . . . 29
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Table des matières
2 Investigation numérique des systèmes de refroidissement à base des
MCP 31
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Analyse par éléments nis des systèmes de refroidissement à base des MCP 34
2.3.1 Formulation mathématique du comportement des MCP . . . . . . . 34
2.3.2 Description du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.3 Géométrie et conditions aux limites . . . . . . . . . . . . . . . . . . 37
2.3.4 Résultats préliminaires et discussions . . . . . . . . . . . . . . . . . 38
2.4 Étude paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.1 Étude sur les MCP . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.2 Variation de la fraction volumique du MCP . . . . . . . . . . . . . 43
2.4.3 Variation du niveau de puissance . . . . . . . . . . . . . . . . . . . 45
2.4.4 Variation de la géométrie du dissipateur thermique . . . . . . . . . 45
2.4.5 Con gurations adoptés pour le système de refroidissement étudié . . 47
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3 Optimisation abiliste des systèmes de refroidissement à base des ma-
tériaux à changement de phase 48
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Généralité sur la abilité en mécanique . . . . . . . . . . . . . . . . . . . . 50
3.2.1 Notions liées à l'analyse de abilité . . . . . . . . . . . . . . . . . . 51
3.2.2 Méthode de simulations de Monte Carlo . . . . . . . . . . . . . . . 52
3.2.3 Méthode d'approximation FORM/SORM . . . . . . . . . . . . . . . 53
3.3 Optimization des systèmes de refroidissement à base des MCP . . . . . . . 54
3.3.1 Formulation mathématique du problème d'optimisation . . . . . . . 55
3.3.2 Optimisation déterministe de conception . . . . . . . . . . . . . . . 57
3.3.3 Application sur les systèmes de refroidissement à base du MCP . . 57
3.4 Optimisation abiliste (Reliability-Based Design Optimization RBDO) . . 63
3.4.1 Formulation de l'optimisation abiliste . . . . . . . . . . . . . . . . 64
3.4.2 Approches classiques doubles . . . . . . . . . . . . . . . . . . . . . 66
3.4.3 Facteur de sécurité optimal (OSF) . . . . . . . . . . . . . . . . . . . 67
3.4.4 Méthode hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4.5 Les approches RHM et IRHM . . . . . . . . . . . . . . . . . . . . . 71
3.5 Optimisation abiliste des systèmes de refroidissement à base du MCP . . 72
3.5.1 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . 72
3.5.2 Résultats préliminaires et discussions . . . . . . . . . . . . . . . . . 74
3.5.3 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Bessem DEBICH vi
Table des matières
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4 Méta-modélisation pour l'étude d'optimisation abiliste multiobjectif
des systèmes de refroidissement à base des MCP 84
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Les modèles de substitution . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2.1 Processus de construction d'un modèle de substitution . . . . . . . 86
4.2.2 Optimisation basée sur le métamodèle . . . . . . . . . . . . . . . . 87
4.2.3 Méthodes d'échantillonnage : plan d'expériences . . . . . . . . . . . 87
4.2.4 Construction des modèles de substitution par la méthode de krigeage 90
4.2.5 Validation des modèles de substitution . . . . . . . . . . . . . . . . 94
4.3 Optimisation multiobjectif . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3.1 Problème d'optimisation multiobjectif déterministe . . . . . . . . . 97
4.3.2 Problème d'optimisation abiliste multiobjectif . . . . . . . . . . . 99
4.4 Analyse d'optimisation multiobjectif d'un système de refroidissement à
base du MCP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.1 Modèle déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.4.2 Étude du problème mono-objectif . . . . . . . . . . . . . . . . . . . 105
4.4.3 Problème d'optimisation multi-objectif . . . . . . . . . . . . . . . . 110
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Conclusion générale 117
Publications scienti ques 119
Bibliographie 122
Bessem DEBICH vii
Table des gures
1.1 La taille des éléments électroniques en fonction de leur puissance [1] . . . . 6
1.2 Puissance dissipée en commutation dans un composant électrique . . . . . 6
1.3 Le principe de la conduction thermique . . . . . . . . . . . . . . . . . . . . 8
1.4 Le principe de la convection thermique d'un uide en mouvement . . . . . 9
1.5 Le principe du rayonnement thermique . . . . . . . . . . . . . . . . . . . . 11
1.6 La classi cation des systèmes de refroidissement passif . . . . . . . . . . . 12
1.7 Exemple de dissipateur thermique (a) : à ailettes et (b) : à nid d'abeille . . 13
1.8 Exemple d'un système de refroidissement par air forcé . . . . . . . . . . . . 14
1.9 Schéma simpli é d'un système de refroidissement par liquide . . . . . . . . 14
1.10 Principe de refroidissment par (a) Spray cooling et (b) Refroidissement par
jets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.11 Principe des matériaux à changement de phase . . . . . . . . . . . . . . . . 17
1.12 Les diérentes classes des MCP . . . . . . . . . . . . . . . . . . . . . . . . 19
1.13 Comparaison des MCP par famille en fonction de leur chaleur latente et
leur température de fusion [17] . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.14 Capacité thermique (a) et coût des MCP (b) à point de fusion élevé [18] . . 21
1.15 Comparaison entre le stockage par chaleur sensible et chaleur latente [19] . 23
1.16 Application typique du PCM dans les bâtiments [31] . . . . . . . . . . . . 26
1.17 Capteurs solaires à auge parabolique avec uide caloporteur dans le tube
absorbant l'énergie thermique [32] . . . . . . . . . . . . . . . . . . . . . . . 27
1.18 Un exemple de centrale solaire de production directe de vapeur avec sto-
ckage d'énergie thermique [32] . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.19 Système de chaue-eau solaire sanitaire avec stockage thermique à base de
MCP [32] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.20 Tissu enduit de microbilles du MCP [32] . . . . . . . . . . . . . . . . . . . 30
2.1 Dissipateur thermique étudié (a) : photo réelle et (b) : modèle 3D . . . . . 36
2.2 (a) : photo réelle de l'assemblage et (b) : Coupe du modèle de l'assemblage 36
2.3 Géométrie du dissipateur thermique . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Maillage du dissipateur thermique (a) : sans MCP et (b) : avec MCP . . . 38
2.5 Étude de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 Pro l de température à la base du dissipateur thermique sous Q = 7W :
comparaison entre les résultats numériques et exprérimentaux . . . . . . . 39
Table des gures
2.7 Temps pour atteindre des températures seuils (a) : sans MCP et (b) : avec
MCP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.8 Pro l de température de fusion et de refroidissement pour trois MCP . . . 42
2.9 Processus latent pour les trois MCP (phase de charge) . . . . . . . . . . . 42
2.10 Pro l de température pour diérentes fractions volumiques de MCP . . . . 43
2.11 Fraction liquide en fonction du temps pour diérents taux de volume de
MCP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.12 Ratio d'amélioration du dissipateur thermique pour diérentes températures 44
2.13 Pro l de température sous quatre niveaux de puissance . . . . . . . . . . . 45
2.14 Diérentes con gurations de dissipateur thermique(a) con g.1 : 2×2, (b)
con g.2 : 3×3, (c) con g.3 : 4×4 et (d) con g.4 : 6×6 . . . . . . . . . . . . 46
2.15 Pro l de température pour diérentes géométries de dissipateur thermique 46
3.1 Exemple de fonction d'état limite pour deux variables de conception . . . . 51
3.2 Exemple de simulation de Monte Carlo . . . . . . . . . . . . . . . . . . . . 52
3.3 Transformation de (a) l'espace physique vers (b) l'espace normalisé . . . . 53
3.4 Mise en ÷uvre du problème d'optimisation . . . . . . . . . . . . . . . . . . 56
3.5 Minimum global et minimum local . . . . . . . . . . . . . . . . . . . . . . 56
3.6 Processus DDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.7 Modèle du dissipateur thermique . . . . . . . . . . . . . . . . . . . . . . . 58
3.8 Conditions aux limites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.9 Maillage du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.10 Évolution de la température à la base du dissipateur . . . . . . . . . . . . 59
3.11 Champs de température à (a) : t=30s, (b) : t=1100s, (c) : t=1330s et (d)
t=7000s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.12 Algorithme de résolution de problèmes d'optimisation DDO . . . . . . . . 61
3.13 Évolution de (a) : la fonction objectif et (b) : la contrainte d'optimisation . 61
3.14 Pro l de température pour le modèle déterministe et la conception optimale 62
3.15 Processus séquentiel de l'optimisation abiliste (RBDO) . . . . . . . . . . 63
3.16 Classi cation des diérentes approches de la RBDO . . . . . . . . . . . . . 64
3.17 Algorithme de l'approche classique (RIA) . . . . . . . . . . . . . . . . . . . 66
3.18 Algorithme de l'approche OSF . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.19 Espace hybride de conception . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.20 Algorithme de la méthode hybride classique . . . . . . . . . . . . . . . . . 70
3.21 (a) : Problème de divergence de la méthode hybride classique et (b) : E -
cacité de l'approche RHM . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.22 (a) : Approche RHM et (b) : Approche IRHM . . . . . . . . . . . . . . . . 72
Bessem DEBICH ix
Table des gures
3.23 Modèle du dissipateur thermique à base du MCP (a) : assemblage 3D et
(b) : géométrie et dimensions . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.24 Maillage du dissipateur thermique . . . . . . . . . . . . . . . . . . . . . . . 74
3.25 Étude de convergence du maillage . . . . . . . . . . . . . . . . . . . . . . . 75
3.26 Pro l de température et champs de température du système de refroidis-
sement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.27 Application des méthodes RBDO à l'optimisation des systèmes de refroi-
dissement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.28 Comparaison de l'évolution de la température entre le modèle déterministe
et la conception optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.29 Fraction liquide en fonction du temps pour le modèle initial et le modèle
optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.1 L'organigramme de l'algorithme de mise en ÷uvre d'un modèle de substi-
tution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.2 Présentation des plans d'expériences pour 3 paramètres (a) : Plan factoriel
complet, (b) : CCD et (c) : BBD . . . . . . . . . . . . . . . . . . . . . . . 88
4.3 LHS pour 2 variables à 5 niveaux : une variable à distribution normale et
l'autre à distribution uniforme . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.4 Passage de (a) : l'espace physique à (b) : l'espace des fonctions objectifs . . 97
4.5 Organigramme de la procédure d'optimisation multi-objectif évolutive . . . 98
4.6 procedure NSGA-II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.7 Modèle 3D de l'assemblage du système étudié . . . . . . . . . . . . . . . . 101
4.8 Dimensions du dissipateur thermique . . . . . . . . . . . . . . . . . . . . . 102
4.9 Maillage du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.10 Pro le de température pour Q = 2800W/m2 . . . . . . . . . . . . . . . . . 105
4.11 Validation croisée pour Tmax (a) : LHS à 25 points, (b) : LHS à 50 points
et (c) : LHS à 100 points . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.12 Pro l de température pour le modèle initial et les conceptions optimales :
phases de chargement et de déchargement. . . . . . . . . . . . . . . . . . . 109
4.13 Processus latent pour (a) : la phase de charge et (b) : la phase de décharge 110
4.14 Validation croisée avec LHS à 20 points pour (a) Tmax et (b) tf . . . . . . . 111
4.15 Validation croisée avec LHS à 30 points pour (a) Tmax et (b) tf . . . . . . . 111
4.16 Validation croisée avec LHS à 50 points pour (a) Tmax et (b) tf . . . . . . . 112
4.17 Comparaison des diérentes tailles de populations . . . . . . . . . . . . . . 112
4.18 Front de Pareto de l'approche DMOO . . . . . . . . . . . . . . . . . . . . . 113
4.19 Front de Pareto pour (a) : MORBDO-HM et (b) : MORBDO-RHM . . . . 114
4.20 Pro l de température pour le modèle initial et la conception optimale . . . 115
Bessem DEBICH x
Liste des tableaux
2.1 Propriétés thermo-physiques des matériaux . . . . . . . . . . . . . . . . . . 37
2.2 Propriétés thermo-physiques des MCP . . . . . . . . . . . . . . . . . . . . 41
3.1 Propriétés thermo-physiques . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 Résultats de l'optimisation déterministe . . . . . . . . . . . . . . . . . . . . 61
3.3 Résultats de l'optimisation déterministe pour diérents points initiaux . . . 62
3.4 Variables de conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 Caractéristiques des variables aléatoires . . . . . . . . . . . . . . . . . . . . 78
3.6 Résultats de l'optimisation déterministe (DDO) . . . . . . . . . . . . . . . 78
3.7 Résultats de l'approche OSF . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.8 Résultats de la méthode hybride (HM) . . . . . . . . . . . . . . . . . . . . 80
3.9 Résultats de la méthode hybride robuste (RHM) . . . . . . . . . . . . . . . 80
3.10 Résultats de DDO et RBDO . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.1 Dimensions des matériaux requis . . . . . . . . . . . . . . . . . . . . . . . 102
4.2 Propriétés thermo-physiques de chaque matériau . . . . . . . . . . . . . . . 102
4.3 Étude de convergence de maillage . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 Caractéristiques des variables de conception du problème mono-objectif . . 105
4.5 Mesures d'erreur du modèle de substitution par krigeage du problème
mono-objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.6 Résultats d'optimisation déterministe (DDO) . . . . . . . . . . . . . . . . . 107
4.7 Résultats de la méthode hybride robuste (RHM) . . . . . . . . . . . . . . . 108
4.8 Résultats de la méthode hybride robuste améliorée (IRHM) . . . . . . . . . 108
4.9 Propriétés des variables de conception du problème multi-objectif . . . . . 110
4.10 Mesures d'erreur du modèle de substitution par krigeage du problème
multi-objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.11 Résultats de l'approche DMOO . . . . . . . . . . . . . . . . . . . . . . . . 113
4.12 Résultats de MORBDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Introduction générale
Au cours des dernières décennies, et avec la révolution scienti que, l'introduction des
composants électroniques ne cesse pas d'augmenter dans tous les domaines. Cette ten-
dance, comme étant une technique récente et performante, a débuté dans le réseau fer-
roviaire et se développe fortement dans le domaine d'automobile et d'aéronautique. En
fait, le recours vers le concept "un avion électrique" nous permet d'avoir une meilleure
approche de la rationalisation/gestion telle que la diminution de la consommation de ké-
rosène ainsi les temps et les coûts de maintenance avec une amélioration des systèmes
embarqués ( abilité, allégement, simpli cation).
En contrepartie, le développement de ces systèmes électroniques embarqués engendre l'ob-
tention des systèmes plus compacte ce qui pose plusieurs problèmes plus particulièrement
liés à leur gestion thermique. Pour cette raison, une étude minutieuse et e cace s'avère
nécessaire pour résoudre cette défaillance et pallier le problème du dysfonctionnement de
ces composants.
Les pertes thermiques libérées par les composants électroniques deviennent une préoccupa-
tion primordiale pour les concepteurs. De nouvelles solutions de refroidissement intégrées
sont donc développées. Dans la plupart des cas, les méthodes de refroidissement standard
ne sont pas su santes. Pour cela, une nouvelle technique en utilisant les matériaux à
changement de phase (MCP) est proposée. En fait, les MCP permettent d'absorber et
de stocker la chaleur dissipée, puis la restituer, en béné ciant de ses propriétés thermo-
physiques.
Néanmoins, la majorité des applications mécaniques sont caractérisées par l'existence
de paramètres incertains. L'incertitude de ces paramètres aecte leur abilité en considé-
rant la température de fonctionnement nominal des composants électroniques.
De plus, le développement d'une technique d'optimisation des systèmes thermiques pré-
sente un majeur dé pour les chercheurs. En revanche, avoir une conception optimale
sans prendre en considération les incertitudes, peut ne pas respecter certains critères
de abilité. Dans ce contexte, l'intégration de l'analyse de abilité dans les problèmes
d'optimisation constitue une nouvelle discipline appelée optimisation abiliste (RBDO :
Reliability-Based Design Optimization ). Elle consiste à déterminer une conception opti-
male qui garantit un niveau de abilité requis avec la prise en compte des incertitudes du
système.
Introduction générale
Le problème d'optimisation abiliste nécessite un grand nombre de simulations numé-
riques ce qui implique un temps de calcul très important. Pour cette raison, l'intégration
des métamodèles est fortement recommandée. Ces méthodes permettent de construire
des modèles de substitution ( surrogate models ), ou appelés des approximations, déve-
loppées en se basant sur une série de simulation à partir des modèles réels. Une source
d'erreurs supplémentaires est introduite lors du passage du modèle réel au modèle ap-
proximatif a n d'assurer un niveau d'erreur convenable. L'intégration des métamodèles
dans les algorithmes d'optimisation, appelée aussi optimisation de la conception basée sur
les modèles de substitution, présente toujours un domaine de recherche actif.
De plus, et a n de prendre en compte le problème de chargement et de déchargement
des matériaux à changement de phase, le problème d'optimisation abiliste contient plu-
sieurs fonctions objectifs ce qu'on appelle optimisation abiliste multiobjectif (MORBDO :
Multi-objective Reliability-Based Design Optimization ). En fait, le couplage de ces tech-
niques avec les modèles de substitution permet de résoudre le problème d'optimisation
a n d'obtenir une conception à la fois optimale et able en respectant les incertitudes
liées au système de refroidissement.
L'objectif principal de cette thèse, est de proposer une démarche analytique pour
l'étude du comportement thermique d'un système de refroidissement à base des MCP
et de déterminer les méthodologies d'optimisation abiliste mono-objectif et multiobjec-
tif, en considérant l'énergie thermique dissipée par le composant électronique. Pour cela,
quatre chapitres sont présentés dans ce manuscrit.
Dans le premier chapitre, on présente un état de l'art sur les diérentes techniques de
refroidissement monophasiques et diphasiques ainsi leurs avantages et inconvénients et
leurs domaines d'application. Les diérents problèmes liés aux éléments électroniques ont
été étudié dans un premier temps ainsi que les modes de transfert thermique tels que
la conduction, la convection et le rayonnement. Dans la plupart des cas, les systèmes de
refroidissement classiques ne sont pas su sants pour la dissipation thermique soit pour
des raisons liées à l'encombrement ou pour un manque d'e cacité. Pour cette raison, une
autre technique a été proposée qui consiste à utiliser les matériaux à changement de phase
(MCP) pour stocker l'énergie thermique générée par le composant électronique.
L'objectif principal du deuxième chapitre est d'étudier numériquement un dissipateur
thermique à ailettes à base du MCP et de proposer sa con guration optimale. Cette
étude est basée sur des résultats expérimentaux, où une comparaison entre le dissipa-
teur thermique sans et avec MCP a été réalisée. Ensuite, une analyse détaillée de l'eet
des paramètres incertains du système de refroidissement étudié liés principalement à la
Bessem DEBICH 2
Introduction générale
géométrie, aux conditions aux limites et aux propriétés du matériau, a été proposé. Les
résultats numériques montrent que le n-Eicosane augmente clairement les performances
thermiques du système de refroidissement étudié, par rapport aux autres MCP étudiés.
De plus, l'augmentation de la fraction volumique de MCP conduit à retarder la phase de
chaleur latente et par la suite, améliorer sa gestion thermique. L'analyse paramétrique a
nalement conduit à dé nir une conception optimale qui répond aux performances ther-
miques.
Le troisième chapitre est consacré à la mise en place d'une méthodologie e cace qui per-
met de déterminer une conception optimale d'un tel système de refroidissement à base de
MCP. Malgré le fait que la méthode d'optimisation déterministe (DDO) permet d'obte-
nir une solution optimale, le niveau de abilité reste incontrôlable. Par conséquent, des
études d'optimisation abiliste (RBDO) ont été réalisées. En eet, les approches RBDO
visent à trouver le meilleur compromis entre sécurité et coût en prenant en compte les
incertitudes du modèle étudié. Par conséquent, plusieurs méthodes ont été étudiées, telles
que l'approche du facteur de sécurité optimal (OSF), la méthode hybride (HM) et la mé-
thode hybride robuste (RHM). Une application numérique permet d'étudier les diérentes
méthodes DDO et RBDO est donc présentée. Ensuite, l'e cacité de la méthode RHM a
été validée pour le cas des systèmes de refroidissement à base de MCP.
Dans le quatrième chapitre, l'objectif est de proposer un couplage du modèle éléments nis
du dissipateur thermique à base de MCP avec les modèles de substitution a n de réaliser
une étude d'optimisation abiliste multiobjectif. Cette étude montre que l'optimisation
déterministe multiobjectif (DMOO) peut conduire à une conception qui ne respecte pas le
niveau de abilité requis. Pour cela, une nouvelle méthode d'optimisation abiliste mul-
tiobjectif (MORBDO) pour la gestion thermique d'un système de refroidissement passif
a été proposée. Elle consiste à coupler le modèle éléments nis, les procédures MORBDO
et les approches de substitution. La méthode de krigeage est utilisée pour construire des
métamodèles. Une application numérique a été étudiée a n de comparer les diérentes
approches DMOO et MORBDO. Cette étude conduite à développer des solutions Pareto
ables et bien distribuées en combinant la méthode hybride robuste (RHM) et l'algorithme
génétique de tri non dominé (C-NSGA-II).
Bessem DEBICH 3
Chapitre 1
État de l'art sur la dissipation
thermique
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Problèmes liés aux éléments électroniques . . . . . . . . . . . . . . 5
1.3 Les divers modes de transfert thermique . . . . . . . . . . . . . . 6
1.3.1 La conduction thermique . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 La convection thermique . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3 Transfert thermique par rayonnement . . . . . . . . . . . . . . . . . 10
1.4 Les systèmes de refroidissement : technologies et performances . 11
1.4.1 Les systèmes de refroidissement monophasiques . . . . . . . . . . . . 12
[Link] Système de refroidissement monophasique à l'air . . . . . . 13
[Link] Système de refroidissement liquide . . . . . . . . . . . . . . 14
1.4.2 Les systèmes de refroidissement diphasiques . . . . . . . . . . . . . . 16
[Link] Refroidissement par changement de phase liquide-vapeur . 16
[Link] Refroidissement par changement de phase solide-liquide . . 17
1.5 Stockage d'énergie thermique . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Le stockage de la chaleur sensible . . . . . . . . . . . . . . . . . . . . 22
1.5.2 Le stockage de la chaleur latente . . . . . . . . . . . . . . . . . . . . 22
1.6 Applications de stockage d'énergie . . . . . . . . . . . . . . . . . . 23
1.6.1 Gestion thermique de l'électronique . . . . . . . . . . . . . . . . . . . 24
1.6.2 Stockage d'énergie dans les matériaux de construction . . . . . . . . 25
1.6.3 Systèmes d'énergie solaire . . . . . . . . . . . . . . . . . . . . . . . . 27
[Link] Centrale à énergie solaire concentrée . . . . . . . . . . . . . 27
[Link] Applications solaires domestiques . . . . . . . . . . . . . . . 28
1.6.4 Application dans le secteur textile . . . . . . . . . . . . . . . . . . . 29
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Chapitre 1. État de l'art sur la dissipation thermique
1.1 Introduction
L'augmentation du développement des systèmes électroniques embarqués signi e que
leurs tailles deviennent plus petite et compacte ce qui engendre plusieurs problèmes,
plus particulièrement liés à leur gestion thermique. Pour cette raison, une étude e cace
devient extrêmement nécessaire pour éviter le problème du dysfonctionnement de ses
composantes.
Ce chapitre a pour objectif de présenter un bref état de l'art des problèmes liés aux
éléments électroniques ainsi que les modes de transfert thermique tels que la conduction, la
convection et le rayonnement. Les diérentes techniques de refroidissement monophasiques
et diphasiques sont présentées à la n de ce chapitre.
Ensuite, une étude bibliographique sur les matériaux à changement de phase est présentée
a n de faire le point sur leurs principes et leurs critères de sélection. Les diérentes familles
de MCP sont ainsi détaillées et discutées.
1.2 Problèmes liés aux éléments électroniques
Pour distinguer les diérentes problématiques de dissipation de chaleur des éléments
électriques, il existe trois types d'échelles :
1. Échelle des composants électriques :
Les composants électriques présentent les éléments basés sur l'électronique de puis-
sance. Ils sont caractérisés par leurs faibles puissances thermiques à évacuer et leurs
tailles réduites qui peuvent atteindre quelques centimètres (puce, diode, . . . etc.).
2. Échelle des systèmes électroniques :
Pour des niveaux de puissance importants, les composants électriques sont généra-
lement situés dans des boîtiers circulaires ou rectangulaires (onduleur, piles, accu-
mulateurs, . . . etc.).
3. Échelle des applications :
Cette échelle présente l'échelle globale des éléments électriques telle que les domaines
d'automobile, aéronautiques, . . . etc.
La gure 1.1 présente la taille des éléments électroniques en fonction de leur puissance
pour donner une idée claire des domaines d'application de l'électronique de puissance.
Il existe cinq sources primordiales de perturbation de chaleur selon l'environnement dans
lequel le composant électronique est positionné. Ces sources de perturbation thermique
sont la température, l'humidité, les constantes de temps, la pression atmosphérique et le
rayonnement solaire.
Bessem DEBICH 5
Chapitre 1. État de l'art sur la dissipation thermique
Figure 1.1 La taille des éléments électroniques en fonction de leur puissance [1]
1.3 Les divers modes de transfert thermique
L'énergie thermique est générée dans les zones actives des composants électriques par
des dissipations de chaleur ou puissance sous forme de pertes. Il existe généralement deux
types de pertes de puissance : les pertes en commutation et les pertes en conduction.
Les diérentes puissances dissipées par le composant actif sur une période complète de
commutation sont présentées dans la gure 1.2.
Figure 1.2 Puissance dissipée en commutation dans un composant électrique
Bessem DEBICH 6
Chapitre 1. État de l'art sur la dissipation thermique
La formule de la puissance dissipée par le composant électrique peut être exprimée
sous la forme :
2
Pp = Ron .Ieff + Vd .Imoy + f.(Eon + Eoff ) (1.1)
Avec
∗ Ron est la résistance du composant à l'état passant.
∗ Vd est la diérence de potentiel d'un composant bipolaire.
∗ f dé nie la fréquence de fontionnement.
∗ Eon et Eoff présentent respectivement l'énergie dissipée lors de la mise en conduction
et l'énergie dissipée lors du passage à la phase de blocage.
Pendant le temps de blocage, les pertes aux températures de fonctionnement normal sont
supposées négligeables.
En augmentant la fréquence de fonctionnement, les pertes en commutation augmentent
par rapport aux pertes en conduction.
Les échanges thermiques entre le composant et le milieu ambiant peuvent suivre les pro-
cessus physiques suivants : la conduction, la convection et le rayonnement.
1.3.1 La conduction thermique
La conduction thermique est un transfert d'énergie calori que sous l'eet de l'existence
d'un gradient de température pour un matériau homogène et isotrope. Le ux thermique
conductif qui passe un composant électronique dépend de plusieurs factors dont son ma-
tériau, sa géométrie, son épaisseur et aussi le gradient de température qui le traverse. La
transmission de chaleur est entraînée par la diérence de température entre deux zones
d'un milieu en contact physique. Comme indiqué dans la gure 1.3, il n'y a pas de dé-
placement des atomes ou molécules et la température se répartit uniformément en régime
permanent. On remarque bien que le transfert thermique est orienté toujours de la source
chaude (la température T2 ) vers la source froide (la température T1 ). La transmission de
chaleur est entraînée par la diérence de température entre deux zones d'un milieu en
contact physique.
La loi de Fourier indique la quantité de l'énergie thermique dQ qui passe une surface S
en un point x d'épaisseur dx pendant une durée de dt.
dT
dQ = −λS dt = −λS(T1 − T2 )dt (1.2)
dx
Avec
∗ dQ est l'énergie élémentaire (J ).
∗ dt est le temps élémentaire (s).
Bessem DEBICH 7
Chapitre 1. État de l'art sur la dissipation thermique
−1
∗ λ est la conductivité thermique (W m K −1 ).
2
∗ S est la section (m ).
∗ dT
dx
exprime le gradient de température au point x (K.m−1 ).
Figure 1.3 Le principe de la conduction thermique
La loi de fourrier exprimée dans l'équation (1.2) nous permet de dé nir le ux thermique
φ qui circule en x (l'équation (1.3)) et la densité de chaleur ϕ (l'équation (1.4)) :
dQ dT
φ(W ) = = −λS (1.3)
dt dx
φ dT
ϕ(W.m−2 ) = = −λ (1.4)
S dx
En régime permanent, la distribution de la température est quasiment linéaire d'où le
gradient de la température devient alors constant :
T (x) d T1 − T2 T1 − T2
=− ( x + T1 ) = − (1.5)
dx dx L L
Et par conséquent, le ux thermique devient proportionnel au gradient de température
de deux surfaces (chaude et froide) :
λS
φ= (T2 − T1 ) (1.6)
L
avec L est la longueur caractéristique (m).
1.3.2 La convection thermique
La convection est un mode de transfert de chaleur qui s'accompagne d'un transfert de
masse dans un espace uide, liquide ou gazeux. Le phénomène de convection peut être
Bessem DEBICH 8
Chapitre 1. État de l'art sur la dissipation thermique
traduit comme étant le transfert d'énergie thermique par déplacement des molécules ou
des atomes d'un corps solide en contact direct avec un uide de température diérente
comme le montre la gure 1.4. Compte tenu des forces qui provoquent le mouvement de
uide, on peut distinguer deux types de convection thermique : la convection libre (ou
naturelle) et la convection forcée (ou ventilation).
Figure 1.4 Le principe de la convection thermique d'un uide en mouvement
La convection naturelle se produit spontanément dans un uide en mouvement au sein
duquel existe une diérence de température entre les particules froides et celles qui sont
chaudes. Pour le cas d'une convection forcée, il existe une intervention extérieure qui sera
imposée sur le uide en mouvement par exemple ventilateur ou pompe.
Le processus de transfert thermique par convection pose des problèmes de mécanique des
uides très compliqués. C'est pour cela, on ne s'intéresse le plus souvent qu'au ux de
chaleur entre la paroi solide et le uide en mouvement.
Mathématiquement, l'équation de la convection est exprimée par la loi de Newton :
φ = h(Tp − Tf )S (1.7)
Avec :
∗ φ est le ux thermique (W ).
−2 −1
∗ h est le coe cient de convection (W m K ).
∗ Tp etTf sont respectivement les températures de paroi et de uide en mouvement
(K ).
2
∗ S est la surface de contact uide/solide (m )
Les facteurs qui in uent sur la valeur du coe cient de transfert thermique par convection
h sont pratiquement les caractéristiques géométriques de la surface de contact uide /so-
lide, la température du uide, sa vitesse ainsi sa température.
Bessem DEBICH 9
Chapitre 1. État de l'art sur la dissipation thermique
Le coe cient de transfert de chaleur par convection h peut être calculé à partir du théo-
rème de Vaschy-Buckingham en fonction de trois unités fondamentales :
• Le nombre de Nusselt : N u
Il est un nombre adimensionnel utilisé pour dé nir le type de transfert de chaleur
entre une paroi et un uide. Il présente le rapport entre le transfert de chaleur par
convection par rapport au transfert de chaleur conductif en régime permanent. On
peut dé nir le nombre de Nusselt par :
hL
Nu = (1.8)
λ
• Le nombre de Reynolds : Re
Le nombre de Reynolds caractérise le régime d'écoulement de uide. Pour une valeur
de Re<2000 l'écoulement est dit laminaire et pour Re>3000 l'écoulement est dit
turbulent.
ρV L
Re = (1.9)
µ
Avec :
−3
∗ ρ est la masse volumique du uide (Kgm ).
−1 −1
∗ µ est la viscosité dynamique du uide (kgm s ).
−1
∗ V est le vitesse de uide (ms ).
• Le nombre de Prandtl : P r
Le nombre de Prandtl présente les propriétés thermiques du uide et s'exprime sous
la forme suivante :
µCp
Pr = (1.10)
λ
Avec, Cp présente la capacité thermique massique ou la chaleur spéci que (Jkg −1 K −1 ).
1.3.3 Transfert thermique par rayonnement
Le rayonnement thermique ou encore le rayonnement électromagnétique est l'un des
modes de transfert de chaleur. On dé nit le rayonnement thermique par la transition
énergétique générée par l'agitation thermique de molécules dans la matière indépendam-
ment de son état physique (solide, liquide ou gaz). Pour des températures du corps plus
élevées, les rayons infrarouges d'ondes sont plus courts et inversement. Ce type d'échange
thermique dépend toujours de l'émissivité du matériau ε qui constitue la surface chaude
et elle varie de 0 à 1 selon le type de matériau. Le rayonnement thermique prend une im-
portance primordiale en comparant par la conduction et la convection qui sont également
présentes.
La gure 1.5 présente le phénomène global du rayonnement. On considère un cylindre
Bessem DEBICH 10
Chapitre 1. État de l'art sur la dissipation thermique
plein de surface S dont les deux côtés sont maintenus aux températures T1 et T2 (avec
T1 >T2 ). Ce cylindre est soumis au phénomène de conduction. La surface située à gauche
est la seule surface qui fait l'échange thermique avec le milieu ambiant à la température
ambiante Ta par rayonnement.
Figure 1.5 Le principe du rayonnement thermique
D'après la loi de Stéphan, l'échange de la chaleur entre la surface de la source froide
S et le milieu ambiant peut s'écrire sous la forme suivante :
φ = εσS(T24 − Ta4 ) (1.11)
Avec :
∗ ε est le coe cient d'émission du matériau (0<ε ≤1).
∗ σ est la constante de Stéphan Boltzmann : 5.67 10−8 (W m−2 K −4 ).
2
∗ S surface de contact solide/ uide (m )
∗ Ta Température ambiante (K ).
∗ T2 Température de la surface (K ).
Dans notre étude, le phénomène de rayonnement est généralement négligeable dans les
applications visées dont on souhaite traiter la gestion thermique. En fait, le transfert de
la chaleur par convection et par conduction est considérablement prédominant [2].
1.4 Les systèmes de refroidissement : technologies et
performances
Dans tous les systèmes de refroidissement, la chaleur arrive au liquide de refroidisse-
ment après qu'elle franchit tout d'abord toutes les diérentes couches de l'assemblage.
Plusieurs systèmes d'échange thermique ont été perfectionnés et développés a n d'arriver
à évacuer convenablement l'énergie thermique qui arrive à la couche nale en contact
Bessem DEBICH 11
Chapitre 1. État de l'art sur la dissipation thermique
direct avec le milieu ambiant.
Les techniques de systèmes de refroidissement peuvent être classé en deux grandes caté-
gories :
• Les systèmes de refroidissement actifs :
Cette méthode est basée sur le transfert thermique par convection forcée. Le système
de refroidissement actif exige l'emploi d'une pompe mécanique pour garantir le
mouvement du uide caloporteur ainsi qu'un circuit externe pour dissiper la chaleur
générée vers l'extérieur.
• Les systèmes de refroidissement passifs :
Cette technique est basée pratiquement sur le transfert de chaleur par convection
naturelle ce qui réduit le coût énergétique. Ce type de refroidissement peut être classé
en deux parties : direct ou indirect tout dépend du contact de uide caloporteur
avec les composants électroniques.
La classi cation des systèmes de refroidissement passifs est présentée dans la gure 1.6
suivant les deux modes de transfert thermique.
Figure 1.6 La classi cation des systèmes de refroidissement passif
On s'intéresse seulement par le refroidissement indirect des composants électroniques
passifs.
1.4.1 Les systèmes de refroidissement monophasiques
Un échangeur monophasique est caractérisé par une con guration dans laquelle la
circulation du uide de refroidissement est assuré sans changement d'état. L'énergie ther-
mique à évacuer est dissipée vers l'extérieur par convection, conduction et le transport
capacitif.
Bessem DEBICH 12
Chapitre 1. État de l'art sur la dissipation thermique
On peut classer les systèmes de refroidissement uidique en deux familles : les refroidis-
sements liquides [3] et les systèmes de refroidissement monophasique à l'air.
[Link] Système de refroidissement monophasique à l'air
Pour les composants électroniques qui ont une contrainte thermique de faible intensité,
il est recommandé d'utiliser les systèmes de refroidissement à l'air. Cette technique est
caractérisée par son faible coût et par la simplicité de sa mise en ÷uvre technique. Les
échanges thermiques entre le composant électronique et l'environnement sont essentielle-
ment convectifs et radiatifs.
• Convection naturelle à l'air
Le composant électronique est exposé à l'air ambiant avec une diérence de tem-
pérature entre eux. Un échange thermique convectif est donc assuré avec un coe cient
d'échange h compris entre 5 et 25 W m−2 K −1 .
Pour évacuer des niveaux de puissance plus importants, il faut augmenter la surface
d'échange de chaleur entre le milieu ambiant et le composant à refroidir pour garantir
la bonne gestion thermique. Dans ce contexte, d'autres systèmes de refroidissement ont
été proposé a n d'avoir un coe cient d'échange convectif h plus important, tel que les
dissipateurs thermiques à ailettes ou les dissipateurs thermiques à nid d'abeilles comme
illustrés dans la gure 1.7.
Figure 1.7 Exemple de dissipateur thermique (a) : à ailettes et (b) : à nid d'abeille
• Convection forcée à l'air
Le sou age d'air forcé est la technique la plus courante a n d'améliorer l'échange ther-
mique du composant électronique et le milieu ambiant. Comme indiqué dans la gure 1.8,
cette méthode est basée sur l'intégration des ventilateurs pour augmenter le coe cient
Bessem DEBICH 13
Chapitre 1. État de l'art sur la dissipation thermique
d'échange thermique h (de 10 à 500 W m−2 K −1 ). Cette technique de refroidissement for-
cée à air a des avantages multiples tels que : la simplicité de mise en ÷uvre, une bonne
abilité dont la durée de vie est satisfaisante et ainsi un coût réduit.
Figure 1.8 Exemple d'un système de refroidissement par air forcé
Suite à l'augmentation de la densité thermique des systèmes électroniques embarqués,
les ventilateurs ont atteint des dimensions très réduites. Pour cette raison, le changement
du liquide caloporteur est devenu extrêmement nécessaire pour un refroidissement plus
performant.
[Link] Système de refroidissement liquide
Les systèmes de refroidissement par liquide sont d'autres techniques d'évacuation ther-
mique vers le milieu ambiant. Le refroidissement liquide monophasique est couramment
utilisé dans les puces électroniques sous la forme d'une plaque à eau.
Comme indiqué dans la gure 1.9, ce système est constitué essentiellement d'une pompe
pour assurer la bonne circulation du uide caloporteur et d'un échangeur thermique qui
garantit la bonne gestion thermique du système par l'évacuation de la chaleur portée par
le liquide caloporteur vers le milieu ambiant.
Figure 1.9 Schéma simpli é d'un système de refroidissement par liquide
Bessem DEBICH 14
Chapitre 1. État de l'art sur la dissipation thermique
La sélection d'un uide de refroidissement est basée essentiellement sur :
∗ Les performances thermiques et hydrauliques car ce sont des facteurs qui peuvent
réduire les caractéristiques du système de refroidissement.
∗ La sécurité.
∗ Le coût.
∗ Les conditions de stockages du uide.
∗ Les contraintes de pollution.
On peut noter que l'eau glycolée est le uide de refroidissement le plus utilisé en raison de
sa grande capacité calori que, sa conductivité thermique importante ainsi sa disponibilité.
Dans cette situation, le coe cient d'échange convectif forcé h de l'eau est compris entre
3000 et 10000 W.m−2 .K −1 .
Les canaux qui assurent la bonne circulation de uide caloporteur peuvent être classé en
trois grandes familles :
∗ Les micro-canaux pour des diamètres compris entre 10 et 800µm.
∗ Les mini-canaux pour des diamètres compris entre 1 et 10mm
∗ Au-délà de 10 mm, ces systèmes sont couramment appelés plaques froides.
Plusieurs solutions sont encore possibles avec les systèmes de refroidissement par liquide
dont le Spray Cooling ainsi le refroidissement par jets comme montrées dans la gure 1.10.
Le principe de la technique de Spray Cooling vise à pulvériser un liquide à proximité de la
paroi à refroidir. Cette technique présente plusieurs avantages plus particulièrement dans
le domaine de l'électronique de puissance :
∗ Bon rétablissement spatial de la partie à refroidi.
∗ Utilisation de faibles quantités de liquide ce qui implique une maintenance réduite.
∗ Évacuation d'un ux thermique important : au moins 50% plus performant qu'un
système classique.
En dehors de sa robustesse et son e cacité à dissiper le ux de chaleur produit, le Spray
Cooling présent plusieurs défauts :
∗ Complexité de réglage du système d'injection tel que les propriétés granulométriques
et dynamiques du spray ainsi la distance qui sépare l'injecteur du composant.
∗ Complexité des injecteurs.
∗ La mise sous pression du liquide avant injection est nécessaire.
Dans les applications industrielles, le refroidissement par jets est l'une des techniques les
plus privilégiées pour le traitement thermique des chambres de combustion des moteurs de
nouvelle génération ou autrement dit les aubes de turbine. La performance de ce système
Bessem DEBICH 15
Chapitre 1. État de l'art sur la dissipation thermique
dépend essentiellement du uide et son débit, du nombre de jets ainsi son diamètre. Il
nécessite la mise en place d'un système de pressurisation du uide et ainsi qu'un circuit
hydraulique complet (pompe, échangeur).
Figure 1.10 Principe de refroidissment par (a) Spray cooling et (b) Refroidissement
par jets
En comparaison aux techniques de refroidissement par spray, le réglage de la zone
d'impact, du débit du jet ainsi la distance jet/paroi sont des paramètres très importantes
et il faut les prendre en considération pour assurer le bon fonctionnement de ce dispositif.
1.4.2 Les systèmes de refroidissement diphasiques
[Link] Refroidissement par changement de phase liquide-vapeur
Le refroidissement diphasique liquide-vapeur est considéré comme l'une des solutions
les plus adaptables et les plus performants pour la bonne gestion thermique des systèmes
énergétiques. Pour ce mode de refroidissement, la quantité de l'énergie thermique à éva-
cuer dépend de la chaleur de vaporisation du uide caloporteur ainsi son débit massique.
Quatre types de système de refroidissement diphasique liquide-vapeur peuvent être dis-
tingués selon leurs con gurations :
• Refroidissement par immersion dans un uide diélectrique : appelé aussi
condensateur. C'est un ancien système qui a été utilisé depuis les années 40. Le prin-
cipe de ce système est de refroidir les composants électroniques en les plaçant dans
un liquide diélectrique. L'énergie thermique sera évacuée à l'interface composant-
liquide ce qui engendre l'ébullition du liquide. Ce vapeur sera condensé par la suite
à l'aide d'un échangeur de chaleur par convection naturelle ou forcée.
Bessem DEBICH 16
Chapitre 1. État de l'art sur la dissipation thermique
• Refroidissement par caloducs : appelés aussi système de refroidissement fermé.
Dans de système, le uide caloporteur circule en boucle fermée. Ils sont caractérisés
par une grande conductivité thermique ainsi de leur capabilité de fonctionner en
quasi isotherme et de leur maîtrise de température.
• Refroidissement par thermosiphon : ce système a le même principe que les
caloducs sauf que le tube thermosiphon fonctionne sans mèche poreuse. En fait,
c'est la force gravitationnelle qui permet le retour du condensat dans l'évaporateur.
• Refroidissement par boucle diphasique à deux lignes (CPL et LHP) : c'est
un système de refroidissement passif. Ce système consiste à séparer les deux phases,
ce qui permet la suppression des interactions liquide-vapeur.
[Link] Refroidissement par changement de phase solide-liquide
• Principe de matériaux à changement de phase
Parfois, les systèmes de refroidissement classiques ne sont pas convenables soit pour
des raisons de manque d'e cacité ou des problèmes d'encombrement. Pour cela, une
autre technique a été proposée qui consiste à stocker l'énergie thermique générée par le
composant électronique en utilisant un matériau à changement de phase (MCP).
Un MCP est une substance qui a l'aptitude d'emmagasiner et de libérer une grande
quantité d'énergie grâce à leur grande chaleur de fusion. Ce transfert diphasique permet
d'absorber l'énergie en passant de l'état solide à l'état liquide et inversement.
Figure 1.11 Principe des matériaux à changement de phase
Autrement dit, quand la température augmente, le matériau à changement de phase
devient liquide ce qui permet le stockage de la chaleur jusqu'à la température de sta-
Bessem DEBICH 17
Chapitre 1. État de l'art sur la dissipation thermique
bilisation. Et inversement, quand la température diminue, le produit à changement de
phase devient solide ce qui assure la restitution de la chaleur jusqu'à la stabilisation (voir
gure 1.11).
L'absorption de la chaleur dissipée par les composants électroniques, grâce à la chaleur
latente des MCP, permet de ralentir l'évolution de la température durant la période de
fonctionnement. Ces systèmes sont donc idéaux pour les appareils qui fonctionnent d'une
manière périodique.
• Critère de sélection d'un MCP
Un MCP sélectionné requiert plusieurs spéci cités liées non seulement a sa capacité de
stockage mais aussi pour des critères environnementaux et économiques. Dans ce contexte,
plusieurs études ont été développé qui permettre de choisir un MCP selon l'application.
Plusieurs méthodes ont été proposées par diérents auteurs a n de choisir au mieux un
matériau pour une application spéci que [46]. Le choix d'un MCP est basé sur leurs
propriétés thermo-physiques, cinétiques, chimiques, économiques ainsi leurs propriétés
mécaniques.
- Les propriétés thermo-physiques :
∗ La température de fusion/solidi cation doit se situer la plage de fonctionnement de
l'application.
∗ Une chaleur latente de fusion importante a n de stocker une grande quantité de
chaleur. Cette valeur est primordiale a n de garantir une densité énergétique de
stockage assez importante.
∗ Une bonne conductivité thermique de façon que le gradient de température entre
la température de fusion et la température du uide caloporteur soit faible. Pour
la plupart des MCP, la conductivité thermique ne dépasse généralement pas 0.5
W/(m.K)
∗ Une densité du MCP élevée ce qui permet de réduire les volumes de stockage.
∗ Une faible expansion volumique pour réduire les risques de fuite et les surpressions
dans le réservoir. La valeur de l'expansion volumique ne dépasse pas généralement
le 10 % pour les MCP.
∗ Une faible pression de vapeur saturante a n que les risques de vaporisation soient
limités.
∗ Une fusion/solidi cation cohérente du MCP.
- Les propriétés chimiques et cinétiques :
Bessem DEBICH 18
Chapitre 1. État de l'art sur la dissipation thermique
∗ Un faible potentiel de corrosion ainsi sa simple cohérence avec la plupart des maté-
riaux soient utilisés avec le uide caloporteur soit dans la fabrication des échangeurs.
∗ Une grande stabilité chimique tout au long les cycles des charges et des décharges.
∗ Le MCP n'est ni dangereux, ni explosif, ni toxique pour l'environnement.
∗ Le MCP est caractérisé par l'absence de phénomène de surfusion. Notons que la
surfusion est la capabilité d'un matériau de descendre à une température plus basse
que la température de solidi cation alors qu'il demeure en phase liquide.
- Les propriétés économiques et mécaniques :
∗ Faible coût du MCP ainsi son coût de fabrication.
∗ Il est disponible partout et tout le temps.
∗ Il n'a pas d'impact sur l'environnement.
• Les diérents types de MCP
Une classi cation générale a été donnée par Abhat [7] comme montrée dans la gure 1.12.
Elle a été utilisée par la suite par la communauté scienti que du stockage latent.
Figure 1.12 Les diérentes classes des MCP
D'une façon générale, les MCP sont classés en trois catégories :
∗ Les composés inorganiques(ou minéraux) : ils sont classés en trois catégories :
- Les sels : ce sont des composés formés de cations et d'anions. Par exemple, les
chlorures et les uorures présentent chacune une chaleur latente de fusion plus im-
portante que celles des sulfates ou nitrates [8]. Les sels sont caractérisés par une
chaleur latente très importante (de 68 et 1040 kJ/kg ) ainsi des températures de
◦
fusion élevées (entre 250 et 1680 C). De plus, les sels présentent une expansion
volumique très faible (de l'ordre de 7%). Par contre, les sels présentent des défauts
de stabilité thermique.
- Les hydrates de sels : ce sont des sels inorganiques dont la formule générale est
AB.nH2 O. Ils sont caractérisés une grande chaleur latente de fusion (de 100 à 300
kJ/kg ), une température de fusion convenable aux applications à faible tempéra-
◦
ture ( de 8 à 100 C) ainsi une conductivité thermique très élevée (de l'ordre de 0,5
Bessem DEBICH 19
Chapitre 1. État de l'art sur la dissipation thermique
W/m.K ). Cependant, les hydrates de sels présentent des inconvénients tels que la
surfusion, leur fusion non congruente et encore des problèmes de corrosion [9].
- Les métaux : certains auteurs ont considéré les métaux en tant que MCP [10, 11].
Les métaux sont caractérisés par une chaleur latente très importante, une grande
stabilité à long terme ainsi une conductivité thermique bien plus élevée que les autres
catégories de MCP. Ils permettent ainsi un stockage très rapide de la chaleur dissipée
avec une expansion volumique faible. Mais, les métaux présentent des problèmes de
corrosion.
∗ Les composés organiques : ils sont composés essentiellement par :
- Les para nes : ils appartiennent à la famille d'hydrocarbures saturés de formule
générale Cn H2n+2 . Les para nes sont considérées parmi les MCP les plus utilisés
grâce à leur grande température de fusion, leur grande la chaleur latente de fusion
ainsi leur stabilisation chimique [12]. Cependant, ce type de MCP présente une faible
conductivité thermique (de l'ordre de 0.25 W/m.K ), une expansion volumique très
importante (' 15%) [13] ainsi qu'une densité élevée. (' 800kg/m3) [14].
- Les acides gras : ils ont approximativement les mêmes propriétés que les para nes
et ils sont caractérisés par la formule générale CH3 (CH2 )2n COOH . Ils sont carac-
◦
térisés par une grande gamme de températures (de 40 à 150 C) ainsi une chaleur
latente de fusion assez importante (du même ordre que les para nes). Par contre,
les acides gras rencontrent des problèmes de stabilisation chimique [15] et peuvent
être dégradés sous sa forme liquide due à la vaporisation du matériau.
- Les alcools de sucre : ce sont des composés organiques qui appartiennent à la fa-
mille des polyols. Ils sont caractérisés par une enthalpie de phase assez importante,
une grande densité (∼ 1500kg/m3 ) ce qui nous donne une densité énergétique éle-
vée. De plus, ils sont caractérisés aussi par sa stabilité chimique et son faible coût
mais les alcools de sucre ont la tendance à la surfusion.
∗ Les composés eutectiques : ce sont des mélanges de MCP inorganiques et/ou
organiques [6, 16]. Ils sont caractérisés principalement par leur chaleur latente im-
portante et leur changement de phase. Le problème le plus primordial des composés
eutectiques c'est la complexité de déterminer le point eutectique exact pour avoir
une température de fusion uniforme.
Chaque sous-groupe de MCP présente des propriétés thermochimiques diérentes qui in-
uent de manière signi cative la conception du système de stockage de la chaleur.
• Comparaison des diérents familles de MCP
La gure 1.13 présente une comparaison des diérentes catégories des MCP en fonction
Bessem DEBICH 20
Chapitre 1. État de l'art sur la dissipation thermique
de leur chaleur latente et de leur point de fusion.
Figure 1.13 Comparaison des MCP par famille en fonction de leur chaleur latente et
leur température de fusion [17]
Prenant l'exemple d'une application industrielle, la gamme de températures est com-
◦
prise entre 100 et 300 C. On peut noter que les hydroxydes, les alcools de sucre et les
nitrates de sels sont les matériaux qui couvrent cette gamme de températures.
Figure 1.14 Capacité thermique (a) et coût des MCP (b) à point de fusion élevé [18]
La comparaison des familles de MCP en fonction de leur capacité thermique et leur
température de fusion est réalisée sur la gure 1.14(a). De même, en prenant le cas d'une
application industrielle c'est-à-dire pour le même intervalle de température, les nitrates de
lithium, le mannitol et l'érythritol sont des matériaux caractérisés par une grande capacité
thermique.
Pour avoir la bonne sélection du MCP, il faut prendre en considération le coût d'un MCP
Bessem DEBICH 21
Chapitre 1. État de l'art sur la dissipation thermique
qui dé nit présente l'un des critères les plus importants. Plusieurs familles des MCP sont
présentés en fonction de leur coût ainsi que leur température de fusion ( gure 1.14(b)).
Pour les diérentes familles de MCP, il existe un des points communs entre eux qui in uent
explicitement sur le transfert de chaleur, c'est la faible conductivité thermique.
1.5 Stockage d'énergie thermique
Le stockage de l'énergie thermique dissipée par un composant électronique s'eectue
sous plusieurs formes :
∗ Le stockage par chaleur sensible : s'eectue dans des matériaux sans changement de
phase.
∗ Le stockage par chaleur latente : utilisation des matériaux qui stocke la chaleur
dissipée avec changement de phase.
∗ Le stockage par chaleur des réactions : absorption et thermochimie
Dans un MCP, uniquement le stockage de la chaleur sensible et latente sont considérés.
Dans la partie suivante on va détailler ces modes de stockage.
1.5.1 Le stockage de la chaleur sensible
Le stockage sensible est considéré comme étant la manière la plus commune de réutiliser
l'énergie thermique [17]. Il utilise les propriétés thermo-physique d'un corps. La variation
d'enthalpie (quantité de chaleur à pression xe) est proportionnelle alors à la masse et la
chaleur spéci que Cp de ce corps ainsi la diérence entre la température initiale et celle
de stockage, comme présentée par l'équation (1.12) :
Z T2
Hsensible = ∆H = [Link] dT (1.12)
T1
Dans le cas où la capacité calori que est supposée constante dans la plage de températures
[T1 , T2 ], l'équation (1.12) devient :
∆H = [Link] .∆T = [Link] (T1 − T2 ) (1.13)
Selon l'équation (1.13), deux cas peuvent être distingués. On dit que le corps stocke de
l'énergie thermique si T2 > T1 et inversement.
1.5.2 Le stockage de la chaleur latente
Le stockage de la chaleur latente consiste à chauer un corps jusqu'au passage d'un
état physique à un autre. Le corps absorbe alors une quantité d'énergie pour eectuer
Bessem DEBICH 22
Chapitre 1. État de l'art sur la dissipation thermique
sa transformation. cette quantité de chaleur est appelée chaleur latente de fusion. la -
gure 1.15 présente une comparaison entre le stockage de chaleur sensible et le stockage
latent. D'après cette gure on peut constater que le stockage par chaleur latente est plus
avantageux que celui par chaleur sensible.
Figure 1.15 Comparaison entre le stockage par chaleur sensible et chaleur latente [19]
On peut exprimer la quantité d'énergie stockée lors du passage de l'état solide à l'état
liquide par l'équation (1.14) :
Z Tf usion Z T2
∆H = [Link],S (T ) dT + m.∆HS,L + [Link],L (T ) dT (1.14)
T1 Tf usion
On note Cp,L (T ) et Cp,S (T ) les capacités thermiques massiques à l'état liquide et solide
respectivement. Cette équation présente deux termes liés à la chaleur sensible et un autre
terme qui représente la chaleur latente (m.∆HS,L ).
1.6 Applications de stockage d'énergie
Comme discuté dans les sections précédentes, le stockage d'énergie par changement de
phase solide-liquide est intrinsèquement un processus transitoire et convient mieux aux
systèmes qui travaillent en intermittente, tels que des cycles marche-arrêt ou de pointe
périodiques, ou pour les systèmes qui nécessitent un stockage d'énergie thermique pour
une utilisation ultérieure. Les MCP sont couramment utilisés dans les applications de
gestion thermique et de stockage d'énergie thermique.
L'intérêt sur les MCP pour la gestion thermique des systèmes remonte au moins aux
années 1970. La NASA en particulier s'est intéressée à l'utilisation de MCP en tant que
"condensateurs thermiques". Ils ont été implémentés dans plusieurs véhicules lunaires et
dans Skylab [20]. La note technique de 1977 de la NASA A Design Handbook for Phase
Change Thermal Control and Energy Storage Devices [21] a été l'une des premières
Bessem DEBICH 23
Chapitre 1. État de l'art sur la dissipation thermique
références complètes de MCP et est encore largement citée et utilisée aujourd'hui.
Au cours des années 1970 et 1980, l'intérêt s'est également accru pour l'application des
MCP dans les systèmes solaires [2224] pour le stockage d'énergie thermique dans les
grandes centrales solaires et dans les applications domestiques plus petites telles que les
systèmes d'eau chaude domestique. Le concept d'intégration des MCP dans divers types
de matériaux de construction, tels que les panneaux muraux et les lames de plancher, a n
de créer des maisons et des bureaux avec des charges de chauage et de refroidissement
plus faibles pour une plus grande e cacité énergétique, a également commencé dans les
années 1970/80 [25, 26].
Avec la croissance de la puissance de calcul dans les années 1980 et 1990, les circuits
intégrés ont commencé à dissiper des quantités importantes de chaleur et les applications
à base des MCP dans la gestion thermique de l'électronique militaire et grand public
sont apparues à la n des années 1990 [2729]. Plus récemment, les MCP ont vu leur
application dans la conception textile pour les vêtements absorbant l'énergie pour les
produits militaires et de consommation [30].
1.6.1 Gestion thermique de l'électronique
La conception de l'électronique au cours des cinq dernières décennies a suivi de près
la loi de Moore selon laquelle la puissance de traitement double tous les 2 ans environ.
Cette augmentation exponentielle de la puissance de traitement a été une grande aubaine
pour le domaine de l'électronique, mais un grand dé pour les ingénieurs thermiques.
Pour des raisons de abilité, la plupart des équipements électroniques sont contraints de
◦
fonctionner en dessous de 85 C et toute la chaleur générée doit être dissipée dans l'envi-
ronnement pendant les conditions de fonctionnement en régime permanent et transitoire.
Pour les systèmes informatiques standard tels que les ordinateurs portables et les ordi-
nateurs de bureau, les charges thermiques peuvent généralement être dissipées à l'aide
d'un dissipateur thermique couplé à un ventilateur, en supposant qu'il existe su sam-
ment d'espace dans le boîtier pour la géométrie du dissipateur thermique. Les systèmes
de calcul haute performance avec des ux de chaleur plus élevées se tournent de plus en
plus vers des systèmes de refroidissement à base de liquide tels que les plaques froides, ce
qui nécessite alors l'utilisation d'équipements auxiliaires tels que des pompes, des tuyau-
teries et des échangeurs de chaleur externes. Mais pour l'électronique portable, l'un des
segments les plus importants du marché de l'électronique grand public, et qui comprend
les tablettes et les smartphones, les solutions de gestion thermique possibles sont sévère-
ment limitées par leur facteur de forme. La demande de systèmes ultra-minces interdit
l'utilisation de grands dissipateurs thermiques refroidis par air ou de boucles de pompage
de liquide.
Bessem DEBICH 24
Chapitre 1. État de l'art sur la dissipation thermique
Par chance, la plupart des appareils électroniques portables sont utilisés dans des cycles
de service marche/arrêt ou de pointe, ce qui rend possible l'utilisation des MCP pour la
gestion thermique. De nombreuses tablettes et smartphones sont en mode veille à faible
consommation pendant la majeure partie de la journée, avec des rafales d'activité aléa-
toires qui provoquent un pic de puissance de traitement. Pour ces applications, les MCP
peuvent être utilisés pour absorber ces sursauts d'énergie, puis pour dissiper la chaleur
stockée lorsque le cycle de pointe est terminé. L'idée est de faire pénétrer e cacement la
chaleur dans le MCP lorsque le cycle de pointe commence, en faisant fondre le MCP et
en maintenant une température de fonctionnement constante. La durée du cycle de fusion
du MCP doit être adaptée aux intervalles de temps d'utilisation courants (peut-être 10 à
30 min). Une fois fondu, le MCP doit évacuer sa chaleur dans l'environnement au fur et
à mesure qu'il se solidi e et se recharge pour le cycle suivant.
L'utilisation du MCP de cette manière maintient une température plus constante de l'élec-
tronique en fonctionnement de pointe, et constitue une solution thermique passive sans
autres systèmes mécaniques comme des ventilateurs ou des pompes, augmentant ainsi
leur abilité. Les MCP utilisés dans ces applications ont généralement des températures
◦
de fusion comprises entre 36 et 56 C a n de maintenir la température de jonction bien en
◦
dessous des 85 C admissibles pour les circuits intégrés.
1.6.2 Stockage d'énergie dans les matériaux de construction
Le stockage d'énergie présente depuis longtemps un critère de choix des matériaux de
construction. Dès les premiers jours, l'homme a voulu concevoir des habitations confor-
tables qui absorbent la chaleur pendant la journée, évitant la surchaue, et qui retiennent
le plus de chaleur possible la nuit, maintenant une température confortable à l'intérieur.
L'utilisation de matériaux tels que l'adobe en est un excellent exemple. Ces matériaux
stockent des quantités importantes de chaleur sensible pendant la journée et la libèrent
lentement pendant la nuit, créant ainsi une demeure confortable dans les environnements
désertiques (voir gure 1.16).
Les MCP peuvent être utilisés pour la régulation de la température, le stockage de chaleur
ou de froid avec une densité de stockage élevée et le confort thermique dans les bâtiments
nécessitant une plage de température étroite. Par conséquent, si l'énergie solaire est sto-
ckée e cacement, elle peut être utilisée pour le froid nocturne. L'utilisation des MCP
est une opportunité pour répondre à la demande de chauage. Il aide à stocker l'énergie
disponible pendant la journée et à maintenir la température du bâtiment dans un niveau
de confort.
Le stockage d'énergie dans les murs ou d'autres composants du bâtiment peut être amé-
lioré en encapsulant le MCP dans les surfaces du bâtiment. La chaleur thermique latente
Bessem DEBICH 25
Chapitre 1. État de l'art sur la dissipation thermique
du MCP est utilisée pour capter directement l'énergie solaire ou la chaleur ou le froid
arti ciels et diminuer les variations de température dans le bâtiment. Il maintient égale-
ment la température plus proche de la température souhaitée tout au long de la journée.
Les chercheurs ont proposé du MCP encapsulé au niveau macro ou micro dans le bé-
ton, les plaques de plâtre, le plafond et le sol a n d'obtenir une plage de température
raisonnablement constante.
Figure 1.16 Application typique du PCM dans les bâtiments [31]
Aujourd'hui, il est possible d'améliorer le confort thermique et de réduire la consom-
mation énergétique des bâtiments sans augmentation substantielle du poids des matériaux
de construction par l'application de MCP micro et macro encapsulé. Les températures de
pointe maximales et minimales peuvent être réduites par l'utilisation de petites quantités
de MCP, soit mélangées au matériau de construction, soit xées en couche mince sur les
murs et les toits d'un bâtiment.
Contrairement aux panneaux isolants structuraux, qui présentent des caractéristiques
thermiques assez uniformes, les attributs d'un MCP varient en fonction des facteurs envi-
ronnementaux. Le ux thermique est directement proportionnel à la diérence de tempé-
rature à travers l'isolation structurelle du panneau isolant. L'utilité du MCP est constatée
lorsque les températures dans la paroi sont telles qu'elles provoquent un changement d'état
du MCP. On peut en déduire que plus la diérence de température entre jour et nuit est
grande, mieux le MCP travaille pour réduire le ux de chaleur. L'utilisation d'un panneau
isolé structurel en matériau à changement de phase serait excellente pour les zones géo-
graphiques où il y a généralement une grande variation de température, chaude pendant
la journée et fraîche la nuit.
Bessem DEBICH 26
Chapitre 1. État de l'art sur la dissipation thermique
1.6.3 Systèmes d'énergie solaire
[Link] Centrale à énergie solaire concentrée
Un inconvénient évident des systèmes d'énergie solaire de tout type est la limitation
de l'e cacité de la technologie aux périodes de rayonnement solaire élevé. C'est particu-
lièrement un problème pour les grandes centrales solaires commerciales, car la demande
d'électricité n'est pas limitée aux heures de la journée. L'utilisation de MCP pour le sto-
ckage d'énergie thermique (SET) dans ces applications est fortement recommandée. En
fait, pour les grandes centrales solaires, un SET entièrement intégré est nécessaire pour
la conception de centrales économiquement viables a n de réduire la consommation sup-
plémentaires du combustible.
Les centrales solaires commerciales sont conçues en utilisant le concept d'énergie solaire à
concentration (CSP). Dans ces centrales, la lumière du soleil est ré échie et concentrée à
l'aide de miroirs, puis utilisée pour chauer un uide porteur. Le creux parabolique est la
technologie la plus utilisé. Un exemple de technologie de cuvette parabolique est illustré à
la gure 1.17. Dans cette gure, le récepteur thermique est supporté au-dessus des miroirs
de concentration.
Figure 1.17 Capteurs solaires à auge parabolique avec uide caloporteur dans le tube
absorbant l'énergie thermique [32]
Le récepteur est un tuyau noir enfermé dans un tube à vide pour réduire les pertes
par convection. Un uide caloporteur à haute température et haute pression circule dans
les tuyaux récepteurs. Selon la conception du système, le uide peut servir de source
de chaleur dans un évaporateur, créant de la vapeur qui alimente une turbine à courant
qui entraîne un générateur, ou le uide peut directement se vaporiser lorsqu'il traverse
le champ solaire, puis passer directement à travers la turbine sans échangeur de chaleur
intermédiaire (appelé génération directe de vapeur). Dans l'une ou l'autre conception,
pendant les périodes de fort ensoleillement, il est possible d'absorber plus d'énergie solaire
Bessem DEBICH 27
Chapitre 1. État de l'art sur la dissipation thermique
thermique dans le uide. Cet excès d'énergie solaire thermique peut être stocké à l'aide de
chaleur sensible ou latente dans des réservoirs de stockage comme le montre la gure 1.18.
Figure 1.18 Un exemple de centrale solaire de production directe de vapeur avec
stockage d'énergie thermique [32]
[Link] Applications solaires domestiques
Alors que les grandes centrales CSP ont certainement des incitations techniques et
économiques importantes pour mettre en ÷uvre des systèmes de stockage d'énergie ther-
mique à base de MCP, les systèmes solaires à plus petite échelle peuvent également tirer
certains avantages du SET.
Figure 1.19 Système de chaue-eau solaire sanitaire avec stockage thermique à base
de MCP [32]
Par exemple, les systèmes solaires thermiques peuvent être utilisés par les petites en-
treprises et les maisons pour la production d'eau chaude et pour les systèmes de chauage.
Un système de chaue-eau solaire à petite échelle avec stockage d'énergie est illustré à la
Bessem DEBICH 28
Chapitre 1. État de l'art sur la dissipation thermique
gure 1.19. Ces systèmes comportent un capteur solaire plat, généralement monté sur le
toit, qui comporte un uide caloporteur traversant les tubes récepteurs. Ces tubes sont
isolés dans une enceinte avec une plaque de protection en verre. Le uide caloporteur ne
peut pas être utilisé pour créer de la vapeur et entraîner un système d'alimentation, mais
il est su samment chaud pour fournir de la chaleur à un ballon d'eau chaude.
Comme avec le CSP, l'e cacité du système est limitée aux heures de la journée, mais le
système solaire thermique peut être conçu pour stocker de la chaleur supplémentaire à
l'aide du MCP dans les réservoirs de stockage pendant la nuit, réduisant considérablement
la dépendance au gaz naturel supplémentaire ou au chauage électrique.
1.6.4 Application dans le secteur textile
Une application relativement nouvelle, mais extrêmement intéressante, des MCP ré-
side dans la conception de vêtements a n d'améliorer le confort dans des conditions de
chaleur ou de froid extrêmes. À bien des égards, cette application est similaire à l'utilisa-
tion de MCP dans les matériaux de construction pour le maintien de conditions environ-
nementales confortables. Cela peut permettre la conception de systèmes de contrôle de
l'environnement personnel pour une utilisation à la fois en intérieur et en extérieur. Ceci
va permettre de concevoir des vêtements et des accessoires dotés de capacités de gestion
thermique. Une variété de produits sont disponibles dans le marché telle que des parkas
à régulation thermique, des gilets, des pantalons de neige, des sous-vêtements, des chaus-
settes, des sacs de couchage, des couvertures, des couettes, des matelas et des oreillers [30]
(voir gure 1.20).
Pour les vêtements par temps chaud, ces produits sont conçus pour absorber l'excès de
chaleur de l'environnement, isolant thermiquement le corps humain des températures ex-
cessives. Dans les climats extrêmes, la chaleur est absorbée directement dans le MCP qui
maintient alors un microclimat confortable à côté du corps. L'objectif, similaire à celui
précédemment examiné pour la gestion thermique de l'électronique, est de retarder le
plus possible l'apparition des températures en régime permanent. Une fois complètement
fondu, le MCP liquide montera en température jusqu'à ce qu'il atteigne l'état d'équilibre,
et doit être refroidi et solidi é avant sa prochaine utilisation. Si le temps de fusion utile
peut être étendu à plusieurs heures, ces types de vêtements peuvent être extrêmement e -
caces. En fait, l'armée américaine a manifesté un intérêt considérable pour les conceptions
de textiles MCP au l des ans, nançant plusieurs études sur la conception d'équipements
à utiliser par les troupes déployées dans des environnements extrêmes. Ce type de système
peut également être e cace dans les équipements de sport et d'exercice.
Bessem DEBICH 29
Chapitre 1. État de l'art sur la dissipation thermique
Figure 1.20 Tissu enduit de microbilles du MCP [32]
Pour les vêtements par temps froid, l'idée est similaire mais avec la source de chaleur
inversée. Dans ce cas, le MCP absorbe la chaleur du corps humain. En passant de l'état
solide à l'état liquide, il isole le corps du froid extrême. Cela peut être particulièrement
utile dans certains types de parkas, y compris les équipements de ski. Lorsque l'utilisateur
est à l'extérieur par temps froid, la chaleur générée par le niveau d'activité est absorbée par
le MCP. Ainsi, pendant les pauses périodiques, comme par exemple lorsqu'il est sur une
remontée mécanique, le MCP commence à se solidi er, mais maintient une température
constante, ce qui implique l'augmentation du confort par rapport à un équipement normal.
1.7 Conclusion
Dans ce premier chapitre, une étude bibliographique sur la dissipation thermique a été
présenté. Les diérents modes de transfert de chaleur tels que la conduction, la convection
et le rayonnement, ainsi que leurs équations sont établis.
Par la suite, les techniques des systèmes de refroidissement ont été détaillées. Deux grandes
familles ont été distinguées : les systèmes de refroidissement monophasiques et les sys-
tèmes de refroidissement diphasiques.
On s'intéresse dans ce travail principalement par le refroidissement des composantes élec-
troniques par changement de phase solide-liquide. Dans ce contexte, le principe, les critères
de sélection ainsi que les avantages et les inconvénients des matériaux à changement de
phase ont été détaillés ainsi les équations liées au stockage de la chaleur sensible et latente.
Quelques domaines d'application de stockage d'énergie thermique à base de MCP ont été
présenté à la n de ce chapitre.
L'objectif maintenant est de proposer une méthode numérique able qui permet de trouver
une conception optimale d'un système de refroidissement à base des MCP.
Bessem DEBICH 30
Chapitre 2
Investigation numérique des systèmes
de refroidissement à base des MCP
Sommaire
2.1 Introduction . . . . . . . . . . . ...... .. .......... . . 32
2.2 Description du problème . . . . ...... .. .......... . . 32
2.3 Analyse par éléments nis des systèmes de refroidissement à
base des MCP . . . . . . . . . . ...... .. .......... . . 34
2.3.1 Formulation mathématique du comportement des MCP . . . . . . . 34
2.3.2 Description du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.3 Géométrie et conditions aux limites . . . . . . . . . . . . . . . . . . . 37
2.3.4 Résultats préliminaires et discussions . . . . . . . . . . . . . . . . . . 38
2.4 Étude paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.1 Étude sur les MCP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4.2 Variation de la fraction volumique du MCP . . . . . . . . . . . . . . 43
2.4.3 Variation du niveau de puissance . . . . . . . . . . . . . . . . . . . . 45
2.4.4 Variation de la géométrie du dissipateur thermique . . . . . . . . . . 45
2.4.5 Con gurations adoptés pour le système de refroidissement étudié . . 47
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
2.1 Introduction
Ce chapitre présente une étude numérique e cace d'un dissipateur thermique à base
de MCP. Ceci a n de déterminer sa con guration optimale qui garantit une meilleure
gestion thermique. L'e cacité du modèle proposé est véri ée en se basant sur des don-
nées expérimentales disponibles dans la littérature. Une comparaison entre un dissipateur
thermique avec et sans matériau à changement de phase a été réalisée.
En outre, une analyse détaillée de l'eet des diérents paramètres liée principalement à la
géométrie, aux conditions aux limites et aux propriétés du matériau est proposée. L'étude
paramétrique permet nalement à dé nir une conception optimale avec une performance
thermique e cace, tant pour les phases de charge que de décharge.
2.2 Description du problème
Au cours de ces dernières décennies, la gestion thermique, notamment dans le domaine
de la mécatronique, pose un problème complexe qui a retenu l'attention des chercheurs
dans plusieurs domaines, tels que les ordinateurs portables [33], les smartphones [34, 35],
caméras vidéo numériques, automobiles et même avions [21, 36, 37] etc.
L'augmentation du développement de la technologie implique une diminution de la taille
des composants électroniques. Par conséquent, plusieurs problèmes peuvent apparaitre
liée principalement à des raisons thermiques. En fait, un ux thermique élevé généré par
les composants électroniques peut conduire à une panne ou un mal-fonctionnement. Pour
éviter ces problèmes, une gestion thermique e cace est nécessaire.
Dans la littérature, plusieurs méthodes de dissipation thermique des dispositifs actifs ont
été développées [3840]. Certains de ces systèmes de refroidissement sont basés sur les
matériaux à changement de phase [4147] . En fait, il a été démontré que cette nouvelle
technologie est plus e cace, en particulier dans le cas d'appareils qui fonctionnent par
intermittence pendant de courtes périodes [42].
La sélection des MCP pour une application spéci que est basée sur la température de fonc-
tionnement maximale de l'appareil. C'est-à-dire que la température de fusion du MCP
doit être inférieure à la température de fonctionnement maximale du composant. En gé-
néral, la température globale maximale autorisée d'un tel composant ne doit pas dépasser
◦ ◦
85 C à 120 C [48].
Généralement, le cuivre et l'aluminium sont les métaux les plus utilisés pour améliorer
la gestion thermique globale du dissipateur thermique. Malgré le fait que la valeur de la
conductivité thermique de l'aluminium soit inférieure à celle du cuivre, son utilisation est
plus favorable. En eet, il se caractérise par sa faible densité, sa résistance à la corrosion
Bessem DEBICH 32
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
et aussi sa facilité de fabrication.
Une étude permettant d'évaluer le taux de stockage thermique d'un MCP par rapport
à celui d'un composite MCP-mousse métallique a été présenté par Xu et al. [49]. Une
application sur les dispositifs de stockage thermique multicouche à plaques parallèles a
été proposé. Cette étude montre que l'utilisation des composites MCP-mousse métallique
est requise pour le processus de stockage thermique. De plus ,Xi H.J [50] a étudié le trans-
port thermique dans des microcanaux partiellement remplis de milieux microporeux en
considérant l'inertie d'écoulement, l'écoulement/glissements thermiques, le non-équilibre
thermique et l'asymétrie thermique. Nazzi Ehms et al. [51] présentent une revue des mo-
dèles numériques à grille xe pour la solidi cation et la fusion des MCP. Cette étude dé-
montre que le modèle enthalpie porosité est le modèle numérique le plus recommandé
pour étudier les MCP. De plus, une nouvelle approche a été proposée a n de déterminer
les performances de calcul dans les simulations numériques transitoires. Également, dans
[52], les auteurs présentent une analyse numérique des matériaux à changement de phase
(MCP) où le processus de solidi cation de l'érythritol dans les sphères a été étudié.
Pour véri er les performances de transfert thermique d'un dissipateur de chaleur à base
de MCP, sous forme d'une matrice à ailettes à plaques, Baby et Balaji [42] ont mené une
étude expérimentale pour diérents cas avec des ux de chaleurs constants et cyclique.
Une comparaison sur des systèmes de refroidissement sans et avec MCP à diérents ni-
veaux de chargement a été proposée.
L'objectif de ce chapitre est de proposer une conception optimale, en se basant sur une
étude numérique du système de refroidissement à base du MCP étudié. L'e cacité du
modèle proposé est véri ée numériquement en les comparant avec des données expéri-
mentales présentées par Baby et Balaji [42].
Le système de refroidissement étudié est composé d'un dissipateur thermique sous forme
d'une matrice à ailettes en aluminium. D'autre part, le n-Eicosane est utilisé comme MCP
pour améliorer le comportement de stockage thermique du modèle proposé. Ainsi, pour
avoir une meilleure précision des résultats, tous les côtés du système de refroidissement
sont supposés adiabatiques.
Une étude paramétrique est ensuite proposée, où quatre cas sont étudiés. L'objectif princi-
pal est donc de comparer les performances thermiques lors du changement (i) du matériau
MCP (ii) du niveau de ux thermique (iii) de la fraction volumique et (iv) de la géométrie
du dissipateur thermique. Pour chaque cas, la comparaison des performances thermiques
est basée sur l'étude de deux phases d'excitation du ux thermique : phase de charge et
phase de décharge. Une conception optimale d'un système de refroidissement est alors
proposée. Cette conception présente une gestion thermique e cace.
Bessem DEBICH 33
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
2.3 Analyse par éléments nis des systèmes de refroi-
dissement à base des MCP
2.3.1 Formulation mathématique du comportement des MCP
La chaleur générée par le composant électronique est transférée à toutes les surfaces du
dissipateur thermique par conduction. Une partie de la chaleur stockée dans le dissipateur
thermique est évacuée dans l'air ambiant par convection naturelle et rayonnement.
D'autre part, l'absorption de l'énergie par le MCP provoque sa transformation de solide
en liquide, et la dissipation de l'énergie provoque sa transformation du liquide en solide.
• Conservation de l'énergie :
On suppose que les propriétés thermo-physiques du MCP sont indépendantes de la tempé-
rature et uniquement l'équation de conduction est prise en considération comme présentée
dans l'équation (2.1) :
∂T ∂T ∂T ∂T ∂ 2T ∂ 2T ∂ 2T
ρCp ( +u +v + w ) = λ( 2 + + ) + Sh (2.1)
∂t ∂x ∂y ∂z ∂x ∂y 2 ∂z 2
Où u, v et w présentent les composantes de vitesse respectivement dans les directions
x, y et z . Notant que λ, Cp et ρ sont respectivement la conductivité thermique, la chaleur
spéci que de fusion et la densité de l'aluminium.
Le stockage de chaleur latente, dû à la fusion, est déterminé à partir du terme de source
d'énergie Sh et il peut s'écrire comme suit :
∂
Sh = − (ρ∆H) (2.2)
∂t
L'enthalpie totale du MCP est calculée comme la somme de l'enthalpie spéci que hs et
la chaleur latente ∆H .
H = hs + ∆H (2.3)
L'enthalpie spéci que hs peut être calculée comme présentée par l'équation (2.4) :
Z T
hs = Cp dT + hs,ref (2.4)
Tref
De plus, la chaleur latente ∆H peut être déterminée par :
∆H = ξLf (2.5)
Comme présenté dans l'équation (2.5), ξ et Lf se réfèrent respectivement à la fraction
liquide et à la chaleur latente de fusion du MCP.
Bessem DEBICH 34
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
Le paramètre ξ présente la quantité liquide par rapport au volume total de MCP. Il varie
de 0 à 1 selon l'état du MCP et il est dé ni comme présenté dans l'équation (2.6) :
0 if T ≤ Ts
ξ= T −Ts (2.6)
Tl −Ts
if Ts < T < Tl
1 if T ≥ Tl
D'après les équations (2.3) à (2.5), l'enthalpie totale H de MCP peut être donnée comme
présentée dans l'équation (2.7) :
Z T
H= Cp dT + hs,ref + ξLf (2.7)
Tref
Les équations régissant la quantité de mouvement et la conservation de la masse sont
dé nies comme suit :
• Conservation du moment :
∂u ∂(u2 ) ∂(uv) ∂(uw) ∂P ∂ 2u ∂ 2u ∂ 2u
ρ( + + + )=− + µ[ 2 + 2 + 2 ] + S.u (2.8)
∂t ∂x ∂y ∂z ∂x ∂x ∂y ∂z
∂v ∂(uv) ∂(v 2 ) ∂(vw) ∂P ∂ 2v ∂ 2v ∂ 2v
ρ( + + + )=− + µ[ 2 + 2 + 2 ] + S.v (2.9)
∂t ∂x ∂y ∂z ∂y ∂x ∂y ∂z
∂w ∂(uw) ∂(vw) ∂(w2 ) ∂P ∂ 2w ∂ 2w ∂ 2w
ρ( + + + )=− + µ[ 2 + + ] − ρgαw (T − Ts ) + S.w
∂t ∂x ∂y ∂z ∂z ∂x ∂y 2 ∂z 2
(2.10)
Notant que : α w , µ, P et g présentent respectivement le coe cient de dilatation ther-
mique, la viscosité dynamique, la pression et l'accélération gravitationnelle.
En raison de la direction de l'accélération gravitationnelle (direction z négative), l'approxi-
mation de Boussinesq est calculée en ajoutant le terme (ρgαw (T − Ts )) comme mentionné
dans l'équation (2.10).
Le terme source S dans les équations de conservation des moments est présenté par :
(1 − ξ)2
S= Am (2.11)
(ξ 3 + ε)
Dans l'équation (2.11), ε est un petit paramètre positif (ε = 10−10 ) utilisé pour éviter la
division par zéro. La constante Am est le nombre consécutif dans la région pâteuse. Am
est considérée égale à 105 comme montrée dans plusieurs études [5355].
• Conservation de masse :
∂ρ ∂(ρu) ∂(ρv) ∂(ρw)
+ + + =0 (2.12)
∂t ∂x ∂y ∂z
Bessem DEBICH 35
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
On peut considérer que le liquide du MCP est un uide newtonien incompressible du fait
∂ρ
que la densité du MCP est invariable(
∂t
= 0). L'équation (2.12) peut s'écrire comme suit :
∂(ρu) ∂(ρv) ∂(ρw)
+ + =0 (2.13)
∂x ∂y ∂z
Les démonstrations de ces formulations mathématiques peuvent être trouvées dans des
nombreux ouvrages dont ceux de Wang et Yang [53, 54], Shatikian et al. [55] et Nayak et
al. [56].
2.3.2 Description du modèle
Le dissipateur thermique étudié a été proposé par Baby et Balaji dans [42]. La gure 2.1
présente le modèle étudié du dissipateur thermique à base d'aluminium et composé d'une
matrice d'ailettes. Il y a 4x4 cavités remplis avec n-Eicosane en tant que MCP.
Figure 2.1 Dissipateur thermique étudié (a) : photo réelle [42] et (b) : modèle 3D
Tous les côtés du dissipateur de chaleur sont isolés avec du liège, à l'exception de la
face supérieure, comme le montré dans la gure 2.2. Une feuille de plexiglas est placée
sur cette face ainsi qu'une garniture en caoutchouc pour l'étanchéité. A n de reproduire
la chaleur générée par le composant électronique, une plaque chauante a été placée à la
base du dissipateur thermique.
Figure 2.2 (a) : photo réelle de l'assemblage [42] et (b) : Coupe du modèle de
l'assemblage
Bessem DEBICH 36
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
2.3.3 Géométrie et conditions aux limites
La géométrie détaillée du dissipateur de chaleur est présentée dans la gure 2.3. Le
2
dissipateur de chaleur à ailettes à plaques est en aluminium de dimensions 80×62mm et
de hauteur de 25 mm. L'épaisseur de paroi latérale de 7 mm. Les cavités sont remplies
du MCP d'une hauteur de 20 mm. Les propriétés des matériaux de chaque composant de
l'assemblage sont mentionnées dans le tableau 2.1.
Figure 2.3 Géométrie du dissipateur thermique
Tableau 2.1 Propriétés thermo-physiques des matériaux
Matériau conductivité thermique chaleur spéci que chaleur latente point de solidi cation point de fusion densité
(W/m.K ) ( kJ/kgK ) ( kJ/kg ) (
◦
C) (
◦
C) ( kg/m3 )
Aluminum 202.4 0.87 - - 606.4 2719
Liège 0.045 0.35 - - - 120
Caoutchouc 0,16 0.001 - - - 1190
Plexiglass 0,19 1.47 - - - 1190
n-Eicosane 0.39 (s) 1.9 (s) 237.4 35.5 36.5 810 (s)
0.157 (l) 2.2 (l) 770 (l)
Pour modéliser l'eet de changement de phase dans le dissipateur thermique à base
du MCP, la méthode enthalpie-porosité est adoptée. Les hypothèses suivantes ont été
prises dans la présente étude :
- Le matériau du dissipateur thermique est isotrope et homogène.
- Il existe un équilibre thermique local entre le MCP liquide et les ailettes.
- En supposant que les propriétés thermo-physiques des ailettes et du MCP restent
constantes quelles que soient la phase et la température.
Bessem DEBICH 37
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
Notant que seule la valeur de la température de fusion du n-Eicosane a été identi ée
dans [42]. Cependant, pour des raisons liées à la modélisation numérique, une plage de
températures de la phase de chaleur latente a été considérée ∆T = Tliq − Tsol = 1◦ C [57].
Ici, Tsol et Tliq représentent respectivement la température de solidi cation et de fusion
du MCP (voir tableau 2.1). Pour résoudre les équations qui régissent dans ce cas, les
conditions aux limites prises en compte sont les suivantes :
◦
- t=0, T =Tamb = 27 C, ξ= 0.
Autrement dit, à t = 0 l'assemblage est exposé à une température ambiante Tamb et
le MCP est à l'état solide.
- Flux thermique à la base du dissipateur thermique :
∂T ∂T
−λ ∂x
= −λ ∂y
=Q
x = 10 → 70 x = 10 → 70
y = 10 → 52 y = 10 → 52
z=2 z=2
2.3.4 Résultats préliminaires et discussions
Pour étudier le dissipateur thermique basé sur les MCP, ANSYS Workbench v17.2
est utilisé comme logiciel de calcul par éléments nis (FE). Le modèle par éléments nis
du dissipateur thermique est présenté sur la gure 2.4. Le système de refroidissement
étudié (sans MCP) a été discrétisé en un nombre total de 49449 éléments thermiques
tétraédriques à 10 n÷uds ( gure 2.4 (a)).
Figure 2.4 Maillage du dissipateur thermique (a) : sans MCP et (b) : avec MCP
Six diérents maillages ont été étudiés. La gure 2.5 présente une étude de convergence
en considérant la température maximale atteinte (courbe bleue). Le temps de simulation
pour chaque con guration de maillage est présenté par la courbe rouge.
À partir de ces résultats, et pour un meilleur compromis entre précision et coût, le maillage
de 49449 éléments est sélectionné dans cette étude.
Le nombre total d'éléments est d'environ 109485 éléments pour le modèle de dissipateur
Bessem DEBICH 38
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
thermique rempli avec MCP ( gure 2.4 (b)). Notant qu'un ra nement de maillage a été
appliqué au niveau des surfaces de contact entre le MCP et le dissipateur thermique. Ce
ra nement permet de garantir la convergence des résultats.
Figure 2.5 Étude de convergence
La gure 2.6 montre la variation de température à la base du dissipateur thermique,
en fonction du temps. Notant que la courbe rouge et la courbe bleue présentent respecti-
vement les con gurations avec MCP et sans MCP. Le pro l température-temps peut être
divisé en deux parties distinctes : la phase de charge et la phase de décharge.
Figure 2.6 Pro l de température à la base du dissipateur thermique sous Q = 7W :
comparaison entre les résultats numériques et exprérimentaux [42]
Bessem DEBICH 39
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
Pour la phase de charge, on peut clairement remarquer que, dans la con guration
◦
sans MCP, la température passe d'une température ambiante (27 C) à la température de
◦
stabilisation (environ 65 C). Au départ, la température augmente de façon linéaire, puis
sa vitesse diminue avec le temps.
Cependant, béné ciant de ses propriétés thermo-physiques, le MCP a retardé l'augmenta-
tion de la température par rapport à celui sans MCP. En plus, comme on peut le constater,
pour la phase de charge, la courbe rouge peut être divisée en trois régions distinctes : phase
solide, phase de Chaleur latente et phase liquide du MCP.
Une autre observation qui peut être déduite à partir de la gure 2.6 c'est que les résultats
de la simulation numérique sur les températures des cas se comparent raisonnablement
bien aux données expérimentales. Notez que les courbes interrompues noire et verte pré-
sentent respectivement des pro ls de température expérimentaux pour les con gurations
avec et sans MCP [42].
La gure 2.7 présente une comparaison du modèle numérique avec les données expéri-
mentales pour les deux con gurations (sans/avec MCP). Chaque point présente le temps
nécessaire pour atteindre diérents seuils de températures, mesurées à la base du dissipa-
teur thermique. Notant que les triangles bleus présentent les résultats expérimentaux et
les losanges rouges présentent les résultats numériques. Ainsi, les données expérimentales
sont obtenues en se référant à Baby et al. [42].
Figure 2.7 Temps pour atteindre des températures seuils (a) : sans MCP et (b) :
avec MCP
À partir de la gure 2.7, on peut constater qu'une erreur maximale est observée entre
les résultats numériques et expérimentaux d'environ quatre minutes dans les deux cas,
sauf pour le premier point de la gure 2.7 (b) (environ 40 minutes). En fait, en se référant
◦
à la gure 2.6, les premières gouttes de liquide apparaissent presque à T=42 C, alors que
◦
théoriquement la température de fusion du MCP est d'environ 36.5 C. Par contre, cette
condition est validée numériquement.
Bessem DEBICH 40
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
2.4 Étude paramétrique
Dans cette section, le comportement thermique du dissipateur à ailettes à base de
MCP est étudié. Pour cela, sa sensibilité aux propriétés du matériau et aux paramètres
géométriques est mise en évidence. Pour nalement, un modèle optimal sera proposé en
considérant son comportement thermique.
2.4.1 Étude sur les MCP
La température de fusion d'un MCP est l'une des propriétés thermo-physiques la plus
importante pour le refroidissement des composantes mécatroniques. Ici, la température
de solidi cation doit être supérieure à la température ambiante et la température de
fusion doit être inférieure à la température de stabilisation. Dans [58], les auteurs visent
à étudier l'eet de l'utilisation de trois MCP (hydrate de sel, para ne et milk fat) pour
le refroidissement des composants électroniques. La température de solidi cation de la
◦
milk fat (environ 10 C) étant inférieure à la température ambiante, elle n'est pas prise
en compte dans cette étude. Par conséquent , l'hydrate de sel et la para ne sont ensuite
comparés avec le n-Eicosane pour étudier son comportement thermique. Les propriétés
thermo-physiques de chaque matériau étudié sont présentées dans le tableau 2.2.
Tableau 2.2 Propriétés thermo-physiques des MCP
Matériau conductivité thermique chaleur spéci que chaleur latente point de solidi cation point de fusion densité
(W/m.K ) ( kJ/kgK ) ( kJ/kg ) ◦
( C)
◦
( C) kg/m3 )
(
hydrate de sel [58] 0.6 2 200 27 32 1500
n-Eicosane 0.39 (s) 1.9 (s) 237.4 35.5 36.5 810 (s)
0.157 (l) 2.2 (l) 770 (l)
Para ne [58] 0.20 2 140 38 43 802
En plus du n-eicosane, la para ne et l'hydrate de sel sont utilisés comme MCP pour le
système de refroidissement étudié. En fait, l'hydrate de sel se caractérise par sa conducti-
vité plus élevée ainsi par une dilatation thermique négligeable pendant la phase de chaleur
latente. En outre, il s'agit d'un matériau peu coûteux par rapport aux autres MCP. Ce-
pendant, il présente divers problèmes : c'est un matériau corrosif [59, 60], chimiquement
instable [61] et de faible stabilité thermique [59, 62].
Pour la para ne, elle a approximativement la même capacité thermique que l'hydrate
de sel. Cependant, elle se caractérise par un stockage d'énergie thermique plus faible par
rapport aux autres MCP étudiés. En outre, la para ne a une conductivité et une densité
plus faible, ce qui nécessite une taille de cavités plus importante et donc elle occupe plus
de volume, ce qui réduit la densité énergétique.
Bessem DEBICH 41
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
Figure 2.8 Pro l de température de fusion et de refroidissement pour trois MCP
La gure 2.8 présente une comparaison sur les performances thermiques du dissipateur
thermique dans quatre cas : le premier correspond au dissipateur thermique sans MCP
(courbe bleue) et les autres correspondent aux dissipateurs remplis de MCP . Notant que
la puissance d'excitation est de 7W.
Pour la phase de charge, on peut constater que l'hydrate de sel a maintenu une tempéra-
ture plus basse pendant les premières minutes par rapport aux autres MCP. Cependant,
il prend moins de temps pour qu'il soit totalement fondu, et ne pourra pas par la suite,
stocker plus d'énergie thermique.
Figure 2.9 Processus latent pour les trois MCP (phase de charge)
Notant que l'hydrate de sel commence à fondre à T =27◦ C alors que la température
◦
ambiante à laquelle le dispositif fonctionne normalement est d'environ 29 C. Par consé-
Bessem DEBICH 42
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
quent, l'hydrate de sel reste partiellement fondu avant même le départ de son utilisation,
et une partie de l'énergie de stockage n'est pas exploitée. L'hydrate de sel n'est pas donc
requis comme MCP pour cette étude.
De plus, on peut constater que la phase latente du n-Eicosane dure plus longtemps que
◦
la para ne. Ainsi, la température de fusion du n-eicosane est d'environ 36.5 C contre
◦
43 C pour la para ne. Ce qui implique que, à chaque instant de la phase de charge,
la température mesurée est toujours plus basse lors de l'utilisation du n-Eicosane (voir
gure 2.9).
2.4.2 Variation de la fraction volumique du MCP
Dans cette section, nous dé nissons la fraction volumique du MCP δ , comme le rapport
du volume occupé par le MCP au volume total des cavités. Les fractions volumiques
étudiées vont de 0% (sans MCP) à 100% (dissipateur entièrement rempli).
Figure 2.10 Pro l de température pour diérentes fractions volumiques de MCP
La gure 2.10 présente le pro l température-temps pour les diérentes fractions vo-
lumiques. On peut clairement constater que l'augmentation de la fraction volumique de
MCP conduit à retarder son temps de fusion totale et augmente par la suite sa capacité
de stocker plus d'énergie.
La variation de la fraction liquide du MCP pour diérents δ est étudiée dans la gure 2.11,
à la fois pour la phase de charge (a) et de décharge (b). Cette gure montre les avantages
de l'utilisation du MCP dans la capacité de stockage d'énergie. on peut constater donc que
le dissipateur thermique totalement rempli présente la gestion thermique la plus e cace
pour la phase de charge.
Bessem DEBICH 43
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
Figure 2.11 Fraction liquide en fonction du temps pour diérents taux de volume de
MCP
Pour la phase de décharge, comme le montre la gure 2.11(b), on peut noter que plus
de MCP implique des problèmes de dissipation thermique. En fait, il faut plus de temps
pour que tout le MCP passe à son état solide. Ceci est dû au fait que le n-Eicosane
a une très faible conductivité thermique tandis que les ailettes en aluminium ont une
conductivité thermique de 202,4 [W/mK]. Le MCP se comporte donc comme étant un
isolant par rapport aux ailettes du dissipateur thermique.
Figure 2.12 Ratio d'amélioration du dissipateur thermique pour diérentes
températures
A n de véri er l'e cacité du modèle étudié, un ratio d'amélioration est dé ni comme
étant le rapport du temps pris par le dissipateur avec MCP par rapport au temps prit
par un dissipateur thermique sans MCP, à chaque température. Il peut être écrit mathé-
matiquement comme suit :
t(T, δ)
EM CP (T ) = (2.14)
t(T, δ = 0)
Bessem DEBICH 44
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
La gure 2.12 présente le ratio d'amélioration en fonction de la température et de la
fraction volumique δ du MCP. Comme indiqué, l'augmentation de la fraction volumique
entraîne un rapport d'amélioration plus élevé, en particulier à basse température.
2.4.3 Variation du niveau de puissance
La gure 2.13 présente le pro l de température-temps mesuré à la base du dissipateur
thermique à diérents niveaux de puissance soit 2, 5, 7 et 10W. Notant que le n-Eicosane
est considéré comme le MCP ainsi que δ =1. Ce choix est basé sur l'étude présentée dans
les sections précédentes.
On constate que la température du dissipateur thermique augmente lorsque la puissance
thermique augmente. Par exemple, la température à t = 160min pour un niveau de
◦ ◦ ◦
puissance de 10W est d'environ 76 C contre 62 C et 50 C pour une puissance d'entrée
de 7W et 5W respectivement. De plus, pour un ux de chaleur de 2W (courbe noire), le
MCP n'est pas totalement fondu, même à la n de la phase de charge.
Figure 2.13 Pro l de température sous quatre niveaux de puissance
Il existe diérentes durées de fusion, comme le montre la gure 2.13. Le temps né-
cessaire pour la phase de chaleur latente augmente à mesure que le niveau de puissance
diminue. Pour une puissance de 5W, le MCP n'est complètement fondu qu'après 75 min,
mais ça ne prend qu'environ 30min pour une puissance de 10W.
2.4.4 Variation de la géométrie du dissipateur thermique
Considérons maintenant quatre con gurations de dissipateurs thermiques présentées
dans la gure 2.14. Les matrices d'ailettes utilisées sont respectivement 2x2, 3x3, 4x4 et
6x6. Notant que la con g.3 de la gure 2.14 (c) est le même modèle étudié précédemment.
Bessem DEBICH 45
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
Figure 2.14 Diérentes con gurations de dissipateur thermique(a) con g.1 : 2 ×2, (b)
con g.2 : 3×3, (c) con g.3 : 4×4 et (d) con g.4 : 6×6
La gure 2.15 présente le pro l température-temps pour chaque con guration. On
peut constater que la première con guration présente une bonne gestion thermique en
considérant la température maximale atteinte. On note que la réduction du nombre de
cavités retarde la phase de chaleur latente et par conséquent une grande capabilité de
stocker l'énergie.
Figure 2.15 Pro l de température pour diérentes géométries de dissipateur
thermique
Pour la phase de décharge, la con guration 6x6 a plus de capabilité à dissiper la chaleur
stockée par rapport aux autres con gurations. Cela peut s'expliquer par le fait que plus
d'ailettes signi ent plus de débits en aluminium. En fait, comme le montre le tableau 2.1, la
conductivité thermique de l'aluminium est très importante que la conductivité thermique
du n-Eicosane. Cela rend les ailettes de bons conducteurs de chaleur tandis que le MCP
se comporte presque comme un isolant.
Bessem DEBICH 46
Chapitre 2. Investigation numérique des systèmes de refroidissement à base
des MCP
2.4.5 Con gurations adoptés pour le système de refroidissement
étudié
L'analyse paramétrique conduit non seulement à étudier le comportement thermique
du système de refroidissement des composantes mécatroniques, mais aussi à dé nir une
conception optimale capable de fournir une température atteinte minimale pour les phases
de charge et de décharge. Diérents paramètres ont été étudiés a n de déterminer le sys-
tème de transfert de chaleur le plus performant.
À partir de cette étude paramétrique, on peut conclure que le n-Eicosane présente une
capabilité à stocker l'énergie par rapport aux autres MCP. De plus, δ =1 (cavités entière-
ment remplies) présente la fraction volumique optimale. De plus, le dissipateur thermique
avec une matrice de 2×2 présente une phase de chaleur latente plus importante ce qui
implique un retard de la température maximale atteinte.
2.5 Conclusion
Dans ce chapitre, une analyse par éléments nis d'un système de refroidissement des
composants électroniques a été présentée. L'e cacité des résultats numériques a été véri-
ée en se référant aux données expérimentales de Baby et Balaji illustrées dans la référence
[42]. En outre, l'évolution de la température du dissipateur thermique a été élucidée dans
le cas de fonctionnement et de repos.
Les résultats présentés montrent l'impact de quatre paramètres (les propriétés thermo-
physiques du MCP ; le niveau de chargement ; la fraction volumique MCP et la géométrie
du dissipateur thermique) sur le comportement thermique du système de refroidissement
proposé. On constate que le n-Eicosane est plus capable de stocker de l'énergie thermique
que les autres MCP étudiés. De plus, pour avoir une gestion thermique optimale, les ca-
vités de dissipateurs de chaleur doivent être totalement remplis par le MCP.
Les résultats obtenus con rment les avantages de l'utilisation de l'analyse par EF des sys-
tèmes de refroidissement à base des MCP, en considérant leur non-linéarité. Cette étude
a permis de proposer une conception optimale avec une gestion thermique e cace.
Le modèle proposé présente un intérêt direct pour concevoir un système de refroidisse-
ment basé sur les MCP et peut-être coupler avec les méthodes d'optimisation abiliste
a n d'obtenir une conception à la fois optimale et able, ce qui est l'objectif du chapitre
3.
Bessem DEBICH 47
Chapitre 3
Optimisation abiliste des systèmes de
refroidissement à base des matériaux à
changement de phase
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Généralité sur la abilité en mécanique . . . . . . . . . . . . . . . 50
3.2.1 Notions liées à l'analyse de abilité . . . . . . . . . . . . . . . . . . . 51
[Link] Variables de conception . . . . . . . . . . . . . . . . . . . . 51
[Link] Fonction d'état limite . . . . . . . . . . . . . . . . . . . . . 51
[Link] Probabilité de défaillance . . . . . . . . . . . . . . . . . . . 52
3.2.2 Méthode de simulations de Monte Carlo . . . . . . . . . . . . . . . . 52
3.2.3 Méthode d'approximation FORM/SORM . . . . . . . . . . . . . . . 53
3.3 Optimization des systèmes de refroidissement à base des MCP . 54
3.3.1 Formulation mathématique du problème d'optimisation . . . . . . . 55
3.3.2 Optimisation déterministe de conception . . . . . . . . . . . . . . . 57
3.3.3 Application sur les systèmes de refroidissement à base du MCP . . . 57
3.4 Optimisation abiliste (Reliability-Based Design Optimization
RBDO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.1 Formulation de l'optimisation abiliste . . . . . . . . . . . . . . . . . 64
3.4.2 Approches classiques doubles . . . . . . . . . . . . . . . . . . . . . . 66
[Link] Reliability index approach (RIA) . . . . . . . . . . . . . . . 66
[Link] Performance Measure Approach (PMA) . . . . . . . . . . . 67
3.4.3 Facteur de sécurité optimal (OSF) . . . . . . . . . . . . . . . . . . . 67
3.4.4 Méthode hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4.5 Les approches RHM et IRHM . . . . . . . . . . . . . . . . . . . . . . 71
3.5 Optimisation abiliste des systèmes de refroidissement à base
du MCP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.5.1 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.5.2 Résultats préliminaires et discussions . . . . . . . . . . . . . . . . . . 74
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
3.5.3 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Bessem DEBICH 49
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
3.1 Introduction
Aujourd'hui, les chercheurs visent à trouver la meilleure méthodologie qui permet
de trouver la conception appropriée des structures. L'objectif est donc de trouver une
conception qui garantit un niveau de performance requis avec un faible coût.
Le problème d'optimisation peut être modélisé par la minimisation d'une fonction objectif
sous la contrainte des fonctions d'état limite (appelées aussi limitations ).Généralement, la
résolution de ce problème nécessite des algorithmes itératifs [63]. Pour cela, le calcul des
gradients de ces fonctions est nécessaire. Des techniques d'optimisation numériques ont
été donc développées grâce à l'augmentation des performances des processeurs du calcul.
Trois familles de techniques d'optimisation des structures peuvent être distinguées :
• Optimisation de la conception : consiste à améliorer la structure sans change-
ment ni de forme ni de topologie.
• Optimisation de la forme : consiste à améliorer la structure par la modi cation
de sa géométrie sans changer sa topologie.
• Optimisation de la topologie : appelée aussi optimisation de forme généralisée
et consiste à améliorer la structure par la modi cation de sa topologie.
Cependant, certains paramètres de conception peuvent présenter des incertitudes ce qui
peut conduire à des risques de défaillance et donc ne respecte pas la abilité demandée.
Dans ce contexte, plusieurs méthodes d'optimisation abiliste ont été proposées. Ces mé-
thodes permettent de garantir un niveau de abilité des structures souhaité avec un coût
minimal.
L'e cacité de ces techniques a été validé par plusieurs applications telles que : la méca-
tronique [64] la biomécanique [65, 66], l'aérodynamique [67, 68],la vibro-acoustique [69]
et le génie civile [70], . . .
Dans ce chapitre, on présente l'implémentation des diérentes techniques d'optimisation
abiliste couplée avec les méthodologies d'analyse des systèmes de refroidissement basés
sur les MCP. Ceci après une brève introduction sur la abilité en mécanique ainsi sur les
diérentes formulations de l'optimisation déterministe et abiliste.
3.2 Généralité sur la abilité en mécanique
La abilité est dé nie, selon la norme AFNOR [71], comme étant " l'aptitude d'un
dispositif à accomplir une fonction requise dans des conditions données, pendant une du-
rée donnée . . . le terme est aussi utilisé comme caractéristique désignant une probabilité
de succès ou un pourcentage de succès ". En mécanique, l'intégration de la abilité des
structures s'eectue en trois étapes :
Bessem DEBICH 50
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
1. Choisir les variables de conception d'entrée. Ces paramètres vont intégrer les incer-
titudes en considérant leurs lois de distribution.
2. Déterminer la fonction d'état limite qui dé nit la défaillance.
3. Déterminer la probabilité de défaillance, qui permet de fournir une évaluation de la
abilité du système.
Dans ce qui suit, on va dé nir dans un premier temps les diérents termes liés à l'analyse de
abilité. Ensuite, les méthodes qui permettent de déterminer la probabilité de défaillance
sont détaillées.
3.2.1 Notions liées à l'analyse de abilité
[Link] Variables de conception
On dé nit par X = {xi }i=1..n le vecteur qui rassemble les variables aléatoires d'entrées
qui constituent le problème de abilité. Ces variables sont caractérisées par leur densité
de probabilité Pi (xi ). Plusieurs lois de probabilité ont été proposé dans la littérature
pour caractériser une variable aléatoire. Parmi lesquelles on peut citer la loi de Gauss, la
loi uniforme la loi de Weibull... Dans ce travail, on suppose que les diérentes variables
suivent la loi normale. On dé nit donc, pour chaque variable xi , mi et σi la valeur moyenne
et l'écart type, respectivement .
[Link] Fonction d'état limite
On dé nit la fonction G (X) qui présente le critère de défaillance dans le problème de
abilité. Cette fonction est appelée fonction d'état limite (ou de performance) et dépend
des variables de conception xi .
Figure 3.1 Exemple de fonction d'état limite pour deux variables de conception
Bessem DEBICH 51
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Comme présenté par la gure 3.1, la courbe de G (X) = 0 sépare deux domaines :
- un domaine de sécurité Ds avec Ds = X ∈ Rk , G(X) ≤ 0
- un domaine de défaillance Df avec Df = X ∈ Rk , G(X) > 0
[Link] Probabilité de défaillance
La abilité, qu'on va la noter R, peut être dé nie comme suit :
F = 1 − Pf (3.1)
avec Pf présente la probabilité de défaillance. C'est la probabilité d'avoir une fonction de
performance dans la zone de défaillance. Elle peut être dé nie par :
Pf = prob [G (X) > 0] (3.2)
La probabilité de défaillance est di cile à déterminer dans la plupart des cas. Pour cela,
plusieurs méthodes ont été développées, pour évaluer cette probabilité. Parmi les plus
utilisés on peut distinguer :
- Les méthodes basées sur les simulations de Monte-Carlo,
- Les méthodes basées sur l'approximation de l'indice de abilité.
3.2.2 Méthode de simulations de Monte Carlo
Cette méthode consiste à déterminer la fonction d'état limite par des simulations
de Monte-Carlo. La méthode de simulation de Monte-Carlo est basée sur la génération
aléatoire d'un nombre important de tirages. Elle est caractérisée par sa robustesse et sa
performance. Malgré son coût élevé, de point de vue temps du calcul, elle reste la référence
sur les résultats pour la détermination de probabilité de défaillance.
Figure 3.2 Exemple de simulation de Monte Carlo
Bessem DEBICH 52
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
La probabilité de défaillance est calculée comme étant le nombre de simulations dans
la zone de défaillance sur le nombre total des tirages (voir gure 3.2).
3.2.3 Méthode d'approximation FORM/SORM
Il faut introduire préalablement l'indice de abilité noté β qui est la référence de
calcul des méthodes approximatifs. Plusieurs indices de abilité ont été proposés et parmi
lesquelles on peut citer l'indice de abilité de Hasofer-Lind (βhl ) et ceux de Rjanitzyne-
Cornell (βc ). On peut calculer l'indice de abilité de Rjanitzyne-Cornell (βc ) comme étant
le rapport entre la moyenne (µG ) et l'écart type (σG ) de la fonction d'état limite :
µG
βc = (3.3)
σG
L'indice de abilité (βhl ) est calculé dans l'espace des variables d'entrées aléatoires nor-
males centrées réduites. Le vecteur de conception de l'espace physique Xi doit être converti
suite à une transformation iso-probabiliste [72] en un vecteur normalisé U dans l'espace
normal standard (voir gure 3.3).
Figure 3.3 Transformation de (a) l'espace physique vers (b) l'espace normalisé
Selon Hasofer et Lind, l'indice de abilité βhl présente la distance minimale entre
l'origine et la fonction de performance H(u) = 0 dé nie dans l'espace normé.
On peut écrire mathématiquement la probabilité de défaillance sous la forme :
Z
Pf = Φm (u) du (3.4)
H(u)≤0
Bessem DEBICH 53
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Avec, Φm est la fonction de densité de la loi de distribution de Gauss unitaire de moyenne
nulle.
Pour résoudre un problème d'optimisation, il faut déterminer le point de conception ou
appelé aussi le point de défaillance le plus probable P∗ (MPFP : Most Probable Failure
Point ). Ce point correspond au domaine de défaillance dans l'espace normalisé le plus
proche de l'origine (voir gure 3.3). Le problème d'optimisation peut être écrit mathéma-
tiquement sous la forme suivante :
qX
min u2i
u (3.5)
t.q. H(x, u) ≤ 0
1. Méthode d'approximation FORM ( First Order Reliability Method )[73]
Cette approximation permet de remplacer la surface d'état limite par un hyperplan
∗
tangent au (P ). Cette approximation est dé nie par la relation de l'équation (3.6) :
Pf = Φ(−β) (3.6)
2. Méthode d'approximation SORM ( Second Order Reliability Method )[74]
Cette méthode permet de remplacer la surface d'état limite par une hypersurface
quadratique tangente. L'approximation de la probabilité de défaillance par la mé-
thode SORM peut être traduite par l'équation (3.7) :
n−1
!
Y 1
Pf = Φ(−β) √ (3.7)
i=1
1 + βκi
Avec κi présentent les courbures principales de la fonction d'état limite au point de
défaillance P∗ et β dé nit l'indice fe abilité.
3.3 Optimization des systèmes de refroidissement à base
des MCP
Durant ces dernières années, l'optimisation des dissipateurs thermiques à base des
MCP présente une des préoccupations majeures pour les ingénieurs. Dans ce contexte,
dans [75], une étude expérimentale est menée sur un dissipateur thermique à broches
rondes à base du MCP. Une analyse paramétrique a conduit à améliorer le comportement
thermique du système de refroidissement étudié en modi ant le diamètre des broches et
la fraction volumique du MCP pour diérents ux de chaleur.
De plus, Kalbasi et al. [76] présentent une corrélation pour estimer le nombre optimal
d'ailettes en modi ant la hauteur du dissipateur, le niveau du ux thermique et l'épais-
seur des ailettes.
Bessem DEBICH 54
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Dans [77], une étude paramétrique numérique qui consiste à proposer une conception op-
timale d'un dissipateur thermique à ailettes à base du MCP a été présentée. L'objectif
principal de cette étude est d'améliorer les performances thermiques de l'unité de sto-
ckage de chaleur (Heat Storage Unit HSU) en modi ant le niveau de puissance d'entrée,
le matériau MCP, la fraction volumique et la géométrie du dissipateur thermique.
Dans cette section, on va présenter dans un premier temps la formulation mathématique
d'un problème d'optimisation ainsi la méthodologie à suivre pour résoudre une probléma-
tique d'optimisation déterministe. Une application sur un dissipateur thermique à base
du MCP sera présentée par la suite en couplant le modèle EF avec le processus d'optimi-
sation.
3.3.1 Formulation mathématique du problème d'optimisation
Le problème d'optimisation consiste à minimiser une fonction objectif en considérant
des contraintes de performance liées principalement à la géométrie et les propriétés phy-
siques et mécaniques, a n de déterminer les paramètres intervenant dans la conception.
Il peut être présenté mathématiquement par :
min f (x)
x
t.q. gk (x) ≤ 0, k = 1, .., K
(3.8)
hj (x) = 0, j = 1, .., J
xL ≤ x ≤ x U
Où, x correspond au vecteur des variables d'entrée d'optimisation (ou de conception), f (x)
est la fonction objectif (généralement, en mécanique, elle correspond à la minimisation
de la masse d'une structure). On note ainsi par hj (x) et gk (x) les contraintes d'égalité et
d'inégalité respectivement. xL , x U sont respectivement les bornes inférieures et supérieures
du domaine de recherche des variables de décision.
A n de résoudre ce problème, plusieurs algorithmes de programmation non linéaire (NLP :
Non-Linear Programming ) ont été proposés a n d'obtenir le vecteur des optima x∗ . Les
programmations non linéaires consistent à développer une suite itérative xi en partant
d'un point initial x0 (voir l'organigramme de la gure 3.4).
À partir des conditions de Karush-Kuhn-Tucker ( KKT ) [63], plusieurs algorithmes ont
été proposés a n de trouver le vecteur x∗ :
- Optimisation quadratique successive (SQP : Sequential Quadratic Programming )
- Méthodes de points intérieurs ( interior-point-method )
- La méthode de région de con ance ( trust-region-re ective )
- Active set, . . .
Bessem DEBICH 55
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Figure 3.4 Mise en ÷uvre du problème d'optimisation
Généralement, la solution obtenue par ces algorithmes présente un minimal local. La
gure 3.5 montre un exemple d'une fonction à minimiser. On peut distinguer dans cette
gure deux notions : le minimal local et le minimum global.
Figure 3.5 Minimum global et minimum local
Bessem DEBICH 56
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
3.3.2 Optimisation déterministe de conception
Contrairement au problème présenté par l'équation (3.9), l'optimisation déterministe
de conception (DDO : Deterministic Design Optimization ) prend en considération les
incertitudes des variables de conception. A n d'assurer un niveau de sûreté, des coe cients
de sécurité, choisis à partir de l'expérience en ingénierie, sont donc appliqués lors du
processus d'optimisation. Ceci a n de compenser les incertitudes des variables d'entrées.
Dans la littérature, plusieurs algorithmes ont été proposés pour résoudre le problème
d'optimisation DDO [7882]. La gure 3.6 présente le processus DDO. Il est constitué de
3 parties :
- La modélisation géométrique en utilisant un logiciel CAO,
- Analyse par éléments nis du modèle proposé,
- Couplage du modèle EF avec le processus d'optimisation en considérant les coe -
cients de sécurité.
Figure 3.6 Processus DDO
Même après l'application des facteurs de sécurité, le niveau de abilité reste incontrô-
lable en utilisant la méthode DDO. Pour cela, et a n d'obtenir une conception qui est
à la fois optimale et able, il faut penser à intégrer l'étude de abilité dans le processus
d'optimisation.
3.3.3 Application sur les systèmes de refroidissement à base du
MCP
Considérant le système de refroidissement présenté par la gure 3.7. Il est composé
essentiellement d'un dissipateur thermique à base d'aluminium rempli du MCP. Il est
Bessem DEBICH 57
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
de hauteur H =7mm et de longueur L=20mm. L'épaisseur des parois extérieures est de
a=0.75.
L'hydrate de sel est utilisé comme MCP béné ciant de ses propriétés thermo-physiques.
Notant qu'une cavité à la base du dissipateur thermique de longueur de 10mm et de
hauteur de 1mm est réservée à la source de chaleur.
Tableau 3.1 Propriétés thermo-physiques
Matériau Conductivité thermique Chaleur spéci que Chaleur latente Point de solidi cation Point de fusion Densité
(W/m.K ) ( kJ/kgK ) ( kJ/kg ) (
◦
C) (
◦
C) ( kg/m3 )
hydrate de sel [58] 0.6 2 200 27 32 1500
Aluminum 201 0.9 - - 606.4 2700
Figure 3.7 Modèle du dissipateur thermique
La gure 3.8 présente les conditions aux limites. Le ux de chaleur se propage de la
source de chaleur à la surface du dissipateur thermique par conduction. La chaleur emma-
gasinée sera évacuée par la suite à l'air ambiant par convection naturelle et rayonnement.
Figure 3.8 Conditions aux limites
Pour étudier le comportement des dissipateurs thermique, le logiciel de calcul par
éléments nis ANSYS a été utilisé. Le modèle est discrétisé en 3410 éléments . Chaque
élément a quatre n÷uds avec un seul degré de liberté, la température, à chaque n÷ud
(voir gure 3.9).
On suppose qu'un ux thermique uniforme Q=1500[W/m2 ] est appliqué à la base du
Bessem DEBICH 58
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
dissipateur. La phase de chargement est appliquée pendant 120min avec une température
ambiante Tamb =25◦ C et une pression ambiante Pamb =1 atm.
Figure 3.9 Maillage du modèle
L'évolution de la température en fonction du temps à la base du dissipateur thermique
est présentée par la gure 3.10.
Figure 3.10 Évolution de la température à la base du dissipateur
Cette courbe peut être divisée en trois parties :
- Phase de préchauage : ici la température de solidi cation du MCP n'est pas atteinte
et il est à 100% solide,
- Phase de chaleur latente : la température se situe entre la température de solidi ca-
tion et la température de fusion du MCP. Ici, l'énergie est absorbée et stockée par
le MCP,
- Phase de post-chaleur latente : ici la température de fusion du MCP est atteinte et
il est à 100% liquide.
Les champs de température à diérents instants de la simulation sont présentés par la
gure 3.11. Ces instants sont marqués par les points A, B, C et D dans la gure 3.10.
Bessem DEBICH 59
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Comme présenté par la gure 3.11(a), la première particule liquide est apparue près des
parois du dissipateur à l'instant t=30s. La gure 3.11(b) présente le champs de tempé-
rature durant la phase de chaleur latente, où les phases liquide et solide du MCP se
manifestent. La gure 3.11(c) et la gure 3.11(d) présentent les champs de température
durant la phase de post-chaleur latent. On peut constater que le MCP est totalement
fondu.
Figure 3.11 Champs de température à (a) : t=30s, (b) : t=1100s, (c) : t=1330s et (d)
t=7000s
L'objectif maintenant est de trouver la meilleure conception du modèle qui minimise
le volume en considérant la température maximale attente. On note que, d'après la -
gure 3.10, la température maximale atteinte dépasse la température critique.
Mathématiquement, le problème d'optimisation est présenté par :
min V (x)
x
Tc
t.q. Tmax (x) ≤ = 55◦ C (3.9)
Sg
lb ≤ x ≤ ub
Où, V est le volume global (V = VDT + VMCP ), Tc est la température critique et Tmax la
température maximale atteinte. L'organigramme de la gure 3.12 présente ici le proces-
sus du problème d'optimisation DDO. Il consiste à déterminer la fonction objectif et la
température maximale atteinte jusqu'à convergence.
Pour la température maximale, le logiciel de calcul MATLAB a été couplé avec le logiciel
de calcul EF Ansys.
Bessem DEBICH 60
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Figure 3.12 Algorithme de résolution de problèmes d'optimisation DDO
Le tableau 3.2 présente les résultats obtenus par la méthode DDO. On constate bien
que le point optimal véri e bien la contrainte d'optimisation. La gure 3.13 présente
l'évolution de la fonction objectif et de la contrainte d'optimisation en fonction du nombre
d'itérations.
Tableau 3.2 Résultats de l'optimisation déterministe
Point initial Solution optimale
x0 x∗
Design variables a (mm) 0.75 0.231
b (mm) 3 2
H (mm) 10 13.174
3
Fonction objectif V (mm ) 190 253.48
Contrainte thermique Tmax (◦ C) 60.33 55
Figure 3.13 Évolution de (a) : la fonction objectif et (b) : la contrainte d'optimisation
Bessem DEBICH 61
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
La gure 3.14 présente les pro ls de température pendant 120min à la base du dis-
sipateur thermique pour la conception optimale (courbe rouge) et modèle déterministe
(courbe bleue).
Figure 3.14 Pro l de température pour le modèle déterministe et la conception
optimale
On peut constater que le temps prit par la phase de chaleur latente de la conception
optimale est plus important que celui obtenu par le modèle déterministe.
De plus, à t=120min, on note que la conception optimale véri e les contraintes thermiques
◦
(Tmax <55 C). Ainsi, la température de stabilisation n'est pas encore atteinte. Cependant,
pour le modèle déterministe, ces contraintes ne sont pas véri ées.
Tableau 3.3 Résultats de l'optimisation déterministe pour diérents points initiaux
Symbole Point initial Point initial Point initial
1 2 3
Valeur initiale Variables de conception a(mm) 0.75 1 0.8
x0 b(mm) 3 2.75 3.5
H (mm) 10 13.25 12
3
Fonction objectif V (mm ) 190 255 230
Contrainte thermique Tmax (◦ C) 60.33 55.2 57.28
Solution optimale Variables de conception a(mm) 0.231 0.74 1.37
∗
x b(mm) 2 2 2
H (mm) 13.174 13.16 12.27
3
Fonction objectif V (mm ) 253.48 253.37 255.42
Contrainte thermique Tmax (◦ C) 55 54.99 55
Bessem DEBICH 62
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Pour véri er l'e cacité de la méthode proposée, le problème d'optimisation a été
résolu avec diérents points initiaux choisis arbitrairement. On peut constater que, dans
la plupart des cas, le problème d'optimisation converge vers une solution faisable.
Le tableau 3.3 présente la solution optimale pour diérents points initiaux. Une brève
analyse de ces résultats montre que le problème d'optimisation DDO converge presque
vers le même point optimal.
3.4 Optimisation abiliste (Reliability-Based Design Op-
timization RBDO)
Malgré le fait que l'optimisation déterministe de la conception du dissipateur ther-
mique à base du MCP puisse conduire à une conception optimale, elle ne tient pas compte
des eets des incertitudes liées au matériau, à la géométrie et aux conditions aux limites.
Par conséquent, cette solution optimale peut représenter un niveau de abilité faible et
un risque de défaillance très élevé. Pour cela, et d'une manière générale, l'intégration des
coe cients de sécurité dans le processus d'optimisation n'assure pas un optimum avec un
niveau de abilité souhaité.
Figure 3.15 Processus séquentiel de l'optimisation abiliste (RBDO)
L'intégration de l'étude de abilité dans l'algorithme d'optimisation présente un nou-
veau challenge pour les chercheurs. L'objectif principal de l'optimisation abiliste est
d'obtenir des conceptions à la fois ables et économiques.
La gure 3.15 présente le processus de l'optimisation abiliste. On peut distinguer deux
boucles imbriquées : une boucle consacrée à l'optimisation de la fonction à minimiser sous
des contraintes fonctionnelles, géométriques et physiques. . . etc et l'autre boucle est dédiée
à l'analyse de la abilité pour une fonction d'état limite bien déterminée du système.
Bessem DEBICH 63
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
3.4.1 Formulation de l'optimisation abiliste
Dans la littérature, plusieurs recherches ont été mené dans le domaine d'optimisation
abiliste. L'expression de base de l'optimisation abiliste peut être mathématiquement
écrite sous la forme suivante :
min f (x)
x
t.q. Pr [Gi (x, y) ≤ 0] ≤ PiT , i = 1, .., m (3.10)
hj (x) ≤ 0, j = m + 1, .., M
Où, x et y présentent respectivement le vecteur des variables d'entrées déterministes
et le vecteur des variables aléatoires de la conception. On note par Gi (x; y) la fonction
d'état de limite (ou appelée fonction de performance). Les termes PiT et Pr [.] dé nissent
respectivement le niveau de abilité cible et l'opérateur de probabilité. Notant que hj
présente la contrainte déterministe.
Figure 3.16 Classi cation des diérentes approches de la RBDO
Selon l'équation (3.10), cette formulation de la RBDO peut être réalisée par 2 types
d'algorithmes :
- Les algorithmes de la programmation non linéaire ( NLP ) qui consistent à calculer
les contraintes mécaniques et les gradients de la fonction objectif.
- Les algorithmes stochastiques qui sont basés sur les simulations aléatoires (les algo-
rithmes génétiques).
Bessem DEBICH 64
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Une étude de base de Aoues et Chateauneuf [83] qui vise à donner des idées, plus claire-
ment, les limites et les capacités des diérentes techniques de RBDO. Les diérentes mé-
thodes RBDO peuvent être classées sous trois catégories comme le présente la gure 3.16 :
- Méthodes séquentielles découplées (SDA : Sequential Decoupled Approaches ),
- Méthodes mono-niveau (MLA : Mono-level Approches )
- Méthodes à deux-niveaux (DLA : Double-level Approaches )
Pour la formulation classique de l'optimisation abiliste, les résultats optimaux sont ob-
tenus en couplant deux espaces distincts : l'espace physique et l'espace normalisé (deux
problèmes d'optimisation imbriqués). Le problème majeur de cette approche est le temps
de calcul important pour un tel problème d'optimisation à cause de calcul dans les deux
espaces [8486].
Dans [87], Kharmanda et al. ont développé une nouvelle approche d'optimisation ablisite
appelée méthode hybride d'optimisation ( HM ). Cette approche est basée sur la solution
simultanée des problèmes d'optimisation et de abilité dans un espace de conception hy-
bride (HDS ). Elle permet e cacement de réduire le problème du temps de calcul par
rapport à l'approche classique mais le problème de RBDO devient plus compliqué que le
problème DDO.
Pour cette raison, une autre approche mono-niveau appelée facteur de sécurité optimal
[88] (OSF : Optimum Safety Factor ) a été élaborée. Pour obtenir une solution optimale,
il faut prendre en considération le point de défaillance et les facteurs de sécurité calculés
d'après les dérivées des contraintes. Cette approche a permis de limiter le temps de calcul
par rapport à celle de HM.
La performance de ces approches n'a été établie que pour des cas statiques et dynamiques
bien déterminé. Pour résoudre les problèmes des deux méthodes OSF et HM, Yaich et
al. [89] ont proposé une extension de HM, appelée méthode hybride robuste (RHM : Ro-
bust Hybrid Method ). La performance de la méthode RHM n'a été démontrée que sur
des applications statiques et non linéaires particulières telles que l'endommagement par
fatigue [89], le comportement vibro-acoustique des systèmes [69, 90] et les systèmes de
micro-pompe en alliage à mémoire de forme [91]. De plus, dans [92], les auteurs visent
à développer une nouvelle approche appliquée à une éolienne appelée méthode hybride
modi ée (MHM : Modi ed Hybrid Method ), a n d'éviter les problèmes d'autres méthodes
RBDO.
Dans la littérature, plusieurs méthodes de abilité ont été développées, telles que la simu-
lation des sous-ensembles, LHS, Enhanced Adaptive Importance Sampling, etc. Malgré
la précision de ces méthodes, elle nécessite un temps de calcul élevé par rapport à la
méthode FORM. Pour cela, les méthodes RBDO étudiées sont basées sur l'utilisation de
l'approximation FORM pour eectuer l'analyse de abilité.
Bessem DEBICH 65
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
3.4.2 Approches classiques doubles
La solution du problème RBDO présentée par l'équation (3.10) peut être obtenue en
utilisant une méthode à deux niveaux :
- Une boucle extérieure vise à résoudre le problème d'optimisation en matière de
variables de conception x.
- Une boucle interne vise à résoudre le problème de abilité en matière de variables
aléatoires y.
[Link] Reliability index approach (RIA)
Cette méthode consiste à utiliser l'approximation FORM pour eectuer l'analyse de
abilité [93, 94]. La solution optimale obtenue en utilisant l'approche classique est détermi-
née en considérant deux problèmes imbriqués : le problème d'optimisation et le problème
de abilité. Par conséquent, deux espaces sont généralement utilisés pour exécuter le pro-
blème RBDO : espace normalisé et espace physique [9597].
La gure 3.17 présente l'organigramme de la méthode classique.
Figure 3.17 Algorithme de l'approche classique (RIA)
• Problème d'optimisation
Ici, on minimse une fonction objectif en considérant les contraintes déterministes ainsi les
exigences de abilité :
min f (x)
x
t.q. gk (x) ≤ 0, k = 1, .., K (3.11)
β(x, u) ≥ βt
Bessem DEBICH 66
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
On note β(x, u) l'indice de abilité et βt est l'indice de abilité requis.
• Problème de abilité
β(x, u) est considérée étant comme la distance minimale entre la fonction d'état limite
H(x, u) et l'origine de l'espace normalisé (voir la gure 3.3). Elle est obtenue par la
résolution de ce système :
qX
min d(u) = u2i
u (3.12)
t.q. H(x, u) ≤ 0
[Link] Performance Measure Approach (PMA)
RIA et l'approche PMA est dans la manière de calcul
La diérence entre l'approche
du point le plus probable (MPP : Most Probable Point ) [98]. En fait, la PMA est donnée
par une analyse de abilité inverse comme suit :
min f (x)
x
t.q. gk (x) ≤ 0, k = 1, .., K (3.13)
Gp ≥ 0
Avec Gp est la mesure de performance qui correspond à la abilité cible βt obtenue en
résolvant une analyse de abilité inverse :
min G(u)
u
qX (3.14)
t.q. d(u) = u2i = βt
On peut constater que les approches classiques nécessitent un temps de calcul élevé en
raison du nombre élevé de calculs numériques dans les deux espaces. La méthode hybride
(HM) est donc développée [87] a n de pallier l'inconvénient du coût de calcul.
3.4.3 Facteur de sécurité optimal (OSF)
Une nouvelle conception nécessite généralement des informations expérimentales pour
déterminer un facteur de sécurité approprié. De plus, l'inconvénient majeur de l'approche
DDO est principalement l'incapacité de contrôler le niveau de abilité. L'approche OSF
consiste à déterminer des facteurs de sécurité indépendamment de l'expérience en ingé-
nierie.
Plusieurs études ont montré l'e cacité de la méthode OSF pour la résolution des pro-
blèmes linéaires. En fait, elle permet d'éliminer le manque de abilité de la méthode DDO
en minimisant le temps de calcul par rapport à la méthode classique, en utilisant l'étude
de sensibilité combinée au calcul de abilité [99101].
Bessem DEBICH 67
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
En se référant à [99, 102], l'algorithme de la méthode OSF est composé principalement
de trois étapes comme illustré graphiquement par la gure 3.18.
Figure 3.18 Algorithme de l'approche OSF
(i) Détermination du point de défaillance yi∗
L'obtention du point de défaillance ou du point le plus probable est la première
étape de cette approche. Ici, la fonction objectif est minimisée en considérant la
contrainte de conception g sans tenir compte des facteurs de sécurité.
(ii) Calcul des facteurs de sécurité Sfi
Le point de défaillance est corrélé au point optimal, comme dé ni dans l'équation (3.15) :
yi∗ = Sfi x∗i , i = 1, . . . , n (3.15)
De plus, en considérant que les variables aléatoires suivent la loi normale, la trans-
formation de l'espace physique (espace x) en espace normalisé (espace u) est men-
tionnée dans l'équation (3.16) :
yi − xi
ui = , i = 1, . . . , n (3.16)
σi
Ainsi, les facteurs de sécurité peuvent être déterminés :
Sfi = 1 + Covi u∗i , i = 1, . . . , n (3.17)
Bessem DEBICH 68
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
où, Covi est le coe cient de variance reliant l'écart type σi de yi et la valeur moyenne
de la variable aléatoire mi dé nie comme suit :
σi
Covi = (3.18)
mi
Comme mentionné dans [101], la valeur optimale du vecteur normalisé u∗i peut être
calculée à partir des dérivées de la fonction de performance au point yi∗ comme suit :
v
∂G
u
u
∂yi
u∗i = ±t P , i = 1, . . . , n (3.19)
u
n ∂G
i=1 ∂yi
Le signe de u∗i est lié au signe du dérivé :
∂G
< 0 ↔ u∗i < 0, i = 1, . . . , n
∂yi
(3.20)
∂G
> 0 ↔ u∗i > 0, i = 1, . . . , n
∂yi
(iii) Calcul de la solution optimale x∗i
La dernière étape de la méthode OSF consiste à calculer la solution optimale. En
fait, pour évaluer la conception optimale de la structure, les facteurs de sécurité
déterminés à l'étape 2 sont introduits au point de défaillance yi∗ :
yi∗
x∗i = , i = 1, . . . , n (3.21)
Sfi
3.4.4 Méthode hybride
Dans l'approche hybride, la fonction objectif a une nouvelle forme par rapport à l'ap-
proche classique en considérant l'état limite G(x, y) et aux contraintes déterministes gk (x)
ainsi qu'à la contrainte de abilité :
min F (x, y) = f (x).dβ (x, y)
x,y
s.t. G(x, y) ≤ 0
(3.22)
gk (x, y) ≤ 0, k = 1, .., K
dβ (x, y) ≥ βt
Où, dβ présente la distance entre le point optimal et le point de défaillance, dans l'es-
pace hybride de conception (HDS : Hybrid Design Space ) qui peut être déterminé par
pP
dβ = u2i . Le HDS, comme présenté par la gure 3.19, où le problème de minimisation
est réalisé, comprend les variables aléatoires y et des variables déterministes x.
Bessem DEBICH 69
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Figure 3.19 Espace hybride de conception
Dans la gure 3.19, on distingue deux points importants : le point de défaillance Py∗
et le point optimal Px∗ . Notant que Py∗ est l'intersection entre la courbe G(x, y) = 0 et
l'indice de abilité dβ = βt .
La gure 3.20 présente l'organigramme de la méthode hybride. Dans la littérature, la mé-
thode hybride a e cacement réduit le temps de calcul mais elle devient plus complexe par
rapport à l'approche classique. Par conséquent, le problème d'optimisation peut converger
vers une solution irréalisable [89].
Figure 3.20 Algorithme de la méthode hybride classique
Bessem DEBICH 70
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
3.4.5 Les approches RHM et IRHM
Avec la méthode hybride classique, Px∗ peut être convergé dans la zone de défaillance
∗
(G(x )>0) le temps que la distance dβ , entre Px∗ et Py∗ , est bien égale à βt , comme illustré
par la gure 3.21(a).
A n de forcer le problème d'optimisation à chercher la solution optimale dans la zone
de sûreté, la méthode hybride robuste a été élaborée en ajoutant une autre contrainte
supplémentaire au problème d'optimisation. Elle peut être écrite sous la forme :
min F (x, y) = f (x).dβ (x, y)
x,y
t.q. G(x, y) ≤ 0
gk (x, y) ≤ 0, k = 1, .., K (3.23)
dβ (x, y) ≥ βt
f (x) ≥ f (y)
La gure 3.21(b) montre un exemple de la méthode RHM présentée dans l'espace hybride
de conception. f1 (x) et f2 (x) sont deux niveaux de fonction objectif qui se croisent res-
pectivement avec le point optimal Px∗ et le point de défaillance Py∗ . On peut constater
∗ ∗ ∗
que le point Px est situé dans la zone de sûreté tel que f (x ) > f (y ) avec un niveau de
abilité satisfaisant (dβ =βt ).
Figure 3.21 (a) : Problème de divergence de la méthode hybride classique et (b) :
E cacité de l'approche RHM
L'organigramme de cette méthode est présenté dans la gure 3.22. De la même façon
que l'approche RHM, une alternative innovante appelée méthode hybride robuste amélio-
rée (IRHM : Improved Robust Hybrid Method ). L'idée de cette méthode est d'ajouter une
Bessem DEBICH 71
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
contrainte supplémentaire à la méthode hybride classique qui restreint la localisation de
la solution optimale dans la zone de sûreté.
Figure 3.22 (a) : Approche RHM et (b) : Approche IRHM
L'approche IRHM peut être mathématiquement formulée comme suit :
min F (x, y) = f (x) × dβ (x, y)
x,y
t.q. G(x, y) ≤ 0
gk (x) ≤ 0, k = 1, .., K (3.24)
β(x, u) ≥ βt
G(x) ≤ G(y)
3.5 Optimisation abiliste des systèmes de refroidisse-
ment à base du MCP
3.5.1 Description du problème
La gure 3.23 présente un système de refroidissement à base du MCP avec six ailettes
et sept enceintes où sa géométrie est représentée sur la gure 3.23 (b). Il est composé d'un
dissipateur thermique en aluminium avec une longueur L=20mm et une hauteur H =7mm.
Ce choix est basé sur le fait que l'aluminium a une conductivité thermique élevée avec
une faible densité.
Bessem DEBICH 72
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Figure 3.23 Modèle du dissipateur thermique à base du MCP (a) : assemblage 3D et
(b) : géométrie et dimensions
Béné ciant de ses propriétés thermo-physiques, l'hydrate de sel est utilisé comme MCP
et il est rempli à 90%. En eet, le MCP n'est pas rempli à ras bord pour permettre son
expansion lors de la fusion [103] ; les 10% restants du volume sont occupés par l'air. Les
propriétés des matériaux de chaque composant sont mentionnées dans le tableau 3.1.
Comme présenté par la gure 3.23, on considère un ux de chaleur uniforme Q généré par
un dispositif électronique. Il est appliqué dans la cavité prévue à la base du dissipateur
thermique.
Pour modéliser l'eet de changement de phase dans le dissipateur thermique, la méthode
enthalpie-porosité a été adoptée. Pour créer le modèle, les hypothèses suivantes ont été
prises en compte dans l'étude numérique actuelle :
- Le matériau du dissipateur thermique est isotrope et homogène.
- Il existe un équilibre thermique local entre le MCP liquide et les ailettes.
- Les propriétés thermo-physiques des ailettes et du MCP restent constantes quelles
que soient la phase et la température.
- On néglige également le transfert de chaleur radiative.
Les parois extérieures du dissipateur sont exposées à la convection naturelle. Pour résoudre
les équations qui régissent dans ce cas, les conditions initiales et les conditions aux limites
appliquées sont les suivantes :
- Conditions intiales :
t=0, T =Tamb =25◦ C, ξ =0.
- Flux thermique à la base du dissipateur thérmique :
∂T
−λ ∂y
=Q
x = 5 − 15mm
y= 1mm
Bessem DEBICH 73
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
- Condition aux limites adiabatique à la base du dissipateur :
∂T
=0
∂y
x = 0 − 5, 15 − L
y=0
- Convection naturelle entre les parois extérieures du dissipateur et le milieu ambiant.
∂T
−λ ∂y
= h (TT − Tamb ) pour la surface supérieure
y=H
∂T
−λ ∂x x=0,L
= h (TL − Tamb ) pour les parois latérales
La chaleur est transmise de la source de chaleur à la surface du dissipateur par conduction.
Une partie de la chaleur emmagasinée dans le dissipateur est évacuée à l'air ambiant par
convection naturelle dont le coe cient d'échange thermique h est compris entre 10 et 25
2
W/m K .
3.5.2 Résultats préliminaires et discussions
Pour étudier le dissipateur thermique, ANSYS Mechanical est utilisé étant comme
logiciel de calcul par éléments nis (EF). La gure 3.24 montre le maillage du dissipateur
thermique. Notant qu'un ra nement de maillage est appliqué au niveau des zones de
contact entre le MCP et le dissipateur thermique.
Figure 3.24 Maillage du dissipateur thermique
Pour imiter la génération de la chaleur des composants électroniques, un ux de chaleur
uniforme Q=1500W/m2 est appliqué à la base du dissipateur (modélisé par les èches
rouges dans la gure 3.23). On suppose que cette phase de chauage est appliquée durant
120 minutes à une température ambiante.
Six mailles diérentes d'éléments de tailles 974, 1835, 4338, 6961, 11527 et 28731 ont été
étudiées. Sur la gure 3.25, la convergence des temps de fusion et de solidi cation est
étudiée (courbes bleues et rouges respectivement). Le temps de calcul total pour chaque
con guration de maillage est présenté par la courbe noire.
Le maillage de 11527 éléments est sélectionné dans cette étude pour plus de simulations,
a n de compromettre la précision et le coût. En fait, sur la base des résultats présentés
Bessem DEBICH 74
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
sur la gure 3.25, la con guration avec 28731 éléments présente des résultats similaires à
la con guration de 11527 éléments avec un temps de calcul beaucoup plus élevé.
Figure 3.25 Étude de convergence du maillage
La gure 3.26 montre la variation de température à la base du dissipateur thermique,
en fonction du temps. Notant que la courbe bleue et la courbe rouge présentent respecti-
vement les con gurations sans et avec MCP.
Figure 3.26 Pro l de température et champs de température du système de
refroidissement
Bessem DEBICH 75
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
On peut constater que dans la con guration avec-MCP, la température augmente
◦
d'une température ambiante à la température de stabilisation (environ 64 C). Cependant,
l'utilisation du MCP a retardé l'augmentation de la température par rapport à celle sans
MCP. On peut observer que la courbe rouge peut être divisée en trois régions distinctes :
phase solide, phase de chaleur latente et phase liquide.
Pour étudier ces régions, les champs de température du dissipateur thermique des deux
con gurations à des instants diérents (t1 =1min ; t2 =17min et t3 =120min) sont présentées
dans la gure 3.26. Pour les températures inférieures la température de solidi cation du
MCP (t<t1 ), le contour de température est presque similaire pour les deux con gurations.
On peut également voir qu'à t=t1 , les particules du MCP en contact avec les parois et les
ailettes commencent à se fondre.
Pour t=t2 ( n de la phase de chaleur latente), à partir du champ de température, on peut
constater que la totalité du MCP à l'intérieur des cavités est fondue. Notant qu'à cet
instant, la température de stabilisation est presque atteinte en utilisant la con guration
◦
du dissipateur thermique sans MCP. Par conséquent, une diérence d'environ 30 C entre
les deux con gurations est observée. Cela montre l'avantage de l'utilisation du MCP dans
les systèmes de refroidissement. Finalement, la température augmente, jusqu'à la n de
la simulation (t=t3 ).
3.5.3 Résultats numériques
La procédure de détermination de la conception optimale du système de refroidisse-
ment étudié est présentée par l'organigramme de la gure 3.27.
Figure 3.27 Application des méthodes RBDO à l'optimisation des systèmes de
refroidissement
Bessem DEBICH 76
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Cette méthode consiste à coupler MATLAB avec le logiciel de calcul par éléments nis
(ANSYS). Il consiste à déterminer, pour une con guration initiale x0 , la fonction objectif
et les contraintes du problème RBDO. Pour chaque itération, un modèle EF sera créé.
Après le maillage et l'application des conditions aux limites, une analyse transitoire est
nécessaire pour déterminer le pro l de température en fonction du temps. La température
Tmax est introduite par la suite dans MATLAB pour la comparer à la température critique
Tc . La mise à jour de la con guration est nécessaire s'il n'y a pas de convergence.
L'objectif maintenant est de trouver la meilleure conception du modèle du système de
refroidissement. Pour cela, un couplage du système étudié avec les méthodes RBDO est
nécessaire. Le but est maintenant de minimiser le volume total du système de refroidisse-
ment en tenant compte de la contrainte thermique : la température maximale à la base du
dissipateur ne doit pas dépasser la température critique. Mathématiquement, en général,
le problème d'optimisation peut s'écrire :
min V (x)
x
t.q. Tmax (x) ≤ Tc = 65◦ C (3.25)
lb ≤ x ≤ ub
Où, V est le volume total du système de refroidissement (V = VHS + VMCP ), Tmax est la
température maximale atteinte et Tc est la température critique. On note également par
x le vecteur des variables d'optimisation qui sont : l'épaisseur des ailettes a, la hauteur
de la base b et la hauteur totale du dissipateur H (voir gure 3.23(b)). lb et ub sont
respectivement la limite inférieure et la limite supérieure des variables de conception
comme indiquées dans le tableau 3.4.
Tableau 3.4 Variables de conception
Variables Symbole Limite inférieure Limite supérieure
(lb) (ub)
Épaisseur des ailettes a(mm) 0.2 2
Hauteur de base b(mm) 2 4
Hauteur du dissipateur H(mm) 7 15
Notant x = {xi }{i=1,2,3} = {ax , bx , Hx } est le vecteur des variables de conception
déterministes et y le vecteur des variables aléatoires de conception y = {ay , by , Hy }. On
∗
peut aussi dé nir x0 = {a0 , b0 , H0 } comme point initial, x = {a∗x , b∗x , Hx∗ , } comme solution
optimale et le point de défaillance y ∗ = {a∗y , b∗y , Hy∗ , }. On considère que ces variables
suivent la loi normale dont leurs probabilités sont spéci ées dans le tableau 3.5.
Bessem DEBICH 77
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Tableau 3.5 Caractéristiques des variables aléatoires
Variables de conception Symbole Valeur moyenne Cov Type de distribution
(mm)
Épaisseur des ailettes a 0.75 0.1 Normale
Hauteur de base b 3 0.1 Normale
Hauteur du dissipateur H 7 0.1 Normale
Dans cette section, les diérentes méthodes d'optimisation, sont couplées avec le mo-
dèle EF a n d'étudier leur e cacité. Comme le montre la gure 3.27, pour chaque éva-
luation de la fonction du problème d'optimisation, Ansys est appelé à déterminer la tem-
pérature maximale atteinte de chaque géométrie. Il consiste à simuler une analyse tran-
sitoire du système étudié, après maillage et application des conditions aux limites. Tmax
est ensuite transférée vers MATLAB pour la comparer à la température critique Tc . Les
variables d'optimisation {ax , bx , Hx } sont mises à jour à chaque itération s'il n'y a pas de
convergence.
L'approche DDO considère un facteur de sécurité global Sg appliqué aux contraintes et
basé sur l'expérience d'ingénierie. Par conséquent, le problème DDO peut s'écrit comme
suit :
min V (x)
x
Tc
t.q. Tmax (x) ≤ = 55◦ C (3.26)
Sg
lb ≤ x ≤ ub
Les résultats de l'approche DDO sont présentés dans le tableau 3.6. Le temps de calcul
nécessaire pour trouver ces résultats est d'environ 75min. Malgré le fait que la solution
optimale satisfait à la contrainte thermique, elle est trop conservatrice. En fait, le niveau
de abilité atteint est trop important (β =4,98>3). Par conséquent, pour surmonter ce
problème, l'application des méthodes RBDO sera extrêmement nécessaire.
Tableau 3.6 Résultats de l'optimisation déterministe (DDO)
Valeurs initiales Point de défaillance Solution optimale
∗
x0 y x∗
Variables de conception a (mm) 0.75 0.20 0.20
b (mm) 3 2.00 3.99
H (mm) 7 14.41 14.05
3
Fonction objectif V (mm ) 124.4 255.48 252.64
Contrainte thermique Tmax (◦ C) 66.08 65 54.99
Indice de abilité β - - 4.98
Bessem DEBICH 78
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
L'algorithme de la méthode OSF ( gure 3.18) est composé principalement de trois
étapes. Dans un premier temps, il est nécessaire de calculer le point de défaillance yi∗ . Pour
cela, nous devons résoudre le problème d'optimisation qu'il a dé nie par cette équation :
min V (y)
y
t.q. Tmax (y) ≤ 65◦ C (3.27)
lb ≤ y ≤ ub
Ensuite, les facteurs de sécurité Sfi sont calculés comme mentionnés dans l'équation (3.17).
Les variables normalisées doivent être donc déterminer.
La solution optimale est donc obtenue par la division des valeurs de point de défaillance,
calculés dans la première étape, par les facteurs de sécurité calculés dans la deuxième
étape.
Les résultats obtenus par la méthode OSF sont présentés dans le tableau 3.7. On peut
conclure que la méthode OSF a convergé vers une solution irréalisable. En fait, le point
optimal, x∗i , n'est pas dans l'intervalle requis [lb, ub]. En fait, la hauteur de base optimale
obtenue b∗x est inférieure à lb et la hauteur obtenue Hx∗ est supérieure à ub. De plus, le
temps de calcul de la méthode OSF est d'environ 321min.
Tableau 3.7 Résultats de l'approche OSF
Valeurs initiales Point de défaillance Variables normalisées Facteur de sécurité Solution optimale
x0 y∗ u∗ Sf x∗
Variables de conception a (mm) 0.75 0.20 -0.44 0.95 0.209
b (mm) 3 2.00 0.79 1.079 1.85
H (mm) 7 14.41 -2.86 0.71 20.19
Fonction objectif V (mm3 ) 124.4 255.48 - - 360.21
◦
Contrainte thermique Tmax ( C) 66.08 65 - - 54.68
Indice de abilité β - - - - 3
En conséquence, pour surmonter ces problèmes, la méthode hybride est nécessaire. En
utilisant cette approche, la fonction objectif devient une multiplication de la fonction de
volume V par la distance dβ dans le HDS comme suit :
min F (x, y) = V (x) × dβ (x, y)
x,y
t.q. Tmax (y) ≤ 65◦ C
(3.28)
lb ≤ x, y ≤ ub
dβ (x, y) ≥ βt
Le tableau 3.8 montre que la méthode hybride conduit à une solution irréalisable et que
◦
le point optimal résultant se trouve dans le domaine de défaillance (Tmax >65 C) tandis
que la distance entre le point optimal et le point de défaillance, dβ , est égal au niveau de
abilité cible.
Bessem DEBICH 79
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Tableau 3.8 Résultats de la méthode hybride (HM)
Valeurs initiales Valeurs initiales Point de défaillance Solution optimale
∗
y0 x0 y x∗
Variables de conception a (mm) 0.75 0.75 0.2 0.2
b (mm) 3 2.75 2.53 2
H (mm) 7 13.25 7.96 7
Fonction objectif V (mm3 ) 124.4 240.3 139.31 120.8
◦
Contrainte thermique Tmax ( C) 66.08 56.39 64.45 66.25
Indice de abilité β - 4.8 - 3
Pour cela, pour résoudre ce problème la méthode RHM a été dévelopée. Cette approche
peut être formulée mathématiquement pour le problème étudié comme suit :
min F (x, y) = V (x) × dβ (x, y))
x,y
t.q. Tmax (y) ≤ 65◦ C
V (x) ≥ V (y) (3.29)
lb ≤ x, y ≤ ub
dβ (x, y) ≥ βt
Comme le montre le tableau 3.9, en utilisant l'approche RHM, la solution optimale se
◦
situe dans la zone de sécurité (Tmax <65 C) et le niveau de abilité est véri é (dβ =3).
Ici, la nouvelle formulation de la méthode hybride prend environ 25min pour converger
contre plus de 10 heures avec la méthode HM classique, en utilisant un PC DELL avec
un processeur Intel ®Core 3,3 GHz, 32 Go de RAM.
Tableau 3.9 Résultats de la méthode hybride robuste (RHM)
Valeurs initiales Valeurs initiales Point de défaillance Solution optimale
∗
y0 x0 y x∗
Variables de conception a (mm) 0.75 0.75 0.66 0.74
b (mm) 3 2.75 2.98 2.75
H (mm) 7 13.25 7.69 10.57
Fonction objectif V (mm3 ) 124.4 240.3 137.04 190.06
◦
Contrainte thermique Tmax ( C) 66.08 56.39 64.8 60.2
Indice de abilité β - 4.8 - 3
Le tableau 3.10 présente une comparaison des diérents résultats obtenus en appli-
quant les méthodes DDO et RBDO étudiées. On voit bien que la méthode RHM conduit
à déterminer une con guration optimale dans le respect à la fois des contraintes de abilité
et des contraintes thermiques, avec un temps de simulation minimal.
Bessem DEBICH 80
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Tableau 3.10 Résultats de DDO et RBDO
DDO RIA PMA OSF HM RHM
Variables de conception a (mm) 0.20 0.75 0.75 0.209 0.2 0.74
b (mm) 3.99 2.82 2.82 1.85 2 2.75
H (mm) 14.05 11.04 10.84 20.19 7 10.57
Fonction objectif V (mm3 ) 252.64 199.29 195.57 360.21 120.8 190.06
◦
Contrainte thermique Tmax ( C) 54.99 59.48 59.77 54.68 66.25 60.2
Indice de abilité β 4.98 3 3 3 3 3
Temps de simulation t(min) 75 1450 1300 321 600 25
La gure 3.28 montre la variation de la température, en fonction du temps, à la base
du dissipateur pour respectivement le modèle déterministe (courbe rouge) et la conception
optimale (courbe bleue). Ici, le chargement et le déchargement du système de refroidisse-
ment sont étudiés. Notant que le modèle initial est présenté par la gure 3.23(b) et que
la conception optimale est celle obtenue par la procédure d'optimisation RHM.
Figure 3.28 Comparaison de l'évolution de la température entre le modèle
déterministe et la conception optimale
On peut constater que le temps prit par la phase de chaleur latente de la conception
optimale est supérieur à celui obtenu par le modèle initial. De plus, à t=7000s, la concep-
tion optimale véri e, à la fois, les contraintes thermiques et de abilité. En revanche, ces
contraintes ne sont pas respectées dans le modèle initial. En fait, on constate que la tem-
pérature critique a été dépassée.
En outre, on peut constater de la gure 3.29 que la conception optimale prend plus de
temps pour terminer le processus de changement de phase liquide-solide par rapport au
modèle initial. Cela peut s'expliquer par le fait que la conception optimale du dissipateur
de chaleur à base du MCP a une plus grande capacité de stockage d'énergie.
Bessem DEBICH 81
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
Par conséquent, la solidi cation totale du MCP a été retardée. Cela pose un problème si
le composant électronique redémarre avant le changement de phase total.
Figure 3.29 Fraction liquide en fonction du temps pour le modèle initial et le modèle
optimal
3.6 Conclusion
L'objectif principal de ce chapitre est d'élaborer une méthode e cace qui permet de
déterminer une conception optimale des systèmes de gestion thermique qui peut assurer
un niveau de abilité requis.
Malgré le fait que la méthode DDO est facile à implémenter et peut garantir une concep-
tion optimale, elle ne peut pas contrôler le niveau de abilité. Ainsi, pour cette raison,
les méthodes RBDO sont appliquées sur ce système thermique, pour le refroidissement
des composants électroniques. En utilisant l'approche OSF, le problème d'optimisation a
convergé vers une solution irréalisable. En fait, la solution obtenue n'est pas dans l'in-
tervalle requise. En outre, en utilisant la méthode hybride HM, la solution optimale se
trouve dans le domaine de défaillance. Par conséquent, ces méthodes sont rejetées.
Pour résoudre ces problèmes, une nouvelle approche appelée RHM est couplée avec le
modèle du dissipateur thermique basé sur les MCP. L'e cacité de cette méthode a été
validée en utilisant une application numérique sur les MCP . On peut conclure que, pour
les systèmes thermiques, l'approche RHM véri e à la fois la abilité et les contraintes
thermiques. De plus, elle minimise clairement le temps de calcul, en comparant avec les
autres méthodes même la méthode DDO. Les diérents résultats sont obtenus à l'aide
du logiciel MATLAB qui est couplé avec le logiciel de calcul par éléments nis Ansys. Il
est à noter que la non-linéarité des propriétés des matériaux présente le dé majeur pour
la résolution de la procédure d'optimisation. En fait, une petite variation des données
Bessem DEBICH 82
Chapitre 3. Optimisation abiliste des systèmes de refroidissement à base
des matériaux à changement de phase
paramétriques peut conduire à une divergence des résultats dans le logiciel Ansys.
L'e cacité de la méthodologie proposée pour déterminer la conception optimale du sys-
tème de refroidissement à base du MCP est véri ée et peut ensuite être couplée à un
modèle tridimensionnel. En fait le problème majeur d'un modèle 3D est le temps de cal-
cul très important. Pour cela, on propose dans le chapitre 4 une méthodologie qui permet
de déterminer la conception optimale et able d'un modèle plus proche de la réalité en
couplant des diérentes méthodes RBDO avec les métamodèles. Ainsi une étude d'optimi-
sation multiobjectif est proposée a n d'étudier la phase de chargement et de déchargement
des unités de stockage de chaleur à base des MCP.
Bessem DEBICH 83
Chapitre 4
Méta-modélisation pour l'étude
d'optimisation abiliste multiobjectif
des systèmes de refroidissement à base
des MCP
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Les modèles de substitution . . . . . . . . . . . . . . . . . . . . . . 86
4.2.1 Processus de construction d'un modèle de substitution . . . . . . . . 86
4.2.2 Optimisation basée sur le métamodèle . . . . . . . . . . . . . . . . . 87
4.2.3 Méthodes d'échantillonnage : plan d'expériences . . . . . . . . . . . . 87
[Link] Plan d'expériences standard . . . . . . . . . . . . . . . . . . 87
[Link] Méthodes de remplissage de l'espace de conception . . . . . 88
4.2.4 Construction des modèles de substitution par la méthode de krigeage 90
4.2.5 Validation des modèles de substitution . . . . . . . . . . . . . . . . . 94
[Link] Mesures d'erreur . . . . . . . . . . . . . . . . . . . . . . . . 94
[Link] Validation croisée . . . . . . . . . . . . . . . . . . . . . . . 95
4.3 Optimisation multiobjectif . . . . . . . . . . . . . . . . . . . . . . . 96
4.3.1 Problème d'optimisation multiobjectif déterministe . . . . . . . . . . 97
4.3.2 Problème d'optimisation abiliste multiobjectif . . . . . . . . . . . . 99
4.4 Analyse d'optimisation multiobjectif d'un système de refroidis-
sement à base du MCP . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.4.1 Modèle déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
[Link] Description du modèle . . . . . . . . . . . . . . . . . . . . . 101
[Link] Résultats préliminaires . . . . . . . . . . . . . . . . . . . . 103
4.4.2 Étude du problème mono-objectif . . . . . . . . . . . . . . . . . . . . 105
[Link] Résultats du modèle de substitution . . . . . . . . . . . . . 105
[Link] Résultats des méthodes DDO et RBDO . . . . . . . . . . . 107
4.4.3 Problème d'optimisation multi-objectif . . . . . . . . . . . . . . . . . 110
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
[Link] Résultats du modèle de substitution . . . . . . . . . . . . . 110
[Link] MORBDO des dissipateurs thermique à base du MCP . . . 112
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Bessem DEBICH 85
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
4.1 Introduction
Dans le chapitre précédent, on a présenté une méthodologie e cace qui permet de
déterminer la conception optimale d'un système de refroidissement à base du MCP. Par
contre, une telle méthode RBDO nécessite un grand nombre d'évaluations. Dans le cas
d'un dissipateur thermique à base du MCP, une analyse transitoire non linéaire d'un mo-
dèle 3D est coûteuse en matière de temps de calcul. Pour cela, des modèles de substitution
sont alors recommandés comme alternative pour dé nir les approximations des modèles
originaux. Il consiste à construire des modèles mathématiques, pour déterminer le lien
entre les entrées et les sorties d'un système spéci é [104, 105].
Récemment, plusieurs approches ont été développées dans le domaine de l'optimisation
de la conception [106] et de l'analyse probabiliste [107, 108], en utilisant les métamodèles.
La méthode de surface de réponse (RSM : Response Surface Methodology ), les réseaux
de neurones arti ciels (ANN : Arti cial Neural Networks ), la méthode de la fonction de
base radiale (RBF :Radial Basis Function ) et la méthode de krigeage sont les modèles de
substitution les plus populaires.
Le but de ce chapitre est de proposer une méthodologie qui permet de déterminer une
conception optimale d'un dissipateur thermique à broches rondes à base de MCP, avec un
niveau de abilité requis. Pour cela on va présenter dans un premier temps les diérentes
techniques d'approximation par métamodèle. Ces techniques sont couplées par la suite
avec les méthodes d'optimisation multiobjectif, déterministe et abiliste. Pour cela, l'al-
gorithme génétique de tri non dominé (C-NSGA-II : Constrained Non-dominated Sorting
Genetic Algorithm ) est couplé aux approches HM et RHM.
4.2 Les modèles de substitution
4.2.1 Processus de construction d'un modèle de substitution
Au cours de ces dernières années, les modèles de substitution sont largement utilisés
dans les analyses techniques actuelles a n de réduire le coût de calcul. L'implémentation
d'un tel modèle de substitution est peut-être eectué en plusieurs étapes. La gure 4.1
présente l'organigramme de l'algorithme d'un modèle de substitution.
L'élaboration d'un modèle de substitution peut être composée par cinq étapes principales :
1. L'échantillonnage : consiste à déterminer les points de l'espace de conception (xi )
par l'application de la méthode des plans d'expérience.
2. L'évaluation des réponses exactes (yi ) : ici deux stratégies peuvent être considérées :
stratégie de tirages ou stratégie d'enrichissement. Dans cette étape, on construit la
base d'apprentissage Ea en faisant l'appel du modèle mécanique.
Bessem DEBICH 86
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
3. La construction du modèle de substitution en appliquant une des méthodologies de
substitution. Cette phase la plus importante dans la construction du modèle.
4. La validation du métamodèle : calcul les erreurs entre le modèle réel et le modèle
mathématique.
5. L'enrichissement du modèle en cas de non-convergence en ajoutant des nouveaux
points dans la base d'apprentissage.
Figure 4.1 L'organigramme de l'algorithme de mise en ÷uvre d'un modèle de
substitution
4.2.2 Optimisation basée sur le métamodèle
L'optimisation basée sur le métamodèle (MBDO : Metamodel-Based Design Optimi-
zation ) [109, 110] consiste à évaluer les modèles de substitution pendant le processus
d'optimisation. En fait, pour chaque itération d'optimisation, un modèle de substitution
est construit à partir des variables de conception xi a n d'évaluer la fonction objectif
f (xi ) et les fonctions d'état limite gk (xi ). Ceci a n de minimiser le nombre de points
d'évaluation par rapport aux méthodes de Monte-Carlo.
4.2.3 Méthodes d'échantillonnage : plan d'expériences
La construction d'un métamodèle nécessite un ensemble de points d'entrées ainsi de
leurs réponses (valeurs de sortie). Un plan d'expériences (DOE : Design of experiments )
est l'ensemble de points de conception qui permet d'obtenir des informations su santes
pour la construction du modèle avec un nombre d'échantillons limité [111, 112]. Pour la
construction des modèles de substitution polynomiaux, les plans d'expériences classiques
sont généralement utilisés. Pour les cas plus complexes, d'autres plans d'expériences sont
adoptés.
[Link] Plan d'expériences standard
L'idée des théories des plans d'expériences est de récupérer un maximum d'informa-
tions avec un nombre limité d'échantillons. Parmi ces plans d'expériences on peut citer :
Bessem DEBICH 87
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
• Les plans factoriels (Factorial design ) : est une grille de conceptions de taille lk
avec l est le nombre de niveaux et k est le nombre de variables. Ce plan n'est valable
que pour des faibles niveaux malgré le fait qu'il présente un bon remplissage.
• Les plans factoriels fractionnaires (Fractional factorial designs ) (l
k−r
) : per-
mettent de réduire le nombre d'expérience par rapport aux plans factoriels complets.
Ils ne sont utilisés que dans le cas où les expériences sont couteuses.
• Les plans composites(CCD : Central Composite Designs ) est un plan factoriel à
k
deux niveaux (2 ou 2k−r ) en ajoutant nc nouveaux points.
• Les plans de Box-Behnken (BBD : Box-Behnken Design ). Ici, que trois niveaux
peuvent être considérés pour chaque paramètre. Les échantillons correspondent au
centre de l'hypercube ainsi des milieux de ces arêtes.
La gure 4.2 montre une présentation des plans d'expériences pour 3 paramètres. Pour
les approches basées sur la surface de réponse, d'autres plans d'expériences sont élaborés
[112].
Figure 4.2 Présentation des plans d'expériences pour 3 paramètres (a) : Plan
factoriel complet, (b) : CCD et (c) : BBD
[Link] Méthodes de remplissage de l'espace de conception
Les plans d'expériences classiques, vu dans la section précédente, ont la tendance à
répartir les points d'échantillonnage autour des bords et à ne placer que quelques points
dans l'espace de conception. Ces méthodes ne sont donc e caces que dans quelques cas
très particuliers et ne peuvent pas être utilisées dans des cas complexes. Pour cela, les
scienti ques proposent d'utiliser l'espace de remplissage ( space- lling ) pour ces cas. Ceci
consiste à répartir les échantillons dans l'espace de conception complète.
Les espaces de remplissage permettent d'avoir un grand nombre de niveaux pour chaque
variable avec un nombre modéré d'échantillons. Ces conceptions sont particulièrement
Bessem DEBICH 88
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
utiles en conjonction avec des métamodèles non paramétriques tels que les réseaux de
neurones arti ciels et le krigeage [113].
L'échantillonnage par hypercube latin (LHS : Latin Hypercube Sampling ), proposé par
McKay et al. [114], est un plan aléatoire soumis à des contraintes.
La méthode des plans de remplissage a été développée dans le but d'améliorer l'aptitude de
convergence des méthodes d'échantillonnage par Monte-Carlo. Elle consiste à décomposer
la plage de chaque variable ki en n-intervalles identiques, de probabilité équivalente et
sans chevauchement. On obtient donc une matrice, de taille n × k, noté S, qui représente
le plan d'échantillonnage, comme présentée par la gure 4.3.
Figure 4.3 LHS pour 2 variables à 5 niveaux : une variable à distribution normale et
l'autre à distribution uniforme
Ceci peut être formulé mathématiquement par :
πj (i) − Uij
Xij = , 1 ≤ i ≤ n, 1 ≤ j ≤ k (4.1)
n
Avec πj (i) et Uij sont respectivement les permutations indépendantes et les valeurs aléa-
toires sur [0, 1]. Ces valeurs sont uniformément distribuées. Ainsi, les ensembles πj (i) et
Uij représentent la cellule dans laquelle se trouvent le point et l'endroit où se situe le
point dans la cellule, respectivement. Chaque élément de X est ensuite placé selon sa
distribution marginale pour obtenir le plan d'échantillonnage nal S :
−1
Sij = Fxj (Xij ) (4.2)
Bessem DEBICH 89
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
−1
Avec Fxj représentent l'inverse de la fonction de distribution cumulative cible pour la
variable j.
A n d'optimiser des critères spéci ques, le LHS est considéré comme étant le plan de
départ. Ensuite, ces valeurs sont permutées pour avoir un meilleur remplissage de l'espace
de conception. Ceci est obtenu par la maximisation de la distance minimale entre deux
échantillons (autrement dit entre deux lignes) par un processus d'optimisation. Une autre
approche consiste à minimiser la non-uniformité mesurée entre les échantillons sur un
domaine expérimental.
Dans la littérature, d'autres techniques de remplissage ont été proposées. Parmi lesquelles
on peut distinguer les méthodes qui consistent à construire un hypercube latin orthogonal
en améliorant le critère de corrélation [115117]. D'autres méthodes visent à minimiser
l'erreur quadratique moyenne intégrée (IMSE : Integrated Mean Square Error ) [118]. On
distingue aussi la méthode d'échantillonnage hypercube amélioré (IHS : Improved Hyper-
cube Sampling ) qui permet de sélectionner un tirage LHS avec des meilleures propriétés
d'uniformité [119].
Le nombre minimal des échantillons nmin nécessaire pour ajuster un métamodèle linéaire
ou quadratique complet est déterminé en utilisant respectivement les équations (4.3)
et (4.4) :
nmin = 1 + k (4.3)
et
k(k − 1) (k + 1)(k + 2)
nmin = 1 + 2k + = (4.4)
2 2
Où, k est le nombre de variables. Ces points de conception doivent être uniques (pas de
répliques) et contenir au moins deux niveaux pour le modèle linéaire et trois niveaux pour
le modèle quadratique.
L'e cacité d'un métamodèle est généralement améliorée en augmentant le nombre de
points de conception. Mais pour les métamodèles polynomiaux d'ordre inférieur, cela
n'est valable que jusqu'à une certaine limite. Par la suite, l'augmentation du nombre de
points ne contribue pas beaucoup à la précision d'approximation [120].
4.2.4 Construction des modèles de substitution par la méthode
de krigeage
Dans la littérature, plusieurs techniques de méta-modélisation ont été développées.
Deux catégories peuvent être distinguées.
• Les modèles de substitution paramétriques : ici le choix des paramètres in-
ternes se fait soit manuellement d'une façon empirique soit automatiquement en
Bessem DEBICH 90
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
utilisant une technique pour les xer. Parmi ces méthodes, on peut citer : les mo-
dèles de type fonctions de base radiale (RBF : Radial Basis Functions ), les modèles
de krigeage ainsi les modèles de régression à vecteur du support (SVR : Support
vector regression ).
• Les modèles de substitution non paramétriques : inversement aux métamo-
dèles paramétriques, ces modèles ne demandent pas l'identi cation de paramètres
internes. Parmi ces modèles, on peut citer la régression linéaire, quadratique et
polynomiale.
Plusieurs recherches [121123] ont montré que la construction des métamodèles par la
méthode de Krigeage conduit à une meilleure approximation d'une analyse par éléments
nis (EF) en particulier pour les problèmes non linéaires.
Dans ce qui suit, la méthode Kriging est utilisée pour évaluer les sorties du dissipateur
thermique à base du MCP a n d'améliorer l'e cacité de calcul.
La méthode de Krigeage est largement utilisée comme étant modèle de substitution. En
fait, elle se caractérise par sa grande qualité d'approximation avec une robustesse requise,
par rapport aux autres méthodes.
La méthode de krigeage, également appelée modélisation gaussienne de processus [124],
consiste à l'addition de deux fonctions : une fonction déterministe K(x) et une fonction
aléatoire gaussienne Z(x). Elle peut être formulée par :
y(x) = K(x) + Z(x) (4.5)
K(x) est la fonction de tendance globale connue, qui est généralement prise sous forme
du polynôme et supposer être présentée comme une combinaison linéaire de fonctions de
base de régression f0 (x), f1 (x), . . . , fp−1 (x) avec les coe cients non nuls β0 , β1 , . . . , βp−1 :
p−1
X
K(x) = βi fi (x) = f T (x)β (4.6)
i=0
Où, le vecteur β = [β0 , β1 , . . . , βp−1 ]T de taille p×1 est le vecteur des coe cients de
T
régression, et f (x) = [f0 (x), f1 (x), . . . , fp−1 (x)] est le vecteur des fonctions de base de la
régression.
Généralement, la fonction f0 (x) est dé nie comme constante : f0 (x)=1.
Z(x) est la réalisation d'un processus stochastique (fonction aléatoire) avec la moyenne
égale à zéro et une covariance non nulle. La matrice de covariance de Z(x) est donnée
comme suit :
Cov[Z(x), Z(x0 )] = σ 2 R(x, x0 ) (4.7)
Avec, Cov[Z(x), Z(x0 )] est la covariance de Z(x) entre deux points quelconques x et x0 .
R(x, x0 ) est la fonction de corrélation qui dépend de la distance euclidienne entre x et x0
Bessem DEBICH 91
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
dans l'espace de conception et σ2 est la variance du processus stochastique.
La fonction de corrélation dans l'équation (4.7) aecte à la fois la plage d'in uence et la
uidité du modèle [125, 126].
Pour des raisons de commodité mathématique, en général, une règle de corrélation du
produit est utilisée pour construire des fonctions de corrélation m-dimensionnelles à partir
de fonctions de corrélation unidimensionnelles par [127] :
m
0 0
Y
R(x, x ) = R(xk , xk ) (4.8)
k=1
0
Où, xk et xk désignent respectivement la k -ème composante des points x et y du plan
d'échantillonnage, m est la dimension de la variable de conception. Il existe plusieurs
0
fonctions de corrélation dans la littérature pour R(xk , xk ), parmi elles, les deux fonctions
couramment appliquées sont les fonctions de corrélation exponentielle et gaussienne [128] :
R(xk , x0k ) = exp(−θk |xk − x0k |) (4.9)
R(xk , x0k ) = exp(−θk |xk − x0k |2 ) (4.10)
Avec, θk (k = 1, 2, . . . , m) sont des paramètres inconnus de la fonction de corrélation,
|xk − x0k | est la distance absolue entre xk et x0k .
En remplaçant les équations (4.9) et (4.10) dans l'équation (4.8), nous avons en consé-
quence : " #
m
R(x, x0 ) = exp −
X
θi |xk − x0k | (4.11)
k=1
" m
#
R(x, x0 ) = exp −
X
θi |xk − x0k |2 (4.12)
k=1
Nous utilisons un vecteur colonne θ = [θ1 , θ2 , ..., θm ]T de taille m×1 pour présenter les
paramètres inconnus des fonctions de corrélation.
L'estimateur de krigeage, pour tout x non éprouvé, peut être donné par :
ŷ(x) = f T (x)β + rT (x)R−1 (ys − FT β) (4.13)
Où, f T (x) est le vecteur de fonction de base de la régression du site non essayé, β sont
(1) (2) (n) T
les coe cients de régression estimés, r(x) = [R(x, x ), R(x, x ), . . . , R(x, x )] est le
vecteur des fonctions de corrélation entre le point non testé et les n points échantillonnés
(observés) et R est la matrice des fonctions de corrélation de taille n × n pour les données
échantillonnées, qui sont dé nies par l'équation (4.14)
(1) (1) (1) (2) (1) (n)
R(x , x ) R(x , x ) . . . R(x , x )
R(x(2) , x(1) ) R(x(2) , x(2) ) . . . R(x(2) , x(n) )
R= (4.14)
. . .
. . .
. . .
(n) (1) (n) (2) (n) (n)
R(x , x ) R(x , x ) . . . R(x , x )
Bessem DEBICH 92
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
T
Le terme (ys −F β ) indique le vecteur des résidus pour tous les points échantillonnés sans
tenir compte du terme stochastique du modèle. ys est le vecteur des réponses observées
correspondant à l'ensemble d'échantillons et F = [f T (x(1) ), f T (x(2) ), . . . , f T (x(n) )]T est la
matrice de la fonction de base de régression pour l'ensemble échantillonné S (également
appelée matrice de modèle). La matrice F peut être présentée sous la forme suivante :
(1) (1) (1) (1) (1) (1) (1) (1)
1 x1 . . . x m x1 x2 . . . xm−1 xm (x1 )2 . . . (xm )2 f T (x(1) )
1 x(2) . . . x(2)
m x
(2) (2)
x . . . x
(1)
x
(2)
m (x
(2) 2
) . . . (x
(2) 2
m ) f T (x(2) )
1 1 2 m−1 1
F = . =
. .. . . .. . . .. . .
.. . . . . . . .
. . . . . . . . . .
(n) (n) (n) (n) (1) (n) (n) 2 (n) 2 T (n)
1 x1 . . . xm x1 x2 . . . xm−1 xm (x1 ) . . . (xm ) f (x )
(4.15)
A n de construire un modèle de substitution de krigeage, les coe cients de régression β
dans l'équation (4.6), le paramètre de corrélation θ dans les équations (4.11) et (4.12) et
la variance du processus stochastique σ2 dans l'équation (4.7) doivent être déterminés.
La méthode d'estimation du maximum de vraisemblance (MLE : Maximum Likelihood
Estimate ) est utilisée pour déterminer les paramètres inconnus du modèle θ, θ et σ2.
Puisque la méthode de krigeage suppose que les réponses observées proviennent d'un
processus gaussien, les réponses aux sites d'échantillonnage sont considérées comme des
fonctions aléatoires corrélées avec la fonction de vraisemblance correspondante donnée
par :
(ys − FT β)T R−1 (θ)(ys − FT β)
2 1
L(β, σ , θ) = √ × exp − (4.16)
2σ 2
n
p
2πσ 2 |R(θ)|
Pour simpli er la fonction de vraisemblance, nous appliquons le logarithme népérien et
on obtient :
n n 1 (ys − FT β)T R−1 (θ)(ys − FT β)
ln(L) = − ln(2π) − ln(σ 2 ) − ln(|R(θ)|) − (4.17)
2 2 2 2σ 2
En prenant des dérivées de l'équation (4.17) par rapport à β et σ2 respectivement, et en
mettant à zéro, nous obtenons des estimations du maximum de vraisemblance pour β et
σ2 :
−1
β̂ = FT R−1 F FT R−1 ys (4.18)
et
1
σ̂ 2 = (ys − FT β)T R−1 (ys − FT β) (4.19)
n
En remplaçant les équations (4.18) et (4.19) dans l'équation (4.17), nous obtenons la
fonction de Ln-vraisemblance seulement en termes de vecteur de paramètre θ, qui est
connu sous le nom de fonction de Ln-vraisemblance concentrée.
1
L(θ) = ln(L) = − [n(ln(2π) + ln(σ̂ 2 )) + ln(|R|)] (4.20)
2
Bessem DEBICH 93
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
L'estimateur θ̂ du vecteur paramètre θ est obtenu en maximisant l'équation (4.20) sous
la contrainte θl > 0, l = 1, 2, . . . , m. Autrement dit, le vecteur de paramètres θ est obtenu
en résolvant le problème d'optimisation suivant :
max L(θ)
θ
(4.21)
t.q. θl > 0, i = 1, 2, . . . , m
Ce problème d'optimisation peut être réalisé à l'aide d'une technique d'optimisation nu-
mérique. Une méthode de recherche globale telle qu'un algorithme génétique ou un recuit
simulé donne généralement de bons résultats. Après avoir obtenu θ̂ , les estimateurs β̂ et
2
σ peuvent être calculés par les équations (4.18) et (4.19).
Jusqu'à présent, nous avons déterminé les valeurs de toutes les inconnues dans le mo-
dèle de krigeage, c'est-à-dire que le modèle de krigeage a été complètement construit. La
prédiction à tout point non testé peut être estimée par l'équation (4.13).
4.2.5 Validation des modèles de substitution
La précision d'un modèle de substitution est aectée par le choix du modèle de sub-
stitution ainsi que par la qualité et la quantité de l'ensemble de données à partir duquel
il est construit [128]. Avant d'utiliser les modèles de substitution construits, les modèles
doivent être validés. Il existe plusieurs mesures et méthodes pour évaluer la performance
d'un modèle de substitution et le comparer avec d'autres.
[Link] Mesures d'erreur
La technique la plus courante et la plus simple d'évaluer l'e cacité et la performance
d'un modèle de substitution est d'examiner ses erreurs résiduelles, autrement dit de véri er
la diérence entre la valeur simulée ou expérimentale y et la valeur prédite par le modèle
de substitution ŷ . Plus l'erreur résiduelle est petite, plus l'erreur d'ajustement est petite.
Les indicateurs d'erreur les plus utilisés d'un tel modèle de substitution sont :
- L'erreur absolue maximale (MAE : Relative Mean Error ) : permet de comprendre
les écarts locaux maximaux et peut être écrit sous la forme suivante :
MAE = max |y (i) − ŷ (i) |, i = 1, 2, . . . , n (4.22)
- L'erreur quadratique moyenne (RMSE : Root Mean Squared Error ) et l'erreur
moyenne relative (RME : Relative Mean Error ) : permettent de mesurer l'erreur
globale entre deux fonctions.
v
u n
u1 X
RMSE = t (y (i) − ŷ (i) )2 (4.23)
n i=1
Bessem DEBICH 94
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
et
n
1 X y (i) − ŷ (i)
RME = (4.24)
n i=1 y (i)
De plus, le coe cient de détermination Bravais-Pearson R2 (ou coe cient de corrélation
linéaire), qui permet de fournir une mesure de la façon dont les résultats observés sont
reproduits par le modèle, est une autre mesure basée sur l'erreur couramment utilisée
dé nie par :
n n
(y (i) − ŷ (i) )2 (ŷ (i) − ȳ)2
P P
Se SR
R2 = 1 − = 1 − i=1
n = i=1
= Pn (4.25)
ST P ST
(y (i) − ȳ)2 (y (i) − ȳ)2
i=1 i=1
Où, n est le nombre de points d'échantillonnage (ou encore points d'apprentissage), y (i) ,
ŷ (i) et ȳ représentent respectivement la réponse simulée (ou expérimentale), la réponse
prédite et la moyenne des réponses. La somme totale des carrés ST est égale à la somme
de la somme résiduelle des carrés Se et de la somme de régression des carrés SR , dans une
expression spéci que :
n
X n
X n
X
(i) 2 (i) (i) 2
ST = Se + SR = (y − ȳ) = (y − ŷ ) + (ŷ (i) − ȳ)2 (4.26)
i=1 i=1 i=1
La valeur du coe cient de corrélation linéaire R2 est comprise entre 0 et 1 (0 ≤ R2 ≤ 1).
Si R2 est proche de 1, cela indique généralement que le modèle s'adapte bien aux données
échantillonnées. Pour les modèles de substitution qui interpolent les points d'échantillon-
nage, il n'y a pas de résidus et que R2 =1. Cependant, cela ne garantit pas que ces modèles
de substitution interpolés soient meilleurs que les autres modèles. Dans ce cas, l'erreur
de prédiction dé nie ultérieurement ou la validation croisée décrite dans la sous-section
suivante peut être utilisée pour évaluer le modèle.
L'erreur de prédiction est l'erreur résiduelle au niveau de l'ensemble de points qui sont
générés aléatoirement et qui ne sont pas touchés pendant les étapes de construction du
modèle de substitution. La somme des carrés des erreurs de prédiction est la mesure
d'erreur souvent utilisée.
[Link] Validation croisée
Une autre façon d'évaluer l'e cacité d'un modèle de substitution et de le comparer à
d'autres modèles est la validation croisée (CV : Cross-Validation ). La technique de valida-
tion croisée permet de comparer des modèles de substitution interpolés avec des modèles
approximatifs. Lors de la validation croisée, les exemples de données sont divisés en points
d'apprentissage et de test. Les points de formation sont utilisés pour construire le modèle
de substitution, tandis que les points de test sont utilisés pour tester les performances du
Bessem DEBICH 95
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
modèle.
La technique de validation croisée fonctionne selon les cinq étapes suivantes [105] :
1. Diviser les points d'échantillonnage aléatoirement en p sous-ensembles (approxima-
tivement) égaux,
2. Supprimez chacun de ces sous-ensembles à tour de rôle (un à la fois),
3. Former un modèle de substitution en fonction des sous-ensembles restants (p − 1),
4. Calculer l'erreur du modèle de substitution construit à l'aide du sous-ensemble omis,
5. Une fois que chacun des p sous-ensembles a été utilisé comme sous-ensemble omis, les
p ensembles d'erreurs sont généralement agrégés pour produire une mesure d'erreur
globale.
La technique de validation croisée, qui divise les données d'échantillonnage en p sous-
ensembles, est connue sous le nom de validation croisée du facteur p. Une variation de la
validation croisée est le 'leave-k-out CV' (ou l'approche sans exclusion), dans lequel tous
les sous-ensembles possibles de taille k sont laissés de côté et le modèle de substitution
est construit sur l'ensemble restant.
Si k =1, la validation croisée dans ce cas particulier est appelée validation croisée sans
retrait. L'erreur de généralisation (l'erreur de prédiction des carrés moyens), c'est-à-dire
l'erreur de prédiction, pour 'leave-k-out CV' est calculée par :
n
1 X (i) (i)
MSECV = (y − ŷ−i )2 (4.27)
n i=1
(i)
Avec, y (i) est la réponse en x(i) à partir d'exemples d'échantillons et ŷ−i est la prédiction
en x(i) du modèle de substitution construit en utilisant les points d'échantillonnage sauf
(i) (i)
(x , y ).
Le 'leave-k-out CV' est une mesure de la sensibilité du modèle de substitution à la perte
d'informations à ses points de données. Cependant, un modèle de substitution insensible
n'est pas nécessairement précis et un modèle précis n'est pas nécessairement insensible
aux informations perdues. Par conséquent, le 'leave-k-out CV' n'est pas su sant pour
mesurer la précision du modèle de substitution, c'est pour cela la validation avec un
ensemble de données supplémentaire est donc recommandée [129].
4.3 Optimisation multiobjectif
Les applications d'optimisation dans le monde réel incluent souvent plus d'un objectif.
De nombreux algorithmes RBDO ont donc été étendus pour traiter les problèmes d'opti-
misation multiobjectif (MOO : Multi-Objective Optimization ).
Bessem DEBICH 96
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Récemment, Dammak et El Hami [123, 130] ont étudié des problèmes d'optimisation
multiobjectif d'une prothèse de hanche [123] et d'un système couplé vibro-acoustique
[130]. Ces études sont basées sur le couplage du problème d'optimisation multi-objectif
(MORBDO) avec des modèles de substitution. Ces travaux ont montré que le problème
étudié en utilisant l'approche de Krigeage a l'aptitude de générer un front de Pareto able
et bien distribuée.
4.3.1 Problème d'optimisation multiobjectif déterministe
Considérons M fonctions objectifs fm (x) à minimiser. Une approche optimisation mul-
tiobjectif déterministe (DMOO : Deterministic Multi-Objective Optimization ) est alors
nécessaire pour minimiser ces fonctions compte tenu des contraintes géométriques, phy-
siques et fonctionnelles. L'approche DMOO peut être alors écrite comme suit :
min fm (x), m = 1, .., M
x
t.q. gk (x) ≤ 0, k = 1, .., K
(4.28)
hj (x) = 0, j = 1, .., J
lb ≤ x ≤ ub
Diérentes de l'optimisation mono-objectif, pour un problème d'optimisation multiob-
jectif, les fonctions objectifs constituent un espace multidimensionnel, appelé espace des
fonctions objectifs, en plus de l'espace des variables utilisé dans tous les problèmes d'op-
timisation.
Figure 4.4 illustre la transition de l'espace des variables de conception à l'espace des
fonctions objectifs. De plus, pour chaque solution x, il y a un point dans l'espace objectif.
Figure 4.4 Passage de (a) : l'espace physique à (b) : l'espace des fonctions objectifs
Bessem DEBICH 97
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
L'approche DMOO vise à déterminer la solution optimale en choisissant entre un
ensemble de points obtenus sur le front de Pareto, en utilisant des considérations qualita-
tives de plus haut niveau. Pour cela, les approches d'optimisation multiobjectif évolutive
(MOEA : Multi-Objective Evolutionary Algorithms ) ont été proposées a n de trouver un
ensemble de solutions non dominées en rendant chaque population de solutions à chaque
itération intuitive [131]. Figure 4.5 présente la procédure MOEA pour les problèmes d'op-
timisation multi-objectif. Elle est basée sur deux étapes :
- Étape 1 : consiste à trouver les multiples points non dominés les plus proches du
front de Pareto optimal, avec un large compromis entre les objectifs.
- Étape 2 : consiste à choisir le point optimal en utilisant des informations de plus
haut niveau.
Figure 4.5 Organigramme de la procédure d'optimisation multi-objectif évolutive
L'approche C-NSGA-II ( Constrained Non-dominated Sorting Genetic Algorithm ) est une
des algorithmes MOEA la plus populaire [132]. Comme montré par Zhou et al. [133],
de nombreux MOEA d'aujourd'hui partagent les bases avec la NSGA-II, mais d'autres
approches existent.
Une image schématique de l'algorithme peut être vue sur la gure 4.6. Les étapes de base
de l'algorithme sont les suivantes :
1. Initialiser aléatoirement une population parent de taille N. Évaluer la population,
c'est-à-dire calculer les valeurs d'objectif et de contrainte. Classer la population
Bessem DEBICH 98
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
en utilisant des critères de non-domination. Calculer la distance d'encombrement,
c'est-à-dire une mesure de la proximité relative avec d'autres solutions dans l'espace
objectif, qui est utilisé pour diérencier les solutions de même rang.
2. Utiliser des algorithmes génétiques, c'est-à-dire sélection, croisement et mutation,
pour former une population d'enfants de taille N. Évaluer la population d'enfants.
3. Combinez les populations parent et enfant. Attribuer un rang et calculer la distance
d'encombrement pour chaque individu.
4. Appliquez l'élitisme en sélectionnant les N meilleurs individus de la population
combinée en fonction du rang et de la distance d'encombrement. Ces individus
formeront la population parent lors de la prochaine itération.
5. Si le critère de terminaison n'est pas satisfait, passez à l'étape 2.
Figure 4.6 procedure NSGA-II
4.3.2 Problème d'optimisation abiliste multiobjectif
Par rapport au DMOO, l'optimisation abiliste multiobjectif (MORBDO : Multi-
Objective Reliability Based-Design Optimization ) vise à trouver le meilleur compromis
entre coût et abilité, en tenant compte des incertitudes de conception. Elle peut être
présentée mathématiquement par [134, 135] :
min fm (x), m = 1, .., M
x
t.q. Pr [Gk (x, y) ≤ 0] ≤ PkT , k = 1, . . . , K (4.29)
hj (x) ≤ 0, j = 1, . . . , J
Avec, x et y sont respectivement les variables déterministes et aléatoires. Pr [.] présente
T
l'opérateur de probabilité et Pi est la probabilité de défaillance cible. hj (x) et Gi (x, y)
sont respectivement les contraintes déterministe et d'état limite.
Bessem DEBICH 99
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Dammak et El Hami [123] proposent une approche d'optimisation multiobjectif e cace
appelée MORBDO-HM. Cette méthode est basée sur la méthode hybride classique (voir
chapitre 3). Le problème MORBDO-HM peut alors être décrit par :
min Fm (x, y) = fm (x) × dβ (x, y), m = 1, .., M
x,y
s.t. G(x, y) ≤ 0
(4.30)
gk (x, y) ≤ 0, k = 1, .., K
dβ (x, y) ≥ βt
Rappelons que dβ est la distance entre le point de défaillance le plus probable et la solu-
tion optimale. Il présente le niveau de abilité et doit être supérieur au niveau de abilité
cible βt .
L'approche MORBDO-HM a e cacement fourni une solution optimale où les contraintes
physiques et de abilité sont respectées. Cependant, le problème d'optimisation devient
plus complexe et peut converger vers une solution irréalisable. Pour surmonter ce pro-
blème, une méthode e cace appelée MORBDO-RHM est proposée. L'idée de base de
cette méthode est basée sur l'ajout d'une nouvelle contrainte à l'algorithme d'optimisa-
tion. Le but est de forcer le problème d'optimisation à trouver le point optimal où les
contraintes physiques et abiliste sont validées. Mathématiquement, il est dé ni comme :
min F (x, y) = fm (x) × dβ (x, y) m = 1, . . . , M
x,y
s.t. G(x, y) ≤ 0
gk (x) ≤ 0, k = 1, . . . , K
(4.31)
β(x, u) ≥ βt
lb ≤ x ≤ ub
fm (x) ≥ fm (y)
4.4 Analyse d'optimisation multiobjectif d'un système
de refroidissement à base du MCP
L'objectif de cette section est de déterminer la conception optimale d'un système
de refroidissement à dissipateur thermique à base du MCP. Un problème d'optimisation
mono-objectif est traité dans un premier temps où la fonction objectif (minimiser le volume
total du système étudié) et la contrainte thermique sont calculées. Ensuite, un problème
d'optimisiation multi-objectif est étudié a n de prendre en compte la phase de décharge
du système de refroidissement. La détermination de la conception optimale consiste à
coupler le logiciel éléments nis ANSYS et la boîte à outils MATLAB où les techniques
de substitution et des procédures RBDO et MORBDO sont mises en ÷uvre.
Bessem DEBICH 100
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
4.4.1 Modèle déterministe
[Link] Description du modèle
Figure 4.7 présente un modèle tridimensionnel du système de refroidissement étudié. Il
est composé d'un dissipateur thermique en aluminium qui contient une matrice à 11 × 12
broches rondes. À noter que l'aluminium présente une conductivité thermique élevée ainsi
qu'une masse plus faible (densité plus faible). Les détails des dimensions de la conception
du dissipateur thermique sont indiqués dans gure 4.8.
Figure 4.7 Modèle 3D de l'assemblage du système étudié
Expérimentalement, les parois extérieures du dissipateur thermique sont isolées avec
un panneau en caoutchouc, à l'exception de la surface supérieure. L'isolant présente une
faible conductivité thermique a n de minimiser les pertes thermiques et ses propriétés
sont mentionnées dans le tableau 4.1.
Pour contrôler le changement de phase du MCP, la surface supérieure est recouverte d'un
joint en silicone et d'une feuille de Plexiglas. Notant que ces pièces ne sont pas considérées
dans le modèle numérique étudié.
Un ux de chaleur uniforme est transmis de la source de chaleur à la base du dissipateur
thermique. Il est ensuite transmis au MCP, aux broches et aux parois du dissipateur
thermique. On considère que le modèle ne prend pas en compte les eets marginaux tels
que le changement de volume du MCP lors de changement de phase.
Bessem DEBICH 101
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Figure 4.8 Dimensions du dissipateur thermique
Toutes les dimensions des matériaux nécessaires et les propriétés thermo-physiques du
système étudié sont présentées respectivement dans les tableaux 4.1 et 4.2
Les résultats numériques obtenus sont comparés par la suite avec les données expérimen-
tales présentées dans [75].
Tableau 4.1 Dimensions des matériaux requis
Numéro Désignation Dimensions
1 Plexiglas 115 × 115 × 5 mm3
2 Joint en caoutchouc de silicone 115 × 115 × 5 mm3
(avec une coupure de 114 × 114)
3 Isolant 220 × 220 × 25 mm3
(avec une coupure de 114 × 114)
4 Isolant au fond du dissipateur de chaleur 220 × 220 × 65 mm3
5 Plaquee chauante 101.6 × 101.6 × 2 mm3
Tableau 4.2 Propriétés thermo-physiques de chaque matériau
◦ ◦
Matériaux Conductivité thermique Chaleur spéci que Chaleur latente T de solidi cation T de fusion Densité
(W/m.K ) (kJ/kgK ) ( kJ/kg ) (
◦
C) (
◦
C) kg/m3 )
(
Aluminium 201 0.9 - - 606.4 2700
Cire de para ne 0.212(s) 2.8(s) 173.6 56 58 880(s)
0.167(l) 790(l)
Isolant 0.043 1.23 - - - 2500
Bessem DEBICH 102
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
[Link] Résultats préliminaires
Le logiciel de calcul par éléments nis (EF) ANSYS est utilisé pour étudier les perfor-
mances du dissipateur de chaleur à broches rondes rempli du MCP.
Un ux de chaleur constant (Q = 2800W/m2 ) est appliqué pour imiter la source de cha-
leur à la base du dissipateur. La phase de charge est établie pour 90min et elle est eectuée
◦
à une température ambiante de 18 C.
L'approche enthalpie-porosité est adoptée a n d'étudier l'eet de changement de phase.
Dans cette investigation numérique, plusieurs hypothèses sont considérées :
- Le matériau du dissipateur est homogène et isotrope.
- Un équilibre thermique local entre les broches et le MCP liquide est considéré.
- Quelles que soient la phase et la température, les propriétés thermo-physiques du
MCP et des broches sont considérées comme constantes.
- Le transfert de chaleur radiative est également négligé.
La convection naturelle est appliquée sur les parois extérieures de l'isolant. Pour traiter
les équations gouvernantes, les conditions initiales ainsi que les conditions aux limites
appliquées sont :
- Conditions Initiales :
t=0, T =Tamb =18◦ C, ξ =0.
- Flux thermique appliqué à la base du dissipateur :
−λ ∂T
∂x
| = −λ ∂T
∂y
| =Q
x = 6.2 → 107.8 x = 6.2 → 107.8
y = 6.2 → 107.8 y = 6.2 → 107.8
z=2 z=2
Figure 4.9 présente le maillage du modèle numérique du système étudié. Il est divisé en
39240 éléments tétraédriques à 8 n÷uds. Chaque élément a huit n÷uds avec un seul degré
de liberté, la température, à chaque n÷ud. On peut noter qu'un ra nement du maillage
est appliqué au niveau des surfaces de contact du dissipateur et du MCP pour donner un
meilleur résultat.
Tableau 4.3 Étude de convergence de maillage
Nombre d'éléments 36240 38001 39240 85756 141367
Temps de simulation(min) 11.55 12.7 12.87 27.5 85.15
Tmax (◦ C ) 75.76 80.34 82.57 82.67 82.68
Cinq maillages diérents sont étudiés. Le temps de calcul total et la température
maximale atteinte Tmax pour chaque con guration sont présentés dans le tableau 4.3.
Bessem DEBICH 103
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Figure 4.9 Maillage du modèle
Selon le tableau 4.3, la con guration de maillage avec 39240 éléments est choisie pour
garantir un bon compromis entre le coût et la précision. En fait, la con guration avec
141367 éléments présente presque la même température maximale atteinte avec un temps
de calcul très important par rapport à la con guration à 39240 éléments.
La gure 4.10 présente le pro l température-temps à la base du dissipateur à broches de
diamètre de 3mm. Notant que les courbes bleue et rouge correspondent respectivement
aux résultats expérimentaux [75] et numériques, pendant la phase de chargement pour un
ux de chaleur Q = 2800W/m2 .
On voit bien que la courbe de température peut être divisée en trois régions distinctes :
- Phase solide :
Initialement, la température augmente de manière linéaire de la température am-
◦ ◦
biante Tamb =18 C à la température de solidi cation du MCP Ts =56 C.
- Phase liquide :
Dans cette région, toute la quantité de MCP est totalement fondue. La température
augmente, jusqu'à 90min.
- Phase de chaleur latente :
On constate que, tant pour les simulations numériques qu'expérimentales, l'augmen-
tation de la température a été signi cativement retardée en raison de l'utilisation
du MCP. En eet, béné ciant des propriétés thermo-physiques du MCP, l'énergie
générée par la source est stockée et provoque son passage de la phase solide à la
phase liquide.
On peut observer que les données numériques se comparent raisonnablement bien avec les
Bessem DEBICH 104
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
résultats expérimentaux trouvés par Arshad et al. [75]. Par conséquent, le problème des
métamodèles couplés avec les méthodes RBDO et MORBDO peut être poursuivi.
Figure 4.10 Pro le de température pour Q = 2800W/m2
4.4.2 Étude du problème mono-objectif
Les variables de conception prises dans cette étude sont considérées comme des va-
riables probabilistes aléatoires dont leurs caractéristiques sont spéci ées dans le tableau 4.4.
Tableau 4.4 Caractéristiques des variables de conception du problème mono-objectif
Variables Symbole Valeur moyenne Cov Loi de distribution Borne inférieure Borne supérieure
(lb) (ub)
Longueur (mm) L 114 0.1 Normal 110 125
Hauteur(mm) H 25 0.1 Normal 15 30
Diamètre de broche (mm) d 3 0.1 Normal 2 4
2
Flux de chleur(W/m ) Q 2800 0.1 Normal 2500 2900
[Link] Résultats du modèle de substitution
Les approches de krigeage sont utilisées pour construire des approximations de la si-
mulation EF et décrire la relation entre les paramètres d'entrée et les réponses du système.
La température maximale atteinte du dissipateur thermique est calculée à l'aide des mo-
dèles de substitution de Krigeage (l'équation (4.5)). Pour développer le métamodèle kri-
geage, le package pré-intégrer dans Matlab DACE ( Design and Analysis of Computer
Experiments ) est utilisé [136].
Bessem DEBICH 105
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Une fonction de tendance globale polynomiale du second ordre et une fonction de cor-
rélation exponentielle sont adoptées. L'e cacité du modèle de substitution de krigeage
est déterminée par leur MAE (l'équation (4.22)), RMSE (l'équation (4.23)) et RME
(l'équation (4.24)). Les mesures d'erreur du métamodèle sont présentées dans le ta-
bleau 4.5.
Figure 4.11 Validation croisée pour Tmax (a) : LHS à 25 points, (b) : LHS à 50
points et (c) : LHS à 100 points
Une comparaison du nombre de points d'échantillonnages est montrée par la validation
croisée dans la gure 4.11 (a), (b) et (c) pour 25, 50 et 100 points, respectivement.
Les résultats de la validation croisée montrent que le prédicteur de krigeage avec 100
points donne une approximation de la conception originale avec une grande e cacité.
Tableau 4.5 Mesures d'erreur du modèle de substitution par krigeage du problème
mono-objectif
Measures d'erreur MAE RME RMSE
LHS à 25 points 4.0116 3.0436e-3 2.3258
LHS à 50 points 1.8576 2.0543e-3 2.2001
LHS à 100 points 1.5953 1.3942e-3 0.3166
Bessem DEBICH 106
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Dans la section suivante, le modèle de krigeage sera couplé avec les approches RBDO
pour analyser l'optimisation et la abilité du système étudié.
[Link] Résultats des méthodes DDO et RBDO
Le problème d'optimisation consiste à minimiser le volume total du système de refroi-
dissement soumis à la température maximale atteinte (Tmax ). Notant que la température
critique pour la phase de chargement est d'environ Tc =70◦ C. Généralement, l'indice de
abilité cible est choisie égale à : βt =3 qui correspond à une probabilité de défaillance
presque égale à 10−3 . Pour l'approche DDO, le facteur de sécurité global Sg est basé sur
l'expérience en ingénierie et est appliqué aux contraintes. En conséquence, la température
de la conception optimale doit être inférieure aux valeurs maximales admissibles. Ensuite,
le problème DDO peut être écrit comme suit :
min V (x)
x
Tc
t.q. Tmax (x) ≤ (4.32)
Sg
lb ≤ x ≤ ub
Le tableau 4.6 présente les résultats obtenus par la résolution de l'approche DDO. La
solution obtenue véri e la solution optimale (la contrainte thermique est véri ée), mais
son niveau de abilité β est raté (β =1,79<3). Par conséquent, pour résoudre ce problème,
une méthode RBDO sera extrêmement recommandée.
Tableau 4.6 Résultats d'optimisation déterministe (DDO)
Valeurs initiales Valeurs initiales Points de défaillance Solution optimale
∗
y0 x0 y x∗
Variables de conception L (mm) 115.6 118 121.83 125
H (mm) 26.9 18 15 18.24
d (mm) 3.6 2.8 4 4
Q (mm) 2860 2560 2500 2500
Fonction Objectif V (mm3 ) 339084.82 231288.14 202018.93 264385.82
◦
Contrainte thermique Tmax ( C) 68.68 72.37 70 63
Indice de abilité β 5.68 1.79
Comme présenté dans le chapitre 3, on peut constater que l'approche RHM est plus
e cace que les autres approches RBDO considérant la gestion thermique du système de
refroidissement à base du MCP. Par conséquent, les méthodes RHM et IRHM sont ensuite
étudiées pour améliorer la gestion thermique du système de refroidissement.
L'équation (4.33) et l'équation (4.34) présentent respectivement le problème d'optimisa-
Bessem DEBICH 107
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
tion RHM et IRHM :
min F (x, y) = V (x) × dβ (x, y)
x,y
t.q. Tmax (y) ≤ 70◦ C
lb ≤ x, y ≤ ub (4.33)
dβ (x, y) ≥ βt
V (x) ≥ V (y)
et
min F (x, y) = V (x) × dβ (x, y)
x,y
t.q. Tmax (y) ≤ 70◦ C
lb ≤ x, y ≤ ub (4.34)
dβ (x, y) ≥ βt
T (x) ≤ T (y)
Les résultats RBDO sont présentés dans les tableaux 4.7 et 4.8. Comme on pouvait consta-
ter, ces approches conduisent à une conception optimale x∗ qui véri e la condition de
abilité βt .
Tableau 4.7 Résultats de la méthode hybride robuste (RHM)
Valeurs initiales Valeurs initiales Points de défaillance Solution optimale
∗
y0 x0 y x∗
Variables de conception L (mm) 115.6 118 116.93 119.84
H (mm) 26.9 18 24.75 23.56
d (mm) 3.6 2.8 4 3.15
Q (mm) 2860 2560 2861.4 2556.9
Fonction objectif V (mm3 ) 339084.82 231288.14 317784.17 317784.29
◦
Contrainte thermique Tmax ( C) 68.68 72.37 70 62.23
Indice de abilité β 5.68 3
Tableau 4.8 Résultats de la méthode hybride robuste améliorée (IRHM)
Valeurs initiales Valeurs initiales Points de défaillance Solution optimale
∗
y0 x0 y x∗
Variables de conception L (mm) 115.6 118 115.74 118.49
H (mm) 26.9 18 25.70 20.21
d (mm) 3.6 3.97 4 3.81
Q (mm) 2860 2560 2861.51 2556.86
Fonction objectif V (mm3 ) 339084.82 231288.14 323785.01 263234.97
◦
Contrainte thermique Tmax ( C) 68.68 72.37 70 67.4
Indice de abilité β 5.68 3
De plus, la solution optimale semble être améliorée en raison de la contrainte supplé-
mentaire. On note également que la fonction objectif obtenue par l'approche IRHM est
Bessem DEBICH 108
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
inférieure à celle obtenue par le RHM (VIRHM < VRHM ).
La variation du pro l de température en fonction du temps est présentée dans la gure 4.12
pour le modèle initial (courbe noire), la conception optimale IRHM (courbe rouge) et la
conception optimale RHM (courbe bleue). Dans cette gure, les phases de chargement et
de déchargement des composants électroniques de refroidissement sont étudiées.
Figure 4.12 Pro l de température pour le modèle initial et les conceptions
optimales : phases de chargement et de déchargement.
Les variations de la fraction liquide du MCP du modèle initial et optimal sont présen-
tées dans la gure 4.13 (a) et la gure 4.13 (b) pour les phases de charge et de décharge,
respectivement.
On voit clairement que, le modèle obtenu par la méthode RHM prend plus de temps
pour réaliser le passage de phase solide à la phase liquide par rapport au modèle obtenu
par la méthode IRHM. Cela peut s'expliquer par le fait que la conception de dissipateur
de chaleur obtenue par la RHM a la capacité de stocker plus d'énergie thermique et de
retarder l'augmentation de la température tout au long de la phase de charge.
Pour la phase de décharge, on constate qu'il existe plusieurs problèmes en matière de
dissipation thermique liés à des conceptions plus importantes. En fait, le temps nécessaire
pour terminer le processus de changement de phase liquide-solide par l'approche RHM
est plus important que celui prit par IRHM. Par conséquent, une étude d'optimisation
multiobjectif est nécessaire a n de minimiser le temps de décharge tout en gardant une
géométrie optimale du système de refroidissement.
Bessem DEBICH 109
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Figure 4.13 Processus latent pour (a) : la phase de charge et (b) : la phase de
décharge
4.4.3 Problème d'optimisation multi-objectif
Le problème consiste maintenant à minimiser le temps nécessaire pour atteindre 25◦ C
pour la phase de décharge, qu'on va le noter tf , en plus du volume total du système de
refroidissement V.
En revanche, la température maximale atteinte Tmax ne doit pas dépasser la température
critique Tc . En fait, pour la phase de décharge, plusieurs problèmes en matière de dissipa-
tion thermique liés à des conceptions plus importantes sont détectés [137]. Par conséquent,
des modèles de substitution sont donc utilisés pour déterminer une approximation de Tmax
et tf en considérant les variables de conception.
Les paramètres de conception considérés dans cette étude sont supposés aléatoires proba-
bilistes dont leurs caractéristiques sont spéci ées dans le tableau 4.9.
Tableau 4.9 Propriétés des variables de conception du problème multi-objectif
Variables Symbole Loi de distribution Cov Valeur moyenne Borne inférieure Borne supérieure
(lb) (ub)
Longueur (mm) L Normale 0.1 114 110 125
Hauteur (mm) H Normale 0.1 25 15 30
Diamètre de broche (mm) d Normale 0.1 3 2 4
[Link] Résultats du modèle de substitution
Les paramètres présentés dans le tableau 4.9 sont alors considérés comme l'entrée de
l'analyse EF. L'e cacité du modèle de substitution de krigeage est validée à l'aide de
mesures d'erreur (les équations (4.22) à (4.24)) comme présentée dans le tableau 4.10.
Bessem DEBICH 110
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Tableau 4.10 Mesures d'erreur du modèle de substitution par krigeage du problème
multi-objectif
LHS à 20 points LHS à 30 points LHS à 50 points
Mesures d'erreur
Tmax tf Tmax tf Tmax tf
MAE 1.354 2.054 1.216 2.1587 0.4353 1.3895
RME 1.046e-03 0.0032 8.1313e-04 0.0027 3.5979e-04 0.0017
RMSE 0.377 0.489 0.0905 0.7629 0.2531 0.3181
Une comparaison entre les mesures d'erreurs pour diérents nombres de points d'échan-
tillonnage est présentée par les gures 4.14 à 4.16 pour des LHS à 20, 30 et 50 points,
respectivement.
On peut conclure que le modèle de krigeage obtenu par 50 points d'échantillonnage donne
une bonne estimation de la conception originale avec une e cacité acceptable.
Figure 4.14 Validation croisée avec LHS à 20 points pour (a) Tmax et (b) tf
Figure 4.15 Validation croisée avec LHS à 30 points pour (a) Tmax et (b) tf
Bessem DEBICH 111
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Figure 4.16 Validation croisée avec LHS à 50 points pour (a) Tmax et (b) tf
Dans la section suivante, le modèle de krigeage sera couplé avec les méthodes de
simulation MORBDO pour analyser l'optimisation et la abilité du système étudié.
[Link] MORBDO des dissipateurs thermique à base du MCP
Une comparaison des fronts de Pareto pour diérentes tailles de population est pré-
sentée dans la gure 4.17. La con guration de 500 générations maximum et de 200 popu-
lations est considérée. Cette con guration est utilisée a n de déterminer si la dispersion
des solutions est maintenue.
Le problème d'optimisation consiste à minimiser le volume du système de refroidissement
ainsi le temps nal de la phase de décharge (tf ) en considérant la température maximale
atteinte (Tmax ). Notant que la température critique pour la phase de charge est d'environ
Tc =70◦ C. Ici, le niveau de abilité cible est supposé égal à : βt =3.
Figure 4.17 Comparaison des diérentes tailles de populations
Bessem DEBICH 112
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
• Résultats de l'approche DMOO
Le problème DMOO est dé ni comme suit :
min {f1 (x) = V, f2 (x) = tf }
x
Tc
t.q. Tmax (x) ≤ (4.35)
Sg
lb ≤ x ≤ ub
La gure 4.18 présente le front de Pareto optimal de l'approche DMOO. Il fournit aux
décideurs un ensemble de solutions sur l'espace de Pareto, pour le choix de la conception.
Figure 4.18 Front de Pareto de l'approche DMOO
Tableau 4.11 Résultats de l'approche DMOO
Description Point de défaillance Point optimale
y∗ x∗
Variables de conception L (mm) 125 125
H (mm) 23.78 28.64
d (mm) 4 3.72
Fonction objectif V (mm3 ) 3.51e+05 4.268e+05
tf (min) 236.47 253.45
◦
Contrainte thermique Tmax ( C) 70 63
Indice de abilité β 1.85
Pour sélectionner le meilleur optimum, appelé Knee point [138], la méthode de sé-
lection de distance minimale (MDSM : Minimum Distance Selection Method ) [139] est
considérée ici, comme présentée par la gure 4.18. Dans un front Pareto, la knee point
Bessem DEBICH 113
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
ore un bon compromis entre les fonctions objectifs. Il présente la distance minimale du
point d'utopie.
Le tableau 4.11 présente les résultats MOO déterministes. En se référant au modèle de
base, l'approche DMOO présente une conception optimale (la contrainte thermique est
véri ée), mais son niveau de abilité β est raté (β =1,85<3). Par conséquent, pour ré-
soudre ce problème, des méthodes MORBDO sont extrêmement recommandées.
• Résultats de l'approche MORBDO
Les équations (4.36) et (4.37) présentent respectivement le problème d'optimisation MORBDO-
HM et MORBDO-RHM :
min F (x, y) = [V (x), tf (x)] × dβ (x, y)
x,y
t.q. Tmax (y) ≤ 70◦ C
(4.36)
lb ≤ x, y ≤ ub
dβ (x, y) ≥ βt
min F (x, y) = [V (x), tf (x)] × dβ (x, y)
x,y
t.q. Tmax (y) ≤ 70◦ C
lb ≤ x, y ≤ ub
(4.37)
dβ (x, y) ≥ βt
V (x) ≥ V (y)
tf (x) ≥ tf (y)
Le front de Pareto correspondant est illustré dans la gure 4.19 pour les approches
MORBDO-HM et MORBDO-RHM.
Figure 4.19 Front de Pareto pour (a) : MORBDO-HM et (b) : MORBDO-RHM
Bessem DEBICH 114
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Les résultats MORBDO sont présentés dans le tableau 4.12. de la même façon que
l'approche DMOO, les résultats MORBDO fournissent un ensemble de points optimaux
dans l'espace de Pareto. Par contre, le niveau de abilité avec les approhes MORBDO est
respecté.
Le tableau 4.12 montre que l'approche MORBDO-HM donne un point résultant dans
◦ ◦
la zone de défaillance (Tmax =90,98 C > 70 C). Cependant, l'approche MORBDO-RHM
conduit à obtenir une con guration optimale en respectant de la contrainte de abilité
ainsi que de la contrainte thermique.
Tableau 4.12 Résultats de MORBDO
Description MORBDO-HM MORBDO-RHM
Point de défaillance Point optimale Point de défaillance Point optimale
y∗ x∗ y∗ x∗
Variables de conception L(mm) 124.67 110.81 122.62 121.96
H (mm) 24.04 18.89 26.82 30
d(mm) 4 4 2.82 3.92
Fonction objectif V (mm3 ) 3.53e+05 2.11e+05 3.8279e+05 4.2558e+05
tf (min) 237.43 216.56 254.8 257.42
Contrainte thermique Tmax (◦ C) 70 90.98 69.86 64.61
Indice de abilité β 3 3
Le pro l température en fonction du temps, mesuré à la base du dissipateur, est
présenté par la gure 4.20, pour la conception déterministe (courbe rouge) et la conception
obtenue par l'approche MORBDO-RHM (courbe bleue). Dans cette gure, la charge et
la décharge du composant électronique sont étudiées.
Figure 4.20 Pro l de température pour le modèle initial et la conception optimale
Bessem DEBICH 115
Chapitre 4. Méta-modélisation pour l'étude d'optimisation abiliste
multiobjectif des systèmes de refroidissement à base des MCP
Pour la con guration optimale, la période de phase de chaleur latente est plus impor-
tante que pour la conception déterministe. Cela indique que la con guration optimale a la
capacité de stocker une grande quantité d'énergie thermique par rapport à la conception
initiale. De plus, à t=120min, la conception obtenue par l'approche MORBDO-RHM véri-
e à la fois les contraintes thermiques et abiliste. Néanmoins, pour la phase de décharge,
◦
les deux modèles atteignent (25 C) a peu près en même temps.
4.5 Conclusion
L'objectif de ce chapitre est de développer une méthodologie e cace permettant
d'avoir une conception optimale des systèmes de de refroidissement à base du MCP qui
garantit un niveau de abilité requis. Dans cette étude, une simulation numérique tran-
sitoire d'un dissipateur thermique à broches rondes entièrement rempli de MCP a été
réalisée pour étudier le comportement thermique pour le refroidissement passif des com-
posants électroniques.
Pour déterminer la relation entre les variables de conception et leurs réponses, les mo-
dèles de substitution en utilisant l'approche de krigeage sont proposés. Les résultats de
la validation croisée et des mesures d'erreurs montrent que l'estimateur par krigeage avec
50 points LHS donne une approximation du plan original avec une grande précision pour
un système de refroidissement avec trois variables de conceptions et 100 points LHS en
considérant le ux thermique comme étant la quatrième variable d'entrée.
Deux problèmes ont été étudiés : un problème d'optimisation mono-objectif et un pro-
blème d'optimisation multiobjectif. Dans le cas du problème mono-objectif on constate
que l'approche IRHM est plus e cace et plus able que l'approche RHM.
Les résultats montrent que, comme prévu, l'augmentation du volume du MCP conduit à
retarder l'augmentation de la température maximale atteinte tout au long de la phase de
charge. Pour la phase de décharge, le modèle optimal obtenu par l'approche IRHM néces-
site plus de temps pour dissiper l'énergie thermique stockée à l'intérieur du système de
refroidissement. Pour cette raison, une étude d'optimisation multiobjectif a été appliquée
pour minimiser le temps de décharge.
Bien que l'approche DMOO soit facile à appliquer et puisse garantir une conception opti-
male, un niveau de abilité pour la contrainte thermique est raté. Par conséquent, et a n
de surmonter ce problème, une nouvelle approche qui consiste à combiner le modèle EF
du dissipateur thermique, les techniques de substitution et les méthodes MORBDO, a été
proposée. L'étude numérique prouve que l'approche MORBDO-RHM proposée est plus
e cace et plus performante que l'approche MORBDO-HM pour l'étude des systèmes de
refroidissement à base du MCP.
Bessem DEBICH 116
Conclusion générale
L'objectif principal de cette thèse est de proposer des méthodes numériques et analy-
tiques qui permettent de déterminer la conception optimale en proposant des méthodolo-
gies d'optimisation abiliste mono-objectif et multiobjectif en étudiant le comportement
thermique d'un système de refroidissement à base des MCP. Ce travail a été réalisé au sein
du Laboratoire de Mécanique de Normandie (LMN) en collaboration avec le Laboratoire
de recherche de Mécanique, Modélisation et Production (LA2MP) de l'Ecole Nationale
d'Ingénieurs de Sfax en tant que thèse en cotutelle internationale.
Dans la première partie, une analyse déterministe par éléments nis d'un système de
refroidissement a été proposée a n de quanti er les performances thermiques d'un dissi-
pateur de chaleur à base de MCP. L'e cacité des résultats numériques a été véri ée en
se référant aux données expérimentales illustrées dans la littérature. De plus, l'évolution
de la température du dissipateur a été étudiée pour le processus de chargement et de
déchargement. Les résultats présentés montrent l'impact de quatre paramètres (le type
de MCP ; le niveau de ux de chaleur ; la fraction volumique de MCP et la géométrie
du dissipateur thermique) sur le comportement thermique du système de refroidissement
proposé.
Les résultats obtenus con rment les avantages de l'utilisation de l'analyse par éléments
nis pour un système de refroidissement à comportement complexe. Cette étude a conduit
à proposer une conception optimale du système de refroidissement qui présente une per-
formance thermique e cace. Le modèle proposé présente un intérêt direct pour concevoir
un système de refroidissement à base de MCP. Les résultats obtenus sont encourageants,
compte tenu de la littérature sur les systèmes de refroidissement. Cette étude crée une
étape supplémentaire pour renforcer les techniques qui permettent d'étudier le comporte-
ment des systèmes de refroidissement à base de MCP.
Par la suite, nous avons élaboré une méthode e cace qui consiste à déterminer une concep-
tion optimale des systèmes de refroidissement en considérant un niveau de abilité requis.
Ainsi, les méthodes DDO et RBDO ont été appliquées. Une nouvelle approche appelée
RHM couplée au modèle de dissipateur thermique à base de MCP a été par la suite
développée. On peut conclure que, pour les systèmes de refroidissement non linéaires,
l'approche RHM véri e à la fois les contraintes thermiques et la contrainte de abilité. De
plus, il minimise clairement le temps de calcul, en comparant avec les autres méthodes
déterministe et abiliste.
Les diérents résultats ont été obtenus en couplant le code développé avec MATLAB
et le logiciel de calcul par éléments nis ANSYS. Il est à noter que la non-linéarité des
Conclusion générale
propriétés des matériaux présente le dé majeur pour la résolution de la procédure d'op-
timisation. En fait, une petite variation des données paramétriques peut conduire à une
divergence des résultats.
L'objectif de la dernière étape est de proposer une méthodologie qui permet de trouver
la conception optimale et able d'un modèle réel d'un système de refroidissement à base
de MCP par une étude d'optimisation mono-objectif et multiobjectif d'un modèle 3D du
dissipateur thermique. Pour déterminer la relation entre les variables d'entrée et de sor-
tie, l'approche de krigeage est utilisée dans la construction des modèles de substitution.
En fait, l'objectif dans un premier temps était de construire une approximation permet-
tant d'assurer une bonne représentativité du modèle réel obtenue par le simulateur. Les
méthodes RBDO et MO-RBDO ont été étudiées par la suite pour étudier le système de
refroidissement. Ces approches ont été couplés avec les modèles de substitution construits
à partir du modèle de dissipateur thermique à base de MCP.
Les résultats ont montré que l'approche MORBDO-RHM proposée est plus e cace et plus
able que l'approche MORBDO-HM. Par conséquent, pour un système de refroidissement
à base de MCP, l'approche MORBDO-RHM conduit à obtenir une conception optimale,
où les contraintes thermiques et de abilité sont véri ées.
Bessem DEBICH 118
Publications scienti ques
Ce travail de recherche a mené à développer les publications scienti ques suivantes :
1. Articles publiés
A1. Bessem DEBICH, Abdelkhalak EL HAMI, Ahmed YAICH, Wajih GAFSI,
Lassaad WALHA, Mohamed HADDAR (2020). Design optimization of PCM-
based nned heat sinks for mechatronic components : A numerical in-
vestigation and parametric study. Journal of Energy Storage, 32, 101960.
https ://[Link]/10.1016/[Link].2020.101960
A2. Bessem DEBICH, Abdelkhalak EL HAMI, Ahmed YAICH, Wajih GAFSI,
Lassaad WALHA, Mohamed HADDAR An e cient reliability-based
(2020).
design optimization study for PCM-based heat-sink used for cooling
electronic devices. Mechanics of Advanced Materials and Structures, 1-13.
https ://[Link]/10.1080/15376494.2020.1836291
2. Articles acceptés
AA1. Bessem DEBICH, Ahmed YAICH, Khalil DAMMAK, Abdelkhalak EL HAMI, Wa-
jih GAFSI, Lassaad WALHA, Mohamed HADDAR. Integration of multi-objective
reliability-based design optimization into thermal energy management : Ap-
plication on phase change material-based heat sinks, Journal of Energy Storage,
2021.
3. Articles sous révision
AS1. Bessem DEBICH, Ahmed YAICH, Khalil DAMMAK, Abdelkhalak EL HAMI,
Wajih GAFSI, Lassaad WALHA, Mohamed HADDAR. Improved reliability-based
design optimization using kriging surrogate model for thermal management
of phase change material-based heat sink .
Publications scienti ques
4. Communications
C1. Bessem DEBICH, Abdelkhalak ELHAMI, Ahmed GUERINE, Wajih GAFSI,
Lassaad WALHA, Mohamed HADDAR, Modeling of cooling system using
PCM.A3M'2018, December 1921,2018, Hammamet, Tunisia.
C2. Bessem DEBICH, Ahmed YAICH, Abdelkhalak ELHAMI, Wajih GAFSI, Lassaad
WALHA, Mohamed HADDAR, Numerical study of a cooling system using the
PCM for mechatronic components. MECHATRONICS 4.0, June 89,2019, Mahdia,
Tunisia
C3. Bessem DEBICH, Ahmed YAICH, Abdelkhalak ELHAMI, Wajih GAFSI, Lassaad
WALHA, Mohamed HADDAR, Numerical Modeling of Cooling System Using
PCM. JDD 2019 ED MIIS and PSIME, June 1213, 2019, University of Normandie,
France.
C4. Bessem DEBICH, Ahmed YAICH, Abdelkhalak ELHAMI, Wajih GAFSI, Las-
saad WALHA, Mohamed HADDAR, Coupling PCM-based Heat Sinks nite ele-
ments model for mechatronic devices with Design Optimization procedure.
ICOA'2020, April 2021,2020, Beni Mellal, Morocco (Meilleure papier de la session ).
C5. Bessem DEBICH, Ahmed YAICH, Abdelkhalak ELHAMI, Wajih GAFSI, Lassaad
WALHA, Mohamed HADDAR, An optimization strategy for investigating ther-
mal performance of pcm based cooling system . . ICOME'2020, JUNE 03-05,
2020, METZ, FRANCE. (Reportée à cause du COVID-19).
C6. Bessem DEBICH, Ahmed YAICH, Abdelkhalak ELHAMI, Wajih GAFSI, Lassaad
WALHA, Mohamed HADDAR, An e cient Deterministic Design Optimization
procedure for PCM-based Heat Sinks for mechatronic devices, ICAV'2020,
March 15-16, 2021, Sfax-Tunisia.
Bessem DEBICH 120
Publications scienti ques
5. Chapitres de Livres publiés
CH1. Bessem DEBICH, Ahmed YAICH, Abdelkhalak EL HAMI, Wajih GAFSI, Lassaad
WALHA, Mohamed HADDAR (2020). Coupling PCM-based Heat Sinks nite ele-
ments model for mechatronic devices with Design Optimization procedure,
2020 IEEE 6th International Conference on Optimization and Applications (ICOA), Beni
Mellal, Morocco, 2020, pp. 1-4,doi :10.1109/ICOA49421.2020.9094460
6. Chapitres de Livres sous révision
CHS1. Bessem DEBICH, Ahmed YAICH, Abdelkhalak EL HAMI, Wajih GAFSI, Las-
saad WALHA, Mohamed HADDAR (2021). Parametric study for PCM-based heat
sinks : A numerical investigation, 2021 The rst International Workshop on MO-
delling and Simulation of COmplex Systems for Sustainable Energy E ciency, MOS-
COSSEE'2021, February 25-26, 2021, Online sessions.
Bessem DEBICH 121
Bibliographie
[1] Hasna Louahlia and Sébastien Yon. Dissipation thermique dans les compo-
sants/systemes electroniques, 2015.
[2] Harald Mehling and Luisa F Cabeza. Heat and cold storage with PCM, volume 308.
Springer, 2008.
[3] Ming Liu, Wasim Saman, and Frank Bruno. Review on storage materials and ther-
mal performance enhancement techniques for high temperature phase change ther-
mal storage systems. Renewable and Sustainable Energy Reviews, 16(4) :21182132,
2012.
[4] Adèle Soupart Soupart-Caron. Stockage de chaleur dans les matériaux à changement
de phase. Theses, Université Grenoble Alpes, December 2015.
[5] Tom Theis and Jonathan Tomkin. Sustainability : a comprehensive foundation.
2015.
[6] Amy S Fleischer. Thermal energy storage using phase change materials : fundamen-
tals and applications. Springer, 2015.
[7] Christopher Nebel and Juergen Ristein. Thin-Film Diamond I :(part of the Semi-
conductors and Semimetals Series). Academic Press, 2003.
[8] Kathryn Oseen-Senda. Etude de l'ébullition du pentane en monocanal en vue de
son utilisation pour le refroidissement des piles à combustible PEMFC. PhD thesis,
Université Henri Poincaré-Nancy I, 2006.
[9] Sameer Khare, Mark Dell'Amico, Chris Knight, and Scott McGarry. Selection of
materials for high temperature latent heat energy storage. Solar energy materials
and solar cells, 107 :2027, 2012.
[10] H Mehling, S Hiebler, and E Günther. New method to evaluate the heat storage
density in latent heat storage for arbitrary temperature ranges. Applied thermal
engineering, 30(17-18) :26522657, 2010.
[11] Atul Sharma, V Veer Tyagi, CR Chen, and Dharam Buddhi. Review on thermal
energy storage with phase change materials and applications. Renewable and Sus-
tainable energy reviews, 13(2) :318345, 2009.
Bibliographie
[12] A Abhat. Low temperature latent heat thermal energy storage : heat storage ma-
terials. Solar energy, 30(4) :313332, 1983.
[13] Murat M Kenisarin. High-temperature phase change materials for thermal energy
storage. Renewable and sustainable energy reviews, 14(3) :955970, 2010.
[14] LF Cabeza, J Roca, M Nogués, H Mehling, and S Hiebler. Immersion corrosion
tests on metal-salt hydrate pairs used for latent heat storage in the 48 to 58 ° c
temperature range. Materials and corrosion, 53(12) :902907, 2002.
[15] Johannes P Kotzé, Theodor W von Backström, and Paul J Erens. A combined
latent thermal energy storage and steam generator concept using metallic phase
change materials and metallic heat transfer uids for concentrated solar power.
SolarPACES 2011, 2011.
[16] Haoshan Ge, Haiyan Li, Shengfu Mei, and Jing Liu. Low melting point liquid metal
as a new class of phase change material : An emerging frontier in energy area.
Renewable and Sustainable Energy Reviews, 21 :331346, 2013.
[17] Syukri Himran, Aryadi Suwono, and G Ali Mansoori. Characterization of alkanes
and para n waxes for application as phase change energy storage medium. Energy
sources, 16(1) :117128, 1994.
[18] SM Hasnain. Review on sustainable thermal energy storage technologies, part
i : heat storage materials and techniques. Energy conversion and management,
39(11) :11271138, 1998.
[19] Kinga Pielichowska and Krzysztof Pielichowski. Phase change materials for thermal
energy storage. Progress in materials science, 65 :67123, 2014.
[20] K Muraishi, Y Suzuki, and A Kikuchi. Kinetics of the thermal decomposition of
dicarboxylic acids. Thermochimica acta, 239 :5159, 1994.
[21] F Roget, C Favotto, and J Rogez. Study of the kno3lino3 and kno3nano3lino3
eutectics as phase change materials for thermal storage in a low-temperature solar
power plant. Solar Energy, 95 :155169, 2013.
[22] WR Humphries. Performance of nned thermal capacitors. ph. d. thesis-texas univ.,
austin. 1974.
[23] William R Humphries and Edwin I Griggs. A design handbook for phase change
thermal control and energy storage devices. NASA Huntsville, AL, 1977.
Bessem DEBICH 123
Bibliographie
[24] PH Theunissen and JM Buchlin. Numerical optimization of a solar air heating
system based on encapsulated pcm storage. Solar Energy, 31(3) :271277, 1983.
[25] JCY Wang, Sui Lin, CCK Kwok, and GH Vatistas. An analytical study of heat
exchanger eectiveness and thermal performance in a solar energy storage system
with pcm jcy wang1, sui lin2, cck kwok2, and gh vatistas2. Journal of Solar Energy
Engineering, 106 :231, 1984.
[26] MJ Santamouris and CC Lefas. On the coupling of pcm stores to active solar
systems. International journal of energy research, 12(4) :603610, 1988.
[27] AD Solomon. Design criteria in pcm wall thermal storage. Energy, 4(4) :701709,
1979.
[28] P Grodzka, J Price, C Serbin, and A Solomon. On the development of heat storage
building materials. In Proc., Intersoc. Energy Convers. Eng. Conf. ;(United States),
volume 4. Lockheed Corporation, Huntsville, Alabama, 1982.
[29] John Patrick O'Connor and Richard M Weber. Thermal management of electronic
packages using solid-to-liquid phase change techniques. 1997.
[30] Da Pal and YK Joshi. Application of phase change materials to thermal control of
electronic modules : a computational study. 1997.
[31] Mark J Vesligaj and Cristina H Amon. Transient thermal management of tempe-
rature uctuations during time varying workloads on portable electronics. IEEE
Transactions on Components and Packaging Technologies, 22(4) :541550, 1999.
[32] Nihal Sarier and Emel Onder. Organic phase change materials and their textile
applications : an overview. Thermochimica acta, 540 :760, 2012.
[33] Napoleon Leoni and Cristina H Amon. Bayesian surrogates for integrating numeri-
cal, analytical, and experimental data : application to inverse heat transfer in wea-
rable computers. IEEE Transactions on Components and Packaging Technologies,
23(1) :2332, 2000.
[34] S.C. Fok, W. Shen, and F.L. Tan. Cooling of portable hand-held electronic devices
using phase change materials in nned heat sinks. International Journal of Thermal
Sciences, 49(1) :109117, 2010.
[35] Ravi Kandasamy, Xiang-Qi Wang, and Arun S. Mujumdar. Application of phase
change materials in thermal management of electronics. Applied Thermal Enginee-
ring, 27(17) :28222832, 2007.
Bessem DEBICH 124
Bibliographie
[36] AJ Fossett, MT Maguire, AA Kudirka, FE Mills, and DA Brown. Avionics passive
cooling with microencapsulated phase change materials. 1998.
[37] Debabrata Pal and Yogendra K Joshi. Thermal management of an avionics mo-
dule using solid-liquid phase-change materials. Journal of Thermophysics and Heat
Transfer, 12(2) :256262, 1998.
[38] Akn Burak Etemoglu. A brief survey and economical analysis of air cooling for
electronic equipments. International communications in heat and mass transfer,
34(1) :103113, 2007.
[39] Ronan Grimes, Ed Walsh, and Pat Walsh. Active cooling of a mobile phone handset.
Applied Thermal Engineering, 30(16) :23632369, 2010.
[40] Zhaoxia Luo, Hyejung Cho, Xiaobing Luo, and Kyung-il Cho. System thermal
analysis for mobile phone. Applied Thermal Engineering, 28(14-15) :18891895,
2008.
[41] Kireeti Chintakrinda, Randy D Weinstein, and Amy S Fleischer. A direct com-
parison of three dierent material enhancement methods on the transient thermal
response of para n phase change material exposed to high heat uxes. International
Journal of Thermal Sciences, 50(9) :16391647, 2011.
[42] Rajesh Baby and C Balaji. Thermal performance of a pcm heat sink under dierent
heat loads : an experimental study. International Journal of Thermal Sciences,
79 :240249, 2014.
[43] Dan Zhou and CY Zhao. Experimental investigations on heat transfer in phase
change materials (pcms) embedded in porous materials. Applied Thermal Enginee-
ring, 31(5) :970977, 2011.
[44] Yuan Tian and Chang-Ying Zhao. A numerical investigation of heat transfer in
phase change materials (pcms) embedded in porous metals. Energy, 36(9) :5539
5546, 2011.
[45] Ibrahim Mjallal, Hussien Farhat, Mohammad Hammoud, Samer Ali, and Ibrahim
Assi. Improving the cooling e ciency of heat sinks through the use of dierent
types of phase change materials. Technologies, 6(1) :5, 2018.
[46] Bessem Debich, Ahmed Yaich, Abdelkhalak Elhami, Wajih Gafsi, Lassaad Walha,
and Mohamed Haddar. Coupling pcm-based heat sinks nite elements model for
Bessem DEBICH 125
Bibliographie
2020 IEEE 6th Inter-
mechatronic devices with design optimization procedure. In
national Conference on Optimization and Applications (ICOA), pages 14. IEEE,
2020.
[47] Sandip K Saha and Pradip Dutta. Role of melt convection on optimization of pcm-
based heat sink under cyclic heat load. Heat transfer engineering, 34(11-12) :950
958, 2013.
[48] Ayse K Coskun, David Atienza, Tajana Simunic Rosing, Thomas Brunschwiler, and
Bruno Michel. Energy-e cient variable- ow liquid cooling in 3d stacked architec-
tures. 2010 Design, Automation & Test in Europe Conference & Exhibition
In
(DATE 2010), pages 111116. IEEE, 2010.
[49] Huijin Xu, Yan Wang, and Xingchao Han. Analytical considerations of thermal
storage and interface evolution of a pcm with/without porous media. International
Journal of Numerical Methods for Heat & Fluid Flow, 2019.
[50] HJ Xu. Thermal transport in microchannels partially lled with micro-porous me-
dia involving ow inertia, ow/thermal slips, thermal non-equilibrium and thermal
asymmetry. International Communications in Heat and Mass Transfer, 110 :104404,
2020.
[51] José Henrique Nazzi Ehms, Rejane De Césaro Oliveski, Luiz Alberto Oliveira Rocha,
Cesare Biserni, and Massimo Garai. Fixed grid numerical models for solidi cation
and melting of phase change materials (pcms). Applied Sciences, 9(20) :4334, 2019.
[52] JH Nazzi Ehms, R De Césaro Oliveski, LA Oliveira Rocha, and C Biserni. Theo-
retical and numerical analysis on phase change materials (pcm) : A case study of
the solidi cation process of erythritol in spheres. International Journal of Heat and
Mass Transfer, 119 :523532, 2018.
[53] Yue-Tzu Yang and Yi-Hsien Wang. Numerical simulation of three-dimensional tran-
sient cooling application on a portable electronic device using phase change material.
International Journal of Thermal Sciences, 51 :155 162, 2012.
[54] Yi-Hsien Wang and Yue-Tzu Yang. Three-dimensional transient cooling simulations
of a portable electronic device using pcm (phase change materials) in multi- n heat
sink. Energy, 36(8) :5214 5224, 2011. PRES 2010.
[55] V. Shatikian, G. Ziskind, and R. Letan. Numerical investigation of a pcm-based
heat sink with internal ns : Constant heat ux. International Journal of Heat and
Mass Transfer, 51(5) :1488 1493, 2008.
Bessem DEBICH 126
Bibliographie
[56] K.C. Nayak, S.K. Saha, K. Srinivasan, and P. Dutta. A numerical model for heat
sinks with phase change materials and thermal conductivity enhancers. Internatio-
nal Journal of Heat and Mass Transfer, 49(11) :1833 1844, 2006.
[57] Jonathan A Dantzig. Modelling liquidsolid phase changes with melt convection. In-
ternational Journal for Numerical Methods in Engineering, 28(8) :17691785, 1989.
[58] Ahmad Hasan, Hassan Hejase, Shaimaa Abdelbaqi, Ali Assi, and Mohammed O
Hamdan. Comparative eectiveness of dierent phase change materials to improve
cooling performance of heat sinks for electronic devices. Applied Sciences, 6(9) :226,
2016.
[59] Kamil Kaygusuz. Experimental and theoretical investigation of latent heat sto-
rage for water based solar heating systems. Energy conversion and management,
36(5) :315323, 1995.
[60] LF Cabeza, J Illa, J Roca, F Badia, H Mehling, S Hiebler, and F Ziegler. Middle term
immersion corrosion tests on metal-salt hydrate pairs used for latent heat storage in
°
the 32 to 36 c temperature range. Materials and corrosion, 52(10) :748754, 2001.
[61] F Berroug, EK Lakhal, M El Omari, M Faraji, and H El Qarnia. Thermal per-
formance of a greenhouse with a phase change material north wall. Energy and
Buildings, 43(11) :30273035, 2011.
[62] VV Tyagi and D Buddhi. Thermal cycle testing of calcium chloride hexahydrate
as a possible pcm for latent heat storage. Solar Energy Materials and Solar Cells,
92(8) :891899, 2008.
[63] Roger Fletcher. Practical methods of optimization. John Wiley & Sons, 2013.
[64] A Makhlou , Y Aoues, and A El Hami. Reliability based design optimization of wire
bonding in power microelectronic devices. Microsystem Technologies, 22(12) :2737
2748, 2016.
[65] Ghias Kharmanda and Abdelkhalak El Hami. Reliability in Biomechanics. Wiley
Online Library, 2016.
[66] Ghias Kharmanda and Abdelkhalak El Hami. Biomechanics : optimization, uncer-
tainties and reliability. John Wiley & Sons, 2017.
[67] R El Maani, A Makhlou , B Radi, and A El Hami. Reliability-based design optimi-
zation with frequency constraints using a new safest point approach. Engineering
Optimization, 50(10) :17151732, 2018.
Bessem DEBICH 127
Bibliographie
[68] Rabii El Maani. Étude basée sur l'optimisation abiliste en aérodynamique. PhD
thesis, INSA de Rouen ; Université Hassan Ier (Settat, Maroc), 2016.
[69] K Dammak, A El Hami, S Koubaa, L Walha, and M Haddar. Reliability based de-
sign optimization of coupled acoustic-structure system using generalized polynomial
chaos. International Journal of Mechanical Sciences, 134 :7584, 2017.
[70] Ibuki Kusano, Aitor Baldomir, José Ángel Jurado, and Santiago Hernández. Relia-
bility based design optimization of long-span bridges considering utter. Journal of
Wind Engineering and Industrial Aerodynamics, 135 :149162, 2014.
[71] N AFNOR. Terminologie relative à la abilité-maintenabilité-disponibilité. NF X,
60, 500, 1988.
[72] Seifedine Kadry. Couplage éléments nis et méthode de transformation probaliste.
PhD thesis, Université Blaise Pascal-Clermont-Ferrand II, 2007.
[73] Abraham M Hasofer. An exact and invarient rst order reliability format. J. Eng.
Mech. Div., Proc. ASCE, 100(1) :111121, 1974.
[74] Bernd Fiessler, Hans-Joachim Neumann, and Rudiger Rackwitz. Quadratic limit
states in structural reliability. Journal of the Engineering Mechanics Division,
105(4) :661676, 1979.
[75] Adeel Arshad, Ha z Muhammad Ali, Shahab Khushnood, and Mark Jabbal. Experi-
mental investigation of pcm based round pin- n heat sinks for thermal management
of electronics : eect of pin- n diameter. International Journal of Heat and Mass
Transfer, 117 :861872, 2018.
[76] Rasool Kalbasi, Masoud Afrand, Jalal Alsarraf, and Minh-Duc Tran. Studies on
optimum ns number in pcm-based heat sinks. Energy, 171 :10881099, 2019.
[77] Bessem Debich, Abdelkhalak El Hami, Ahmed Yaich, Wajih Gafsi, Lassaad Walha,
and Mohamed Haddar. Design optimization of pcm-based nned heat sinks for
mechatronic components : A numerical investigation and parametric study. Journal
of Energy Storage, 32 :101960, 2020.
[78] Raphael T Haftka and Zafer Gürdal. Elements of structural optimization, volume 11.
Springer Science & Business Media, 2012.
[79] Pablo Pedregal. Introduction to optimization, volume 46. Springer Science & Busi-
ness Media, 2006.
Bessem DEBICH 128
Bibliographie
[80] Kenneth Lange. MM optimization algorithms. SIAM, 2016.
[81] M Asghar Bhatti. Practical Optimization Methods : With Mathematica ® Applica-
tions. Springer Science & Business Media, 2012.
[82] Jasbir Singh Arora. Introduction to optimum design. Elsevier, 2004.
[83] Younes Aoues and Alaa Chateauneuf. Benchmark study of numerical methods for
reliability-based design optimization. Structural and multidisciplinary optimization,
41(2) :277294, 2010.
[84] HO Madsen and P Friis Hansen. A comparison of some algorithms for reliability ba-
sed structural optimization and sensitivity analysis. In Reliability and Optimization
of Structural Systems' 91, pages 443451. Springer, 1992.
[85] Fred Moses. Structural system reliability and optimization. Computers & Structures,
7(2) :283290, 1977.
[86] YS Feng and Fred Moses. A method of structural optimization based on structural
system reliability. Journal of structural Mechanics, 14(4) :437453, 1986.
[87] G Kharmanda, A Mohamed, and Maurice Lemaire. E cient reliability-based de-
sign optimization using a hybrid space with application to nite element analysis.
Structural and Multidisciplinary Optimization, 24(3) :233245, 2002.
[88] G Kharmanda, Samar Sharabatey, Haisam Ibrahim, A Makhlou , and Abdelkhalak
Elhami. Reliability-based design optimization using semi-numerical strategies for
structural engineering applications. International Journal of CAD/CAM, 9(1) :1
16, 2010.
[89] A Yaich, G Kharmanda, Abdelkhalak El Hami, L Walha, and M Haddar. Reliability
based design optimization for multiaxial fatigue damage analysis using robust hybrid
method. Journal of Mechanics, 34(5) :551566, 2018.
[90] Khalil Dammak, Ahmed Yaich, Abdelkhalak El Hami, Lassaad Walha, and Moha-
med Haddar. An e cient optimization based on the robust hybrid method for the
coupled acousticstructural system. Mechanics of Advanced Materials and Struc-
tures, 27(21) :18161826, 2020.
[91] Fatma Abid, Abdelkhalak El Hami, Tarek Merzouki, Lassaad Walha, and Mohamed
Haddar. An approach for the reliability-based design optimization of shape memory
alloy structure. Mechanics Based Design of Structures and Machines, pages 117,
2019.
Bessem DEBICH 129
Bibliographie
[92] A Kamel, K Dammak, A El Hami, M Ben Jdidia, L Hammami, and M Haddar.
A modi ed hybrid method for a reliability-based design optimization applied to an
oshore wind turbine. Mechanics of Advanced Materials and Structures, pages 114,
2020.
[93] I Enevoldsen and John Dalsgaard Sørensen. Reliability-based optimization in struc-
tural engineering. Structural safety, 15(3) :169196, 1994.
[94] Efstratios Nikolaidis and Ricardo Burdisso. Reliability based optimization : a safety
index approach. Computers & structures, 28(6) :781788, 1988.
[95] de Maurice Lemaire. Fiabilité des structures : Couplage mécano- abiliste statique.
European Journal of Computational Mechanics/Revue Européenne de Mécanique
Numérique, 15(7-8) :989992, 2006.
[96] Dan M Frangopol and Samer Hendawi. Incorporation of corrosion eects in
reliability-based optimization of composite hybrid plate girders. Structural safety,
16(1-2) :145169, 1994.
[97] Samer A Barakat, Abdallah I Husein Malkawi, and H Tahat Ra'ed. Reliability-based
optimization of laterally loaded piles. Structural safety, 21(1) :4564, 1999.
[98] Jian Tu, Kyung K Choi, and Young H Park. A new study on reliability-based design
optimization. 1999.
[99] G Kharmanda, Niels Olho, and A El-Hami. Optimum values of structural sa-
fety factors for a prede ned reliability level with extension to multiple limit states.
Structural and Multidisciplinary Optimization, 27(6) :421434, 2004.
[100] G Kharmanda and Niels Olho. An optimum safety factor approach for reliability-
based optimal design. In An Optimum Safety Factor Approach for Reliability-Based
Optimal Design, page 6, 2003.
[101] G. Kharmanda, M-H. Ibrahim, A. Abo Al-kheer, F. Guerin, and A. El-Hami.
Reliability-based design optimization of shank chisel plough using optimum safety
factor strategy. Computers and Electronics in Agriculture, 109 :162171, 2014.
[102] G Kharmanda and Niels Olho. Extension of optimum safety factor method to
nonlinear reliability-based design optimization. Structural and Multidisciplinary
Optimization, 34(5) :367380, 2007.
Bessem DEBICH 130
Bibliographie
[103] Ravi Kandasamy, Xiang-Qi Wang, and Arun S Mujumdar. Transient cooling of
electronics using phase change material (pcm)-based heat sinks. Applied thermal
engineering, 28(8-9) :10471057, 2008.
[104] Alexander Forrester, Andras Sobester, and Andy Keane. Engineering design via
surrogate modelling : a practical guide. John Wiley & Sons, 2008.
Optimization in practice with MATLAB
[105] Achille Messac. ® : for engineering students
and professionals. Cambridge University Press, 2015.
[106] A Ben Abdessalem and Abdelkhalak El-Hami. A probabilistic approach for op-
timising hydroformed structures using local surrogate models to control failures.
International Journal of Mechanical Sciences, 96 :143162, 2015.
[107] K Dammak, S Koubaa, A El Hami, L Walha, and M Haddar. Numerical modelling
of vibro-acoustic problem in presence of uncertainty : Application to a vehicle cabin.
Applied Acoustics, 144 :113123, 2019.
[108] A Guerine, A El Hami, L Walha, T Fakhfakh, and M Haddar. A polynomial chaos
method for the analysis of the dynamic behavior of uncertain gear friction system.
European Journal of Mechanics-A/Solids, 59 :7684, 2016.
[109] Timothy W Simpson, JD Poplinski, Patrick N Koch, and Janet K Allen. Metamodels
for computer-based engineering design : survey and recommendations. Engineering
with computers, 17(2) :129150, 2001.
[110] Nestor V Queipo, Raphael T Haftka, Wei Shyy, Tushar Goel, Rajkumar Vaidyana-
than, and P Kevin Tucker. Surrogate-based analysis and optimization. Progress in
aerospace sciences, 41(1) :128, 2005.
[111] Genichi Taguchi. Introduction to quality engineering : designing quality into pro-
ducts and processes. Technical report, 1986.
[112] Raymond H Myers, Douglas C Montgomery, and Christine M Anderson-Cook. Res-
ponse surface methodology : process and product optimization using designed expe-
riments. John Wiley & Sons, 2016.
[113] Felipe AC Viana. Things you wanted to know about the latin hypercube design
and were afraid to ask. In 10th World Congress on Structural and Multidisciplinary
Optimization, Orlando, Florida, USA, 2013.
Bessem DEBICH 131
Bibliographie
[114] M. D. McKay, R. J. Beckman, and W. J. Conover. Comparison of three methods for
selecting values of input variables in the analysis of output from a computer code.
Technometrics, 21(2) :239245, 1979.
[115] Boxin Tang. Orthogonal array-based latin hypercubes. Journal of the American
Statistical Association, 88(424) :13921397, 1993.
[116] Art B. Owen. Controlling correlations in latin hypercube samples. Journal of the
American Statistical Association, 89(428) :15171522, 1994.
[117] Boxin Tang. Selecting latin hypercubes using correlation criteria. Statistica Sinica,
pages 965977, 1998.
[118] Jeong-Soo Park. Optimal latin-hypercube designs for computer experiments. Jour-
nal of statistical planning and inference, 39(1) :95111, 1994.
[119] B. Beachkofski and R. Grandhi. Improved distributed hypercube sampling. In
43rd Structures, Structural Dynamics, and Materials Conference, Reston, VA, 2002.
American Institute of Aeronautics and Astronautics.
[120] Lei Shi, RJ Yang, and Ping Zhu. A method for selecting surrogate models in crash-
worthiness optimization. Structural and Multidisciplinary Optimization, 46(2) :159
170, 2012.
[121] Changwu Huang, Bouchaïb Radi, and Abdelkhalak El Hami. Uncertainty analysis of
deep drawing using surrogate model based probabilistic method. The International
Journal of Advanced Manufacturing Technology, 86(9-12) :32293240, 2016.
[122] Fatma Abid, Khalil Dammak, Abdelkhalak El Hami, Tarek Merzouki, Hassen Tra-
belsi, Lassaad Walha, and Mohamed Haddar. Surrogate models for uncertainty
analysis of micro-actuator. Microsystem Technologies, pages 112, 2020.
[123] Khalil Dammak and Abdelkhalak El Hami. Multi-objective reliability based design
optimization using kriging surrogate model for cementless hip prosthesis. Computer
Methods in Biomechanics and Biomedical Engineering, pages 114, 2020.
[124] Christopher KI Williams and Carl Edward Rasmussen. Gaussian processes for
machine learning, volume 2. MIT press Cambridge, MA, 2006.
[125] Jay D Martin and Timothy W Simpson. A study on the use of kriging models to
approximate deterministic computer models. In International Design Engineering
Technical Conferences and Computers and Information in Engineering Conference,
volume 37009, pages 567576, 2003.
Bessem DEBICH 132
Bibliographie
[126] Irfan Kaymaz. Application of kriging method to structural reliability problems.
Structural Safety, 27(2) :133151, 2005.
[127] Jerome Sacks, Susannah B Schiller, and William J Welch. Designs for computer
experiments. Technometrics, 31(1) :4147, 1989.
[128] Ann-Britt Ryberg, Rebecka Domeij Bäckryd, and Larsgunnar Nilsson. Metamodel-
based multidisciplinary design optimization for automotive applications. Linköping
University Electronic Press, 2012.
[129] Yao [Link] e cient robust concept exploration method and sequential exploratory
experimental design. PhD thesis, Georgia Institute of Technology, 2004.
[130] Khalil Dammak and Abdelkhalak El Hami. Multi-objective reliability based de-
sign optimization of coupled acoustic-structural system. Engineering Structures,
197 :109389, 2019.
[131] Kalyanmoy Deb. Multi-objective optimisation using evolutionary algorithms : an
introduction. In Multi-objective evolutionary optimisation for product design and
manufacturing, pages 334. Springer, 2011.
[132] Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal, and TAMT Meyarivan. A fast and
elitist multiobjective genetic algorithm : Nsga-ii. IEEE transactions on evolutionary
computation, 6(2) :182197, 2002.
[133] Aimin Zhou, Bo-Yang Qu, Hui Li, Shi-Zheng Zhao, Ponnuthurai Nagaratnam Su-
ganthan, and Qingfu Zhang. Multiobjective evolutionary algorithms : A survey of
the state of the art. Swarm and Evolutionary Computation, 1(1) :3249, 2011.
[134] A Elhami, G Lallement, P Minotti, and S Cogan. Methods that combine nite
group theory with component mode synthesis in the analysis of repetitive structures.
Computers & structures, 48(6) :975982, 1993.
[135] Jianguang Fang, Yunkai Gao, Guangyong Sun, and Qing Li. Multiobjective
reliability-based optimization for design of a vehicledoor. Finite Elements in Ana-
lysis and Design, 67 :1321, 2013.
[136] Hans Bruun Nielsen et al. Dace-a matlab kriging toolbox. 2002.
[137] Bessem Debich, Abdelkhalak El Hami, Ahmed Yaich, Wajih Gafsi, Lassaad Walha,
and Mohamed Haddar. An e cient reliability-based design optimization study for
pcm-based heat-sink used for cooling electronic devices. Mechanics of Advanced
Materials and Structures, pages 113, 2020.
Bessem DEBICH 133
Bibliographie
[138] Guangyong Sun, Guangyao Li, Shiwei Zhou, Hongzhou Li, Shujuan Hou, and Qing
Li. Crashworthiness design of vehicle by using multiobjective robust optimization.
Structural and Multidisciplinary Optimization, 44(1) :99110, 2011.
[139] Samer Barakat, Khaldoon Bani-Hani, and Mohammed Q Taha. Multi-objective
reliability-based optimization of prestressed concrete beams. Structural Safety,
26(3) :311342, 2004.
Bessem DEBICH 134
Vous aimerez peut-être aussi
- Thèse: Diplôme de Doctorat en SciencesPas encore d'évaluationThèse: Diplôme de Doctorat en Sciences99 pages
- Refroidissement des convertisseurs hybridesPas encore d'évaluationRefroidissement des convertisseurs hybrides184 pages
- Matériaux organiques pour échangeurs thermiquesPas encore d'évaluationMatériaux organiques pour échangeurs thermiques215 pages
- Convection et refroidissement électroniquePas encore d'évaluationConvection et refroidissement électronique220 pages
- Optimisation par Réseaux NeuronauxPas encore d'évaluationOptimisation par Réseaux Neuronaux144 pages
- Récupération d'énergie d'un trolleybusPas encore d'évaluationRécupération d'énergie d'un trolleybus181 pages
- (123dok - Net) Etude de La Thermomigration de L Aluminium Dans Le Silicium Pour La Réalisation Industrielle de MursPas encore d'évaluation(123dok - Net) Etude de La Thermomigration de L Aluminium Dans Le Silicium Pour La Réalisation Industrielle de Murs240 pages
- Modélisation du transfert de chaleur bicouchePas encore d'évaluationModélisation du transfert de chaleur bicouche171 pages
- Conception de moules hybrides en fonderiePas encore d'évaluationConception de moules hybrides en fonderie180 pages
- Optimisation Multi-Objectifs en Mise en FormePas encore d'évaluationOptimisation Multi-Objectifs en Mise en Forme137 pages
- Chauffage Induction - Partie - 1 - Sur - 2 - 2Pas encore d'évaluationChauffage Induction - Partie - 1 - Sur - 2 - 2251 pages
- Etude D'un Stockage Thermique Mixte (Chaleur Sensible Et Chaleur Latente)Pas encore d'évaluationEtude D'un Stockage Thermique Mixte (Chaleur Sensible Et Chaleur Latente)83 pages
- Composites pour Inertie Thermique des MatériauxPas encore d'évaluationComposites pour Inertie Thermique des Matériaux175 pages
- Conception en fabrication additive par projectionPas encore d'évaluationConception en fabrication additive par projection174 pages
- Efficacité énergétique chauffage innovantPas encore d'évaluationEfficacité énergétique chauffage innovant235 pages
- Performance d'une climatisation solairePas encore d'évaluationPerformance d'une climatisation solaire72 pages
- Étude thermique des batteries Li-ionPas encore d'évaluationÉtude thermique des batteries Li-ion282 pages
- Pompe à chaleur résidentielle avec stockagePas encore d'évaluationPompe à chaleur résidentielle avec stockage155 pages
- Comportement thermique des composites AFPPas encore d'évaluationComportement thermique des composites AFP245 pages
- Université Du Québec Trois-RivièresPas encore d'évaluationUniversité Du Québec Trois-Rivières202 pages
- Amélioration du rendement à Standard ProfilPas encore d'évaluationAmélioration du rendement à Standard Profil80 pages
- Modélisation Agile en Fabrication DynamiquePas encore d'évaluationModélisation Agile en Fabrication Dynamique133 pages
- Outil d'Aide à la Décision pour ÉchangeursPas encore d'évaluationOutil d'Aide à la Décision pour Échangeurs114 pages
- Ingénierie Système pour Systèmes ManufacturiersPas encore d'évaluationIngénierie Système pour Systèmes Manufacturiers137 pages
- Conception optimale des systèmes mécatroniquesPas encore d'évaluationConception optimale des systèmes mécatroniques161 pages
- Analyse du stockage thermique par chaleurPas encore d'évaluationAnalyse du stockage thermique par chaleur122 pages
- Étude sur le module Peltier en électromécaniquePas encore d'évaluationÉtude sur le module Peltier en électromécanique79 pages
- These Version Definitive 05-07-2011Pas encore d'évaluationThese Version Definitive 05-07-2011265 pages
- Methodes de Diagnostic en Ligne EmbarquePas encore d'évaluationMethodes de Diagnostic en Ligne Embarque203 pages
- Optimisation d'un module thermoélectriquePas encore d'évaluationOptimisation d'un module thermoélectrique169 pages
- Mesure de température CPU par thermographiePas encore d'évaluationMesure de température CPU par thermographie61 pages
- Barrières thermiques par projection plasmaPas encore d'évaluationBarrières thermiques par projection plasma246 pages
- Surveillance des systèmes de productionPas encore d'évaluationSurveillance des systèmes de production278 pages
- Modélisation en Régime Dynamique D'une Machine Frigorifique À Compression de Vapeur - p76Pas encore d'évaluationModélisation en Régime Dynamique D'une Machine Frigorifique À Compression de Vapeur - p76164 pages
- Vieillissement des supercondensateurs en transportPas encore d'évaluationVieillissement des supercondensateurs en transport157 pages
- Optimisation du dimensionnement thermomécaniquePas encore d'évaluationOptimisation du dimensionnement thermomécanique215 pages
- Etude Et Développement D'un Oscillateur À Quartz Intégré - These - PTINGUYPas encore d'évaluationEtude Et Développement D'un Oscillateur À Quartz Intégré - These - PTINGUY212 pages
- Optimisation de la maintenance biomédicalePas encore d'évaluationOptimisation de la maintenance biomédicale139 pages
- Revue Des Sciences de L'homme Et de La So Radja BouzeribaPas encore d'évaluationRevue Des Sciences de L'homme Et de La So Radja Bouzeriba31 pages
- QUENSIERE J TOUNKARA B KANE A 2018-Rsilienceperdue-Version-AuteursPas encore d'évaluationQUENSIERE J TOUNKARA B KANE A 2018-Rsilienceperdue-Version-Auteurs20 pages
- Algérie: Rapport de Suivi de La Situation ÉconomiquePas encore d'évaluationAlgérie: Rapport de Suivi de La Situation Économique44 pages
- Adaptatation Changement Climatique Dans Secteur Bâtiment Et ConstructionSafN 012463 2Pas encore d'évaluationAdaptatation Changement Climatique Dans Secteur Bâtiment Et ConstructionSafN 012463 262 pages
- Altea FR: Moteurs et Design SportifPas encore d'évaluationAltea FR: Moteurs et Design Sportif52 pages
- Mesurer le Débit : Méthodes et OutilsPas encore d'évaluationMesurer le Débit : Méthodes et Outils30 pages
- Optimisation de l'éclairage du couloirPas encore d'évaluationOptimisation de l'éclairage du couloir2 pages
- Les Trois Secteurs Économiques PrincipauxPas encore d'évaluationLes Trois Secteurs Économiques Principaux2 pages
- SCPH 5 4 Adapter Generateurs Et RecepteursPas encore d'évaluationSCPH 5 4 Adapter Generateurs Et Recepteurs8 pages
- Formation sur la Prévention IncendiePas encore d'évaluationFormation sur la Prévention Incendie24 pages
- A-05 Essence Sans Plomb 95 (Repsol)Pas encore d'évaluationA-05 Essence Sans Plomb 95 (Repsol)7 pages
- Manuel Ligne-3 17 Pompe A02q (03-2015)Pas encore d'évaluationManuel Ligne-3 17 Pompe A02q (03-2015)11 pages
- Chimie PCSI : Réactions et ÉquilibresPas encore d'évaluationChimie PCSI : Réactions et Équilibres4 pages
- Pulsations Propres des Rotors sous MatlabPas encore d'évaluationPulsations Propres des Rotors sous Matlab6 pages
- Cours1 - Module Technologie PV - Master Matã©rieaux - Energie Renouvelable - USTHB-chimie Des SurfacesPas encore d'évaluationCours1 - Module Technologie PV - Master Matã©rieaux - Energie Renouvelable - USTHB-chimie Des Surfaces10 pages
- Memoire de Fin D'Etudes en Vue de L'Obtention Du Diplome de Master Ii Titre Ingenieur en Genie Mecanique Et IndustrielPas encore d'évaluationMemoire de Fin D'Etudes en Vue de L'Obtention Du Diplome de Master Ii Titre Ingenieur en Genie Mecanique Et Industriel74 pages
- Orifices de Restriction: Guide TechniquePas encore d'évaluationOrifices de Restriction: Guide Technique2 pages
- Cours sur les Matériaux et StructuresPas encore d'évaluationCours sur les Matériaux et Structures28 pages
- MID 128 146 Valve SID Refroidisseur EGR 1 VolvoPas encore d'évaluationMID 128 146 Valve SID Refroidisseur EGR 1 Volvo3 pages
- Noyau, masse et énergie en physiquePas encore d'évaluationNoyau, masse et énergie en physique9 pages
