‫وزارة اﻟﺘﻌﻠﯿﻢ اﻟﻌﺎﻟﻲ واﻟﺒﺤﺚ اﻟﻌﻠﻤﻲ‬

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

‫ﺟﺎﻣﻌﺔ ﻋﺑداﻟﺣﻣﯾد اﺑن ﺑﺎدﯾس ﻣﺳﺗﻐﺎﻧم‬
Université Abdelhamid Ibn Badis de Mostaganem
‫ﻛﻠﯾﺔ اﻟﻌﻠوم و اﻟﺗﻛﻧوﻟوﺟﯾﺎ‬
Faculté des Sciences et de la Technologie

Département de Génie Civil & Architecture

N° d’ordre : M…………/GCA/2019

MEMOIRE DE FIN D’ETUDE DE

MASTER ACADEMIQUE

Filière : Génie Civil

Spécialité : Construction en béton armé

Thème
Investigation sur l’effet
l’ des incertitudes des modes propres
de vibration sur la réponse sismique maximale par la
méthode de Monte Carlo

Présenté par :
BENKHEMASSA Amina

Soutenu le 07 /07/ 2019 devant le jury composé de :

President:[Link]
REZIGUA Ahmed
Examinateur:Mr. BENSOULA Mohamed
Encadreur:Mr. ZELMAT Yassine
Yass

Année Universitaire : 2018 / 2019

 Remerciements

En tout premier lieu, je remercie le bon Dieu, tout

puissant, de m’avoir donné la force pour survivre, ainsi
que l’audace pour dépasser toutes les difficultés.
J’exprime toute ma profonde reconnaissance et
gratitude à mon encadreur Mr ZELMAT Yassine, pour
tous les efforts et la patience qu’il a fourni pour me
faciliter et aider à accomplir ce travail.
J’exprime ma profonde gratitude aux Mr
BENSOULA Mohamed et Mr BOUHALOUFA Ahmed,
pour leurs précieux conseils et ses orientations.
Enfin, je remercie chaleureusement mes parents pour
l’attention, le soutien et la confiance qu’ils m’ont donnée au
cours de ces longues années.
Je dédie aussi ce modeste travail à mes frères et ma
chère sœur ASSIA, ainsi qu’à mes amis.
 :‫ﻣﻠﺧص‬
‫ﯾﺗﻧﺎول ھذا اﻟﻌﻣل ﺗﺄﺛﯾر اﻟﺗرددات اﻟﺧﺎﺻﺔ ﻟﻼھﺗزازات ﻋﻠﻰ اﻻﺳﺗﺟﺎﺑﺔ اﻟزﻟزاﻟﯾﺔ اﻟﻌظﻣﺔ ﻟﻸﻧظﻣﺔ ذات ﻣﯾزات‬
.‫ﻋﺷواﺋﯾﺔ ﻣﻊ اﻛﺗﺷﺎف ﺣﻠول ﻟﻠﺗﻐﯾرات اﻟﺟذرﯾﺔ اﻟﻣﺗوﻗﻌﺔ‬
‫ أظﮭرت اﻟﻧﺗﺎﺋﺞ أن ارﺗﯾﺎﺑﺎت اﻟﺗرددات اﻟطﺑﯾﻌﯾﺔ‬.‫اﺳﺗﻌﻣﻠﻧﺎ اﻟﻣﺣﺎﻛﺎة ﻣن ﺧﻼل طرﯾﻘﺔ ﻣوﻧت ﻛﺎرﻟو ﻟﻣﺣﺎﻛﺎة ﻗﯾم اﻟﺗرددات‬
‫ﻟﻼھﺗزاز ﻟﮭﺎ ﺗﺄﺛﯾر ﻛﺑﯾر ﻋﻠﻰ اﺳﺗﺟﺎﺑﺔ اﻷﻧظﻣﺔ ﻓﻲ ﺣﯾن أﻧﻧﺎ اﺳﺗﺧدﻣﻧﺎ ﺗﺳﺟﯾﻠﯾن ﻟزﻟزاﻟﯾن ﻟﻠﻧظر ﻓﻲ ﻣﺧﺗﻠف ﻗﯾم ﻣﻌﺎﻣﻼت‬
‫اﻟﺗﻐﯾر وأرﺑﻊ ﻣﻌﺎدﻻت ﻛﺛﺎﻓﺔ اﻻﺣﺗﻣﺎل و ﻣﻧﺎﻗﺷﺔ اﻟﻧﺗﺎﺋﺞ اﻟﻣﺗﺣﺻل ﻋﻠﯾﮭﺎ ﻣن ﺣﯾث ﺗوزﯾﻊ ﺗﻐﯾرات ﻗﯾم اﻟﺗرددات و‬
. ‫ اﻟﺧروج ﺑﺎﺳﺗﻧﺗﺎﺟﺎت و وﺟﮭﺎت ﻧظر ﻋﻠﻰ ﺿوء اﻟﻧﺗﺎﺋﺞ اﻟﻣﺗﺣﺻل ﻋﻠﯾﮭﺎ‬.‫ﺗﺄﺛﯾر اﻟزﻻزل اﻟﻣدروس‬
.‫ طرﯾﻘﺔ ﻣوﻧت ﻛﺎرﻟو‬،‫ ھﯾﺎﻛل ﺑﻘﯾم ﻏﯾر ﻣؤﻛدة‬،‫ اﻻﺳﺗﺟﺎﺑﺔ اﻟزﻟزاﻟﯾﺔ‬،‫ اﻻرﺗﯾﺎب‬، ‫اﻟﺗردد‬: ‫ﻛﻠﻣﺎت ﻣﻔﺗﺎﺣﯾﺔ‬
Résumé :
Ce travail traite l’effet des incertitudes des fréquences propres de vibrations sur la réponse
sismique maximale des systèmes à caractéristiques aléatoires. Avec la mise en évidence du
traitement de la variabilité inhérente à son estimation.
Une simulation par la Méthode de Monte Carlo est utilisée pour simuler les valeurs des
fréquences. Les résultats ont montré que les incertitudes des fréquences propres de vibrations
à une influence considérable sur la réponse des systèmes. Deux enregistrements sismiques ont
été utilisés en considérant différentes valeurs du coefficient de variation et quatre fonctions de
densité de probabilité. Les résultats obtenus sont discutés en termes de distribution des
variations des valeurs de la fréquence et de l'excitation sismique considérée. Des conclusions
et des perspectives sont formulées à la lumière des résultats obtenus.
Mots clés: fréquence, incertitude, réponse sismique, structures à paramètres incertains,
méthode de Monte Carlo.
Abstract:
This work deals with the effect of uncertainties own vibration frequencies of the maximum
seismic response characteristics of systems at random. With the discovery of the treatment of
the inherent variability in its estimate.
A simulation by the Monte Carlo method is used to simulate the frequency values. The
results showed that the uncertainties of natural frequencies of vibration to a considerable
influence on the response of systems. Two seismic records were used by considering different
values of the coefficient of variation and four probability density functions. The results are
discussed in terms of change distribution of frequency values and the seismic excitation
considered. Conclusions and perspectives are drawn in light of the results.
Key words: frequency, uncertainty, seismic response, structures with uncertain parameters,
Monte Carlo method.

i
 Sommaire
Résume : ........................................................................................................................................................ i
Sommaire : ................................................................................................................................................... ii
Liste des figures : ......................................................................................................................................... v
Liste des tableaux : ..................................................................................................................................... vii
Notations : ................................................................................................................................................. viii
Introduction Générale
1. Introduction : ........................................................................................................................................ 1
Incertitude et Probabilité
1. Notion de hasard :................................................................................................................................. 4
2. Étapes de la modélisation des incertitudes : ......................................................................................... 5
3. Incertitudes dans le processus de construction : ................................................................................... 7
3.1. Incertitude à cause naturelle: ........................................................................................................ 7
3.2. Incertitude à cause humaine: ........................................................................................................ 7
3.2.1. Facteur de variation physique:.............................................................................................. 7
3.2.2. Facteur de variation statistique: ............................................................................................ 7
3.2.3. Facteur de variation de modèle: ........................................................................................... 8
4. Notions fondamentales de la théorie des probabilités : ........................................................................ 8
4.1. Fréquence relative : ...................................................................................................................... 8
4.2. Probabilité : .................................................................................................................................. 8
4.3. Quantités statistiques : .................................................................................................................. 9
4.3.1. Le traitement statistique : ..................................................................................................... 9
4.3.2. Tendance centrale : ............................................................................................................... 9
4.3.3. Dispersion :......................................................................................................................... 10
4.3.4. Le Coefficient de variation : ............................................................................................... 10
5. Variables aléatoires et distributions : ................................................................................................. 10
5.1. Fonction de distribution de probabilité et Fonction de distribution cumulative :....................... 11
5.1.1. Fonction de répartition : ..................................................................................................... 11
5.1.2. Densité de probabilité :....................................................................................................... 11
5.1.3. Théorème central limite :.................................................................................................... 12
5.2. Principales distributions continues : ........................................................................................... 14
5.2.1. Distribution uniforme : ....................................................................................................... 14
5.2.2. Distribution normal : .......................................................................................................... 14
5.2.3. Distribution Log normal : ................................................................................................... 15
5.2.4. Distribution Gamma : ......................................................................................................... 16
6. Conclusion :........................................................................................................................................ 17

ii
 Les Spectres de Réponse
1. Introduction : ...................................................................................................................................... 19
2. Réponse dans le temps : ..................................................................................................................... 20
3. Spectre de réponse :............................................................................................................................ 22
4. Spectre de dimensionnement .............................................................................................................. 29
Les Frequences Propres et Vibration des Structures
1. Introduction : ...................................................................................................................................... 32
1.1. Définition : ................................................................................................................................. 32
1.2. Notions de base .......................................................................................................................... 34
1.2.1. Modes propres .................................................................................................................... 35
1.2.2. Réponse à une excitation .................................................................................................... 35
2. Utilisations de la résonance ................................................................................................................ 35
3. Inconvénients de la résonance ............................................................................................................ 35
3.1. Ponts ........................................................................................................................................... 35
3.2. Ports ............................................................................................................................................ 36
4. Fréquence fondamentale..................................................................................................................... 36
5. Délimitation des fréquences naturelles dans les structures : .............................................................. 37
6. Introduction à la dynamique de l’oscillateur simple (domaine élastique) .......................................... 37
6.1. Période propre d’oscillations : oscillations libres ....................................................................... 37
6.1.1. Période d’oscillation: .......................................................................................................... 37
6.1.2. Période propre d’oscillation d’un bâtiment: ....................................................................... 38
6.1.3. Paramètres de la période propre d’oscillation .................................................................... 38
7. Comportement sous oscillations forcées ............................................................................................ 39
7.1. Réponse de l’oscillateur Oscillations forcées ............................................................................. 39
7.1.1. Régime harmonique ........................................................................................................... 39
7.1.2. Régime non harmonique..................................................................................................... 39
7.1.3. Réponse d’une structure au séisme.................................................................................... 40
7.1.4. Paramètres déterminant la période propre d’un oscillateur simple .................................... 40
7.1.5. Masses différentes .............................................................................................................. 40
7.1.6. Hauteurs différentes ........................................................................................................... 40
7.1.7. Sections différentes ............................................................................................................ 40
7.1.8. Liaisons au support différentes........................................................................................... 41
7.1.9. Matériaux différents ........................................................................................................... 41
Les Methodes de Monte Carlo
1. Aperçu historique des méthodes de Monte Carlo............................................................................... 43
2. Présentation des méthodes de Monte Carlo : ..................................................................................... 44

iii
3. Avantages et inconvénients de la méthode Monte Carlo : ................................................................. 46
4. Nombre de simulations requises :....................................................................................................... 46
5. Génération des nombres aléatoires : ................................................................................................... 49
6. Échantillon d’une variable aléatoire de loi donnée : .......................................................................... 50
6.1. Simulation d’une variable de loi uniforme : ............................................................................... 50
6.2. Simulation d’une variable de loi quelconque : ........................................................................... 52
6.2.1. Loi uniforme sur [a, b [....................................................................................................... 52
7. Conclusion :........................................................................................................................................ 52
Effets des incertitudes des frequence propres de vibrations sur les spectres de reponses

1. Introduction : ...................................................................................................................................... 54
2. Effet de l’incertitude des fréquences proprs des vibrations sur les spectres de réponse : .................. 54
3. Applications numériques : .................................................................................................................. 55
4. Conclusion .......................................................................................................................................... 61
L’influence des variations des caractéristiques statistiques de la fréquence

1. L’influence des variations des caractéristiques statistiques de la fréquence : .................................... 63

2. Applications numériques pour La loi Log normal : ........................................................................... 64
3. Conclusions : ...................................................................................................................................... 67
Conclusions Générale :............................................................................................................................... 69
Référence bibliographiques : ...................................................................................................................... 73

iv
 Liste des Figures

 Figure 1.1 : Etapes d’étude probabiliste.

 Figure 1.2 : histogramme des valeurs simulées avec une loi normale.
 Figure 1.3 : histogramme des valeurs simulées avec une loi log normale.
 Figure 1.4 : Histogramme des valeurs simulées avec une loi Gamma.
 Figure 2.1 : Composante horizontale de l’accélération dans la direction nord-sud
enregistrée à El-Centro.
 Figure 2.2 : Réponses de quatre structures à un degré de liberté soumises aux trente
premiers secondes de la composante N-S de l’accélérogrammes d’EL Centro.
 Figure 2.3 :: illustration de calcul du spectre de déplacement pour l‘accélération d‘El Centro.
 Figure 2.4 : Spectres et pseudo-spectres de déplacement, de vitesse et d’accélération de
l’accélérogramme d’El Centro pour ξ = 2%.
 Figure 2.5 : Exemple de spectre e en pseudo accélération en fonction de la période (spectre de
réponse de la composante N-S enregistrée à Tolmezzo (séisme du Frioul) le 6 mai 1976)
 Figure 2.6 : Diagramme tripartite représentant les spectres de réponse combinés SD-PSA-
PSV de l’accélérogrammes d’El-Centro pour ξ = 0, 2, 5, 10 et 20%.
 Figure 2.7 : Spectres de dimensionnement moyen d’accélération normalisés à 0.2g (Tiré
d’U.S. Momie Energy Commission Report TID-7024, Août 1963).
 Figure 3.1 : vibration d’une pendule.
 Figure 3.2 : Modélisation d’un bâtiment par un oscillateur simple.
 Figure 3.3 : Modélisation d’un bâtiment par un oscillateur simple.

v
 Figure 4.1 : Distribution de probabilité de P .
 Figure 4.2 : Convergence de l’estimateur de probabilité de succès en fonction de nombre
d’échantillon N pour une loi log normale.
 Figure 4.3 : Histogramme de 1 000 tirages d’une loi uniforme répartis en 25 classes.
 Figure 4.4 : Illustration de la transformation inverse.
 Figure 5.1 : Spectre moyen±1 écart type en déplacement, pseudo-vitesse et pseudo-
accélération. Pour :a) méthode analytique, b) simulation de MMC. Pour une loi Log normal,
Le spectre correspond au séisme d’El-Centro du 18 mai 1940.
 Figure 5.2 : Spectre moyen ± 1 écart type en déplacement, pseudo-vitesse et pseudo-
accélération. Pour :a) méthode analytique. b) simulation de MMC. Pour une loi Log normal.
Le spectre correspond au séisme de Parkfield du 27 juin 1966.
 Figure 6.1 : Spectre moyen±1 écart type en déplacement, pseudo-vitesse et pseudo-
accélération pour différentes Cov de la fréquence : a) Cov =5%, b) Cov =10%, c) Cov =15%.
d) Cov =20% pour une loi log normal, Le spectre correspond au séisme d’El-Centro du 18 mai
1940
 Figure 6.2 : Spectre moyen±1 écart type en déplacement, pseudo-vitesse et pseudo-
accélération pour différentes Cov de la fréquence : a) Cov =5%, b) Cov =10%, c) Cov =15%.
d) Cov =20% pour une loi log normal, Le spectre correspond au séisme Parkfield du 27 juin
1966

vi
 Liste des tableaux

 Tableau 5.1 : Vitesse de convergence pour diverses règles de quadrature et pour la méthode
de Monte Carlo, en dimension s et en utilisant N points.
 Tableau 6.2: valeurs de coefficient de variation de PSA. Le spectre correspond au séisme
d’El-Centro du 18 mai 1940.
 Tableau 6.3: valeurs de coefficient de variation de PSA. Le spectre correspond au séisme de
Parkfield du 27 juin 1966.

vii
 NOTATIONS
a(t) = Accélération du sol
a(n) = Pic d’ordre n
a = Racine de la moyenne des carrés des pics de f(t)
arms = Racine de la moyenne des carrés de f(t)
c = Amortissement
[C] = Matrice d’amortissement
phi = Hauteur du ième étage
h(t) = Fonction de la réponse temporelle d’un oscillateur
H() = Fonction de la réponse fréquentielle d’un oscillateur
ème
Hi() = Fonction de la réponse fréquentielle du i mode
H*() = Conjugué complexe de H()
Hi*() = Conjugué complexe de Hi()
HT() = Fonction de la réponse fréquentielle transitoire d’un oscillateur
{I} = Vecteur unité
k = Raideur
[K] = Matrice de rigidité
m = Masse
μX = Moyenne ou valeur attendu
N = Nombre total de pics
P = Facteur de pic de la réponse
PSV = Pseudo spectre de vitesse
r = k  j
S() = Fonction de densité spectrale de puissance
SD() = Fonction de densité spectrale de la réponse en déplacement
SR() = Fonction de densité spectrale de la réponse en déplacement
SD() = Spectre de réponse en déplacement
SV() = Spectre de réponse en vitesse
t = Le temps
T = Durée totale d'un processus
TD = Durée totale d'un enregistrement accélérométriques
Ts = Durée stationnaire d'un processus
U(t) = Déplacement modal d’un oscillateur.
Ui(t) = Déplacement modal du ième étage
v = rapport du nombre de pics négatifs par rapport au nombre total de pics
[V] = Matrice des variances

viii
 x(t) = Fonction aléatoire
X(t) = Processus aléatoire
Ẋ(t) = Processus dérivé
Ẍ (t) = Processus dérivé second
Y(t) = Déplacement relatif d’un oscillateur
yi(t) = Déplacement relatif du ième étage
ème
j = Facteur de participation modale du j mode
 = Erreur relative
ème
{}j = Vecteur propre du j mode
nd = Le nombre d’occurrence de l’événement d
2
 X ,  X = Variance et écart type
XX(t1,t2) = Coefficient de corrélation
XY(t1,t2) = Coefficient de d'intercorrélation
ème ème
jk = Coefficient de corrélation modale entre les réponses du j et du k mode
,  = Fréquence naturelle et pourcentage d'amortissement critique d’un oscillateur
ème
j, j = Fréquence naturelle et pourcentage du j mode

ix
 Introduction générale

INTRODUCTION GENERALE
1. Introduction :
Les incertitudes sur le chargement et les caractéristiques structurales peuvent affecter la
réponse et la fiabilité des structures. Par conséquent, il est souvent souhaitable de considérer les
effets de ces incertitudes dans l’analyse et la conception. À titre d’exemple, pour certaines
structures, telles que les parkings de véhicules par exemple, la masse relative à chaque niveau est
fonction du temps jours, saisons) et il est pratiquement impossible de prédire sa valeur exacte
lors d’un prochain séisme. En outre, si la structure considérée est fondée sur un sol meuble et que
le phénomène d’interaction sol-structure ne peut être ignoré, les caractéristiques de la structure
dépendront des caractéristiques dynamiques du sol de fondation qui peuvent être différentes
avant, pendant et après le tremblement de terre.

Ceci exige le développement d’outils mathématiques appropriés pour incorporer de telles

incertitudes dans la modélisation des structures, de même que dans l’élaboration de méthodes
pour analyser ces modèles mathématiques. Les processus aléatoires, par exemple, sont souvent
utilisés en tant qu’outils mathématiques pour modéliser les variations temporelles des
chargements incertains, tels que ceux dues aux tremblements de terre ou aux vents. La théorie de
vibration aléatoire peut être utilisée pour obtenir une description probabiliste de la réponse, telles
que la moyenne et la covariance pour des processus Gaussiens, de même que les statistiques
d’ordres supérieurs dans le cas des processus non Gaussiens. Ces descriptions probabilistes
peuvent être combinées avec les théories de réponses extrêmes approximatives pour obtenir
diverses estimations de fiabilité pour la structure.

Le traitement des incertitudes contenues dans la modélisation des caractéristiques structurales,

a suscité un intérêt croissant. Ces incertitudes, qui résultent des nombreuses hypothèses propose
lors de modélisation de la géométrie, des conditions aux limites et du comportement des
matériaux constitutifs peuvent avoir un effet significatif sur la fiabilité de nombreuses structures
[H. Jensen et al 1992, T. Igusa et al 1988, C. G. Wall et al 1991, Jr. B. F. Spencer et al 1988]. Par
conséquent, quand on considère un modèle structural, comme un modèle d’éléments finis, on
doit prendre en considération les incertitudes contenues [L. S. Katafygiotis et al 1995 ; H. Jensen
et al 1991], dans la rigidité de chaque élément ou sous-structure, dans la masse, dans les
coefficients d’amortissement modaux, dans les constantes de ressort qui modélisent les
conditions aux limites, ou dans la rigidité équivalente de sol lors de la prise en considération de
l’interaction de sol- structure [Lambros 1996].

1
 Introduction générale

L’objectif de la présente étude est l’estimation de l’effet des incertitudes liées à la fréquence
propre de vibrations sur la réponse dynamique des structures. Les incertitudes sont traitées en
considérant différentes distributions de probabilité dont le choix est fait en tenant compte des
considérations physiques des problèmes à étudier.

La technique de Monte Carlo est utilisée pour simuler un grand nombre de valeurs de la
fréquence propre de vibration des structures étudiées et les réponses dynamiques de celles-ci sont
ensuite analysées de sorte à évaluer les fluctuations de leurs caractéristiques. Ces analyses sont
faites en termes de spectres de réponse linéaire.

Dans un premier temps, on estime le nombre de simulations requises pour un intervalle de

confiance déterminé. Les fluctuations de la probabilité de défaillance associée à la fonction
d’état limite obtenue sont analysées en fonction de nombre d’échantillons, en terme de moyenne
et d’écart type afin de déterminer le nombre de simulations requises associé à la diminution des
amplitudes des fluctuations des estimations, c’est-à-dire à une stabilité des fonctions
représentatives des estimations moyennes et des écarts types.

Dans un deuxième temps, les résultats obtenus ont été utilisées pour étudier l’effet des
fonctions de distribution des fréquences sur les réponses structural, utilisant des bases
empiriques, les valeurs de fluctuations des fréquences déduits de l’expérience [A. K. Chopra
1980] et déterminer en conséquence les caractéristiques probabilistes des fonctions de densité de
probabilité de la variable aléatoire ‘’fréquence ‘’. La forme fonctionnelle des densités de
probabilité se fait sur la base des meilleurs ajustements des variations des valeurs empiriques de
la fréquence.

Pour chaque loi de distribution de la fréquence propre de vibrations, on a ensuite étudié l’effet
de la variabilité des valeurs de la fréquence elle-même sur la réponse des structures et ce pour
deux enregistrements sismiques de caractéristique différents utilisés pour représenter le
chargement dynamique.

Comme il a été souligné dans la section précédente, l’objectif principal de ce mémoire est
d’effectuer une investigation de la réponse stochastique des structures dont les valeurs de
fréquence propre sont incertaines sous excitations sismiques aléatoires.

Pour mener à bon terme cet objectif, le travail est divisé en plusieurs chapitres qui forment
l’ensemble de travail effectué.

Le premier chapitre porte sur la description des incertitudes. Les notions d’erreurs et
d’incertitudes sont discutées. Les divers types et source d’incertitudes sont également présentés.

2
 Introduction générale

Le deuxième chapitre présente la théorie des probabilités comme moyen mathématique

efficace pour incorporer les incertitudes dans l’analyse et la conception des structures. Des
moyens graphiques et numériques très utiles pour une meilleure compréhension de
l’implémentation mathématique des concepts probabilistes sont présentés. La notion de variable
aléatoire est discutée.

Le troisième chapitre est réservé à la description des modes propres de vibration comme
caractéristique importante de la structure. Le traitement de l’incertitude des fréquences propre de
vibrations est aussi présenté dans ce chapitre, la gamme des valeurs de variation et les lois de
probabilités qui ont fourni le meilleur ajustement aux variations de la fréquence sont discutées.

On a consacré le quatrième chapitre à la description de la méthode de simulation de Monte

Carlo. La génération des nombres aléatoire et la détermination du nombre de simulations
requises sont présentées aussi dans ce chapitre.

Le cinquième chapitre traite des effets d'incertitudes inhérentes à l’estimation des fréquences
propres de vibrations sur la réponse des structures et la loi de distribution sélectionnée et pour
chacun des deux accélérogrammes considérées dans cette étude.

Le dernier chapitre est dédie à l'étude de l'influence des variations des caractéristiques
statistiques de fréquence sur la réponse structurale. Des résultats et des conclusions importantes
sont déduits et récapitulés dans la conclusion générale. De même, des recommandations ont été
faites à l'attention des ingénieurs des bureaux d'études et des perspectives de développement
futures ont ainsi été présentées.

3
Chapitre I Incertitude et probabilité

INCERTITUDE ET PROBABILITE
1. Notion de hasard :
Le hasard et la chance jouent un rôle central dans la vie de tous les jours et dans une large
palette de domaines. La production agricole est une fonction des conditions météorologiques ; le
statut économique d’un individu peut être le résultat de son habileté dans le commerce et de son
habileté à tisser des bons réseaux sociaux ainsi que de facteurs extérieurs que l’on qualifie
généralement de conjoncture économique. Le hasard, comme on l’entend aujourd’hui, a été
pendant longtemps une idée abstraite et, pendant des siècles, dans le sens commun largement liée
à une explication métaphysique, le destin, ou à une volonté divine.

Historiquement, la première fois que l’humanité a eu à faire avec des nombres aléatoires fut
probablement pour des activités divinatoires. Des dés rituels étaient en usage déjà à l’âge du
bronze. Le plus ancien dé de forme cubique avec des faces numérotées de 1 à 6 remonte à 2000
ans avant Jésus-Christ et a été trouvé en Égypte. Des du VIIe et du VIe siècle avant Jésus- Christ
ont été trouvés en Italie centrale et en Chine.

C’est seulement au cours du XXe siècle, avec le développement parallèle des sciences
statistiques et de la technologie, que les nombres aléatoires ont trouvé une large application. La
célèbre phrase d’Einstein «Dieu ne joue pas aux dés» est contemporaine à l’élaboration du
principe d’incertitude de Heisenberg. Selon l’idée classique de causalité, pour prédire le futur
avec un certain degré de précision, il suffisait de connaître le présent avec suffisamment de
précision. Dans des instituts de prévision météorologique les quantités d’intérêt sont estimées à
partir d’un grand nombre d’états initiaux, et l’évolution du phénomène est artificiellement
simulée avec des modèles numériques utilisant des nombres aléatoires. Et bien que les capacités
de calcul des ordinateurs des centres de prévision météorologique soient très élevées, les
prévisions ne vont, hélas, jamais au-delà de quelques jours.

De telles techniques constituent ce que l’on appelle généralement la méthode de Monte Carlo,
et aujourd’hui une vaste littérature sur les applications les plus variées est disponible.

À la base de toute simulation, il y a l’utilisation de nombres aléatoires en grande quantité. De

plus, pour qu’une simulation soit fiable il faut que les nombres aléatoires utilisés aient toutes les
propriétés que l’on attend. Ainsi, il ne suffit pas de disposer d’une liste finie de 100 ou même
d’un million de nombres aléatoires et de l’utiliser en boucle pour des simulations. En bref, la
production de nombres aléatoires en grandes quantités n’est pas une simple affaire.

4
Chapitre I Incertitude et probabilité

L’histoire
histoire de la génération des nombres
nombres aléatoires commence avec des machines plus ou
moins complexes dont le but était de piocher des boules numérotées dd’une urne. Encore
aujourd’hui, en dépit d’algorithmes
algorithmes performants et de qualité élevée pour la génération de
nombres aléatoires en grandes quantités,
quantités, de telles machines sont utilisées pour les loteries à
numéros et les ordinateurs ne les remplaceront-ils
remplac ils probablement jamais. IIl y a une raison
philosophique à cela, celle qui est au fond soulevée par Neumann : un algorithme implémenté
produira une
ne suite de nombres dont la nature est déterministe, et donc dd’une certaine manière
prévisible, et la suite aura seulement l’apparence
l d’être
être aléatoire [Dodge, Y. 2008
2008].

2. Étapes de la modélisation des

de incertitudes :
Les étapes
apes essentielles pour mesurer les incertitudes sont discutées ailleurs (Haldar et
Mahadcvan, 2000) pour des situations où les sources d’incertitude
d incertitude sont non cognitives et
l’information
information nécessaire est disponible. Supposez que l’incertitude
l incertitude dans les précipitations
annuelles ou la vitesse de vent maximum annuelle pour une ville particulière a besoin dd’être
mesurée. Évidemment, l’information
information peut être produite en rassemblant toutes les données
enregistrées disponibles sur la vitesse de précipitations ou de vent. Ill a pu y avoir des bases des
données
nnées pendant les 50, 75, ou 100 dernières années, donnant 50, 75, ou 100 échantillons.
L’information
information statistique nécessaire peut être extraite à partir de ces échantillons après les étapes
représentées sur la figure 1.1.

.1 : Etapes d’étude probabiliste. [Haldar 2000]

Figure 1.1

5
Chapitre I Incertitude et probabilité

L’information rassemblée constitue l’espace témoin. Les caractéristiques d’aspect aléatoire

peuvent être décrites graphiquement sous forme d’histogramme ou de diagramme de fréquence.
Pour une représentation plus générale d’aspect aléatoire, le diagramme de fréquence peut être
rapproché par une fonction théorique connue de densité de probabilité, telle que la fonction de
densité normale. Pour décrire la fonction de densité de probabilité uniquement, certains
paramètres de la distribution doivent être estimés. L’évaluation de ces paramètres, appelée les
statistiques, et elles constituent un composant important de l’analyse d’incertitude. L’aspect
aléatoire dans chacun des paramètres de charge et de résistance peut être mesuré en utilisant ces
statistiques. Puis, le risque impliqué dans la conception des structures peut être estimé pour un
critère spécifique d’exécution.

Il est indésirable et peu économique, si non impossible, de concevoir une structure à risque-
libre. Dans la plupart des cas d’importance pratique, le risque peut être réduit au minimum mais
ne peut pas être éliminé complètement. Les centrales nucléaires sont relativement plus sûres que
les bâtiments et les ponts ordinaires avec un coût élevé correspondant, mais elles ne sont pas
absolument sûres. Faisant une structure plus fiable, implique plus d’argent dans la plupart des
cas. Pour une structure donnée, les risques correspondants pour différentes solutions de rechange
de conception peuvent être estimés. L’information sur le risque et les conséquences
correspondantes de l’échec, y compris le coût de remplacement de la structure, peut être
combinée en utilisant un cadre d’analyse de décision pour obtenir la meilleure alternative. Le
concept de probabilité fournit un cadre unifié pour l’analyse quantitative de l’incertitude et de
l’évaluation du risque comme la formulation de la compensation étudie pour la prise de décision,
la planification et la conception considérant les aspects du problème.

Un grand nombre de données sont importantes pour mettre en application exactement le

concept de construction à risque. Il est toujours préférable d’estimer l’incertitude en utilisant à
nombre proportionné d’observations fiables. Cependant, dans beaucoup de problèmes de
technologie, il y a très peu de données disponibles, parfois seulement un ou deux observations.
Le concept de probabilité peut encore être employé dans ce cas en combinant l’expérience, le
jugement, et les données d’observation. Dans presque tous les cas, le concept de construction à
risque peut être employé avec succès indépendamment du nombre de données disponibles
[Haldar 2000].

6
Chapitre I Incertitude et probabilité

3. Incertitudes dans le processus de construction :

Le processus de construction inclut la planification, la conception, la construction, et la
démolition. Tous les composants du processus impliquent de diverses incertitudes. Ces
incertitudes peuvent être mises dans deux catégories principales en ce qui concerne des causes
naturelles et humaines.

3.1. Incertitude à cause naturelle:

Résultat d’incertitude de l’imprévisibilité des charges telles que le vent, le tremblement de
terre, la neige, la glace, la pression de l’eau. Une autre source d’incertitude attribuable aux
causes naturelle est le comportement mécanique des matières employées pour construire le
bâtiment. Par exemple, les propriétés matérielles du béton peuvent changer d’un échantillon à un
autre et également dans le même échantillon.

3.2. Incertitude à cause humaine:

Incluent des exceptions prévus et imprévus à une conception optimale. Les exemples de ces
incertitudes pendant la phase de conception incluent des approximations, des erreurs de calcul,
des problèmes de transmission, des omissions, le manque de la connaissance. De même, pendant
la phase de construction, les incertitudes surgissent en raison de l’utilisation des matériaux
insatisfaisants, des méthodes de construction, des connexions mauvaises, ou des changements
sans analyse. Pendant leur utilisation, la structure peut être soumise à la surcharge, à l’entretien
insatisfaisant, à l’abus, ou même à un acte de sabotage.

En raison de ces incertitudes, les charges et les résistances (c-à-d. portances des éléments
structuraux) sont des variables aléatoires. Il est commode de considérer un paramètre aléatoire
(charge ou résistance) en fonction de trois facteurs:

3.2.1. Facteur de variation physique:

Ce facteur représente la variation de la charge et de la résistance qui est inhérente à la quantité
étant considérée. Les exemples incluent une variation naturelle de pression de vent, de
tremblement de terre, et de propriétés matérielles.

3.2.2. Facteur de variation statistique:

Ce facteur représente l’incertitude résultant d’estimer des paramètres basés sur un nombre
d’échantillon limité. Dans la plupart des situations, la variation naturelle (facteur de variation
physique) est inconnue et elle est quantifiée en examinant un nombre d’échantillon limité. Par
conséquent, plus le nombre d’échantillon est grand, plus l’incertitude décrite par le facteur de
variation statistique est petite.

7
Chapitre I Incertitude et probabilité

3.2.3. Facteur de variation de modèle:

Ce facteur représente l’incertitude due aux hypothèses simplificatrices, des conditions aux
limites inconnues, et des effets inconnus d’autres variables. Il peut considérer comme rapport de
la force réelle (résultat d’essai) et de la force prévue en utilisant le modèle. [Nowak. A. S 2000].

4. Notions fondamentales de la théorie des probabilités :

La théorie de probabilité propose un cadre mathématique pour présenter quantitativement
l’incertain. Elle prolonge le concept du facteur de sécurité pour incorporer explicitement
l’incertitude dans les parcmètres qui seront plus significatifs qu’une analyse déterministe, parce
que l’ingénieur doit fournir une mesure de l’incertitude pour les paramètres utilisés.

4.1. Fréquence relative :

Dans un échantillon de taille n, extrait au hasard d’une population statistique définit la
fréquence relative fr, cette dernière est obtenu en divisant le nombre d’occurrence dans un
intervalle par le nombre total de points dans une série de mesures.

4.2. Probabilité :
La probabilité d’un événement est un nombre réel compris entre 0 et 1. Plus ce nombre est
grand, plus le risque (ou la chance, selon le point de vue) que l’événement se produise est grand.
Si on considère que la probabilité qu’un lancer de pièce donne pile est égale à 1/2, cela signifie
que, si on lance un très grand nombre de fois cette pièce, la fréquence des piles va tendre vers
1/2, sans préjuger de la régularité de leur répartition.

Contrairement à ce que l’on pourrait penser de prime abord l’étude scientifique des
probabilités est relativement récente dans l’histoire des mathématiques. D’autres domaines tels
que la géométrie, l’arithmétique, l’algèbre ou l’astronomie faisaient l’objet d’étude
mathématique durant l’Antiquité mais on ne trouve pas de trace de textes mathématiques sur les
probabilités. L’étude des probabilités a connu de nombreux développements au cours des trois
derniers siècles en partie grâce à l’étude de l’aspect aléatoire et en partie imprévisible de certains
phénomènes, en particulier les jeux de hasard. Ceux-ci ont conduit les mathématiciens à
développer une théorie qui a ensuite eu des implications dans des domaines aussi variés que la
météorologie, la finance ou la chimie.

La probabilité est définit comme la limite d’une fréquence relative. Si on extrait au hasard un
élément d d’une population. La probabilité P(d) d’avoir l’événement d est :

( ) = lim → (1.1)

8
Chapitre I Incertitude et probabilité

Où, nd est le nombre d’occurrence de l’événement d, et n est le nombre d’épreuves.

Cette définition semble raisonnable, puisque la probabilité est employée pour décrire la
fréquence relative pour un nombre infini d’observations. Cette théorie est fondée sur
l’observation.

La probabilité doit satisfaire les axiomes suivants :

La probabilité de l’événement à une valeur comprise entre 1 et 0.

La somme des probabilités respectives de chaque événement mutuellement exclusif et

collectivement exhaustif d’un ensemble donne est 1.

La probabilité de deux événements indépendants d1 et d2 égale au produit de leurs

différentes probabilités.

4.3. Quantités statistiques :

4.3.1. Le traitement statistique :
Bien que les comportements aléatoires soient a priori sujets à des variations imprévisibles, on
est cependant capable de donner des renseignements sur ce type de phénomènes. L’idée majeure
est que ces renseignements vont être donnés par la répétition de l’expérience. On peut étudier la
fréquence d’apparition de chaque résultat, la valeur moyenne de ces résultats et les oscillations
autour de cette valeur moyenne. Tout le traitement de ces données est le traitement statistique.

L’expérience montre que, quand on observe un grand nombre de phénomènes aléatoires, on y

décèle généralement des lois régissant les résultats, tout à fait déterminées, stables. Par exemple,
quelle que soit la pièce non truquée avec laquelle on joue à pile ou face, quel que soit l’endroit
où l’on joue, si on lance 1000 fois la pièce, on aura environ 50 % de piles, 50 % de faces. De
même, si l’on étudie la répartition des tailles d’un groupe d’individus, quel que soit l’échantillon
pris dans ce groupe, on aura toujours une courbe des répartitions de même type. Cette stabilité,
confirmée par l’expérience, légitime l’utilisation d’une modélisation mathématique. Ainsi la
théorie des probabilités va essayer de modéliser tous ces types de situations aléatoires. Cette
notion de modèle abstrait commun à des expériences variées a mis beaucoup de temps à
émerger.

4.3.2. Tendance centrale :

La mesure de la tendance centrale d’une série de mesure, est généralement donnée par la
valeur moyenne d’un ensemble de valeurs mesurées pat xi de n série de mesures pour la
variable aléatoire x est obtenu en additionnant les valeurs et en divisant par n :

9
Chapitre I Incertitude et probabilité

∑
= (1.2)

Où, Xi est la ieme valeur, et n est le nombre total de points dans la série de mesures.

4.3.3. Dispersion :
La dispersion dans un échantillon est le rang de l’échantillon, qui est la valeur maximale
moins la valeur minimale dans la série de mesures.

La variance var[x] d’une variable aléatoire X est la valeur moyenne de la différance carrée
entre la variable aléatoire et sa valeur moyenne.

[ ]= = ∑ ( − ) (1.3)

L’écart type exprime la dispersion d’une variable aléatoire autour de sa valeur moyenne en
mêmes unités que la variable aléatoire elle-même. L’écart type est pris comme racine carrée de
la variance.

4.3.4. Le Coefficient de variation :

Pour fournir une expression sans dimensions commode de l’incertitude inhérente à une
variable aléatoire. Le coefficient de variation Cov est calculé par la division de l’écart type sur la
valeur moyenne qui est généralement exprimée en pourcentage.

= 100% (1.4)

5. Variables aléatoires et distributions :

Les notions fondamentales pour les analyses probabilistes sont les variables aléatoires. En
termes mathématiques, une variable aléatoire est une fonction définie sur une espace donné pour
représenter une quantité qui varie .et qui impose une probabilité pour chaque événement possible
dans cet espace. En pratique, une variable aléatoire est une variable pour laquelle la valeur
précise est incertaine. Mais une certaine probabilité peut être convoquée à n’importe quelle
valeur spécifique «pour des variables aléatoires discrètes-ou dans n’importe quelle marge des
valeurs» pour des variables aléatoires continues.

Les variables aléatoires discrètes peuvent seulement supposer des valeurs spécifiques, elles
peuvent prendre un nombre fini ou comptable infini de valeurs. Les modèles généralement
utilisés pour les variables discrètes incluent les distributions binomiales et celle de poisson.

Les variables aléatoires continues peuvent supposer une gamme continue des valeurs au-
dessus d’un domaine. Elles peuvent prendre toutes les valeurs dans un intervalle continu donne
« borné ou non borné » et des valeurs de probabilité doivent être associées à uns certaine gamme

10
Chapitre I Incertitude et probabilité

dans le domaine. Les modèles généralement utilisés pour des variables aléatoires continues
incluent les distributions normales log normales, et uniformes ; cependant, il y a une certaine
distribution, telle que la distribution beta [USACE, 1999].

5.1. Fonction de distribution de probabilité et Fonction de distribution cumulative :

5.1.1. Fonction de répartition :
Une variable aléatoire continue a une affinité de valeurs (ensemble dit non dénombrable). Il
est donc impossible de dresser un tableau où toutes les valeurs d’une telle variable aléatoire sont
énumérées. De plus, comme nous allons le voir ultérieurement, chaque valeur particulière de la
variable aléatoire continue n’a pas de probabilité différente de zéro. Cependant les différents
domaines des valeurs possibles d’une variable aléatoire ne sont pas équirépartition des
probabilités, bien qu’il faille entendre ceci d’une manière quelque peu différente du cas de
variable discrète.

Pour caractériser quantitativement cette répartition, il est commode d’utiliser non pas la
probabilité de l’événement X=x, mais la probabilité de l’événement X<x où x est une certaine
valeur courante. La probabilité de cet événement dépond évidement de x, elle en est une certaine
fonction. Cette fonction est appelée de répartition de la variable aléatoire X. Il est d’usage de la
designer par F(x) : F(x) = P(X < x).

La fonction de répartition est la caractéristique la plus universelle d’une variable aléatoire.

Elle existe pour toutes les variables aléatoires, tant discrètes que continue. La fonction de
répartition caractérise complètement une variable aléatoire de point de vue probabiliste.

Motionnons quelque propriétés générales de la fonction de répartition.

 La fonction de répartition F(x) est non décroissante de son argument, donc pour x1~x2 on
a F(x1) > F(x2).

 Lorsque l’argumentx → −∞, la fonction de répartition est égale à zéro F (-∞)=0.

 Lorsque l’argument x → +∞, la fonction de répartition est égale à 1 F (-∞)=1.

5.1.2. Densité de probabilité :

La fonction f(x) «dérivée de la fonction de répartition» caractérise la densité da la répartition
des valeurs de la variable aléatoire en un point donnée. Cette fonction est appelée densité de
répartition de probabilité ou plus brièvement densité de probabilité de la variable aléatoire X.

La densité de probabilité tout comme la fonction de répartition est une des formes de la loi de
répartition. Au contraire de la fonction de répartition, cette forme n’est pas universelle, car elle

11
Chapitre I Incertitude et probabilité

n’a pas de sens que pour des variables aléatoires continues.

Du point de vue géométrique la probabilité pour que la variable aléatoire X se trouve dans
l’intervalle (α, β) est égale à l’aire comprise entre la courbe de densité et l’axe des abscisses et
limitée par les ordonnées correspondant aux extrémités de l’intervalle (α, β).

( < < )=∫ ( ) (1.5)

La relation entre les deux fonctions, la fonction de densités de probabilité et la fonction de

répartition est représenté dans l’équation (1.6)

( )= ( ) (1.6)

La formule (1.6) exprime une densité de probabilité à l’aide d’une fonction de répartition .soit
maintenant le problème inverse, c’est-à-dire qu’il a y a lieu de trouver une fonction de répartition
en fonction d’une densité. Par définition on a:

( ) = ( < ) = (−∞ < < ) (1.7)

Alors en vertu de la formule (1.5) :

( )=∫ ( ) (1.8)

Du point de vue géométrique, F(x) n’est rien d’autre que l’aire comprise entre la courbe de
densité de probabilité et l’axe des abscisse et se trouvant à gauche du point x.

Enonçons les propriétés essentielles de la densité de probabilité :

 La densité de probabilité est une fonction non négative ; f(x) > 0.

Cette propriété est déroule immédiatement du fait que la fonction de répartition F(x) est une
fonction non décroissante.

 L’intégrale prise de -∞ à +∞ de la densité de probabilité est égale à 1

∫ ( ) =1 (1.9)

5.1.3. Théorème central limite :

Les lois de répartitions limites sont objet d’un autre groupe de théorème, appelé théorème
central limite, parfois considéré comme forme quantitative de la loi des grands nombres.

Toutes les formes du théorème central limite établissent les conditions pour lesquelles une loi
normale peut apparaitre. Comme ces conditions sont assez souvent réalisées dans la pratique, la
loi normale se trouve être la plus répondue des lois de répartition, surtout dans les phénomènes
aléatoires de la nature. Elle apparait chaque fois que la grandeur aléatoire observée peut être

12
Chapitre I Incertitude et probabilité

présentée comme la somme d’un nombre suffisamment grand de composantes élémentaires

indépendantes « ou faiblement liées », dont chacune influe peu sur la somme.

La loi normale prédomine dans plusieurs théorie, par exemple de théorie de mesure, c’est en
se basant sur la théorie de mesure que Laplace et Gauss ont formulé la loi normale.

En effet, dans la majorité des cas les erreurs apparaissant lors de la mesure de telle ou telle
grandeur physique obéissent à la loi normale ; la raison en est que c’est erreurs sont
généralement la somme d’un grand nombre d’erreurs élémentaires indépendantes dues à des
causes différentes. Longtemps la loi normale était considère comme loi unique et universelle des
erreurs. Ce n’est pas vrai, car l’expérience montre que dans certain processus de mesure et de
fabrication on rencontre des lois de répartition différant de la loi normale, néanmoins celle-ci
reste la plus répandue et la plus importante pour les applications pratiques des lois de mesures.

Le théorème de la limite centrale (appelé plus correctement théorème central limite, sans e à
central puisque c’est le théorème qui est central) est un résultat sur la convergence en
probabilités d’une suite de variables aléatoires. Intuitivement, ce résultat affirme que toute
somme de variables aléatoires indépendantes et identiquement distribuées tend vers une variable
aléatoire gaussienne. Il admet plusieurs généralisations qui donnent la convergence de cette
somme sous des hypothèses beaucoup plus faibles.

Ces généralisations ne nécessitent pas des lois identiques mais font appel à des conditions qui
assurent qu’aucune des variables n’exerce une influence significativement plus importante que
les autres. Telles sont la condition de Lindeberg et la condition de Lyapounov. D’autres
généralisations autorisent même une dépendance «faible». De plus, une généralisation due à
Gnedenko et Kolmogorov stipule que la somme d’un certain nombre de variables aléatoires avec
une queue de distribution décroissante selon 1 / 1 x 1 a + 1 avec 0 < a < 2 (ayant donc une
variance infinie) tend vers une loi de Lévy tronquée symétrique et stable quand le nombre de
variables augmente.

Ainsi, ce théorème et ses généralisations offrent une explication à l’omniprésence de la loi

normale dans la nature : de nombreux phénomènes sont dus à l’addition d’un grand nombre de
petites perturbations aléatoires.

13
Chapitre I Incertitude et probabilité

5.2. Principales distributions continues :

5.2.1. Distribution uniforme :
Une variable aléatoire continues X suit la distribution uniforme si et seulement si sa fonction
de densité de probabilité PDF est donnée par :

( )= < < (1.10)

Où, a et b sont les paramètres de la distribution. La fonction de distribution cumulative CDF

d’une variable aléatoire uniforme est :

< <
( )= (1.11)
1 ≥

Pour a = 0 et b = 1, cette distribution est nommée distribution uniforme standard.

5.2.2. Distribution normal :

Une variable aléatoire X suit la distribution normale au gaussienne si sa fonction de densité de
probabilité est donnée par:

( )= − , −∞≤ ≤ +∞ (1.12)
√

Où et sont les paramètres de la distribution normal notée N ( , ) de la

variable aléatoire. La distribution normale avec = 0 et = 0 s’appelle la
standard normale.

La fonction de distribution cumulative CDF d’une variable aléatoire normale est notée F(x),
donnée par :

( )= ∫ , −∞≤ ≤ +∞ (1.13)
√

Si X suit une loi de distribution normale avec une moyenne et un écart type , alors
Z= (X- )/ suit une distribution normale standard.

14
Chapitre I Incertitude et probabilité

Figure 1.2: histogramme des valeurs simulées avec une loi normale.

5.2.3. Distribution Log normal :

La distribution log normale est sauvant utilisée parce qu’elle est commode pour modéliser la
quantité qui varie et s’étendent sur plusieurs ordres grandeurs. La fonction de densité probabilité
d’une variable aléatoire log normale est donnée par :

( )
( )= − , −∞≤ ≤ +∞ (1.14)
√

Où et sont les paramètres de la distribution log normale tel que :

= ln 1 + (1.15)

= Ε[lnx] = ln μ − (1.16)

15
Chapitre I Incertitude et probabilité

Figure 1.3 : histogramme des valeurs simulées avec une loi log normale.

5.2.4. Distribution Gamma :

La distribution gamma est définît par :

X Gamma (α, β); a > 0; β > 0

La distribution exponentielle est un cas spécial de la distribution Gamma avec α=1.

La distribution chi-square est un cas spéciale de la distribution Gamma avec α= v/2 et β =1/2.

La moyenne et l’écart type sont données par :

Moyenne = α/β.
Ecart type= α/β2.

Figure 1.4 : Histogramme des valeurs simulées avec une loi Gamma.

16
Chapitre I Incertitude et probabilité

6. Conclusion :
La présence de l’incertitude ne peut pas être évitée dans chaque phase d’analyse et de
conception dans le domaine de l’ingénierie, néanmoins il n’est pas simple de répondre aux
exigences de conception en présence de l’incertitude. Les méthodes probabilistes nous
permettent de caractériser l’incertitude associée à chaque paramètre mesuré, ainsi que pour
proportionner l’influence de leur variabilité en utilisant un modèle théorique de variable
aléatoire.

La présentation quantitative de l’incertitude des paramètres dans un cadre mathématique

propose par la théorie des probabilités est une phase importante dans l’analyse de fiabilité où les
incertitudes sur les paramètres sont prises en compte dans un cadre mathématiques plus cohérent.

17
Chapitre II Les spectres de réponse

LES SPECTRES DE REPONSE

1. Introduction :
L’application la plus répandue de la dynamique des structures en génie civil est dans l’étude
de la réponse des structures aux tremblements de terre. La raison principale est que les
tremblements de terre génèrent des forces d’inertie importantes pour la grande majorité des
bâtiments et des structures de génie civil, à l’exception des structures très flexibles telles que les
très grands ponts suspendus, les pylônes très élancés et les gratte-ciel de très grande hauteur pour
lesquels le vent devient le mode d’excitation dynamique dominant [BORGES 1968]. Ce qui nous
concerne c’est qu’un tremblement de terre donne naissance à un mouvement de translation du sol
dans trois directions qui se transmet aux structures par leur fondation. Si la fondation est
monolithique, on a un mouvement synchrone de la fondation. Si les fondations sont multiples,
comme dans le cas d’un grand pont par exemple, les mouvements seront décalés d’une durée
égale au temps de propagation du front d’ondes. L’instrument le plus simple pour mesurer
l’intensité du mouvement du sol est l’accélérographe, qui permet d’enregistrer l’accélération du
sol dans le temps dans trois directions orthogonales, deux horizontales et une verticale. Ces
enregistrements portent le nom d’accélérogrammes. L’accélérographe a longtemps été un
appareil analogique constitué d’un accéléromètre du type force balancée enregistrant le signal
sur film photographique. L’accéléromètre moderne, encore du type force balancée, est digital
avec une fréquence de résonance f= 50 Hz et un taux d’amortissement 5= 70 %. Il a longtemps
été difficile d’enregistrer les fortes accélérations en champ proche à cause de la trop grande
sensibilité des instruments. Les premiers accélérogrammes en champ proche utilisables ont été
obtenus lors du tremblement de terre de l’Impérial Valley du 18 mai 1940 en Californie. Ces
accélérogrammes sont très utilisés en recherche.

L’historique de l’accélération horizontale dans la direction nord-sud du tremblement de terre

de l’Impérial Valley enregistré à la sous-station d’irrigation du district d’Impérial Valley, à El-
Centre, est présenté à la figure 2.1 et servira de mouvement du sol type dans cet ouvrage. En
général, les accélérations sont digitalisées à des pas de temps constants de l/100s à 1/50s. Les
historiques de la vitesse et du déplacement montrés à la figure 2.1 ont été obtenus par intégration
numérique.

Nous étudierons dans ce chapitre la réponse des systèmes élémentaires linéaires élastiques
aux tremblements de terre. Le caractère distinctif des tremblements de terre est qu’il n’y a pas de
forces appliquées directement aux structures comme pour les autres types de chargements
dynamiques mais plutôt des mouvements imposés aux appuis. Or on sait que l’effet de ces

19
Chapitre II Les spectres de répon
réponse

mouvements était similaire à l’application

l d’une
une force effective au niveau de la masse. Nous
introduirons le concept de spectre de réponse
ré (en anglais response spectrum
spectrum) et de spectre de
dimensionnement (en anglais design spectrum)) qui est généralement utilisé pour calculer la
réponse maximum des systèmes élémentaires aux tremblements de terre. Nous verrons que
rarement une structure peut
ut résister, sans dommage, à un tremblement de terre. D
D’où
l’importance d’étudier
étudier la réponse des systèmes élémentaires non linéaires à des tremblements de
terre. [Paultre. 2005].

2. Réponse dans le temps :

La réponse à un tremblement de terre d’un
d bâtiment d’un
un étage, assimilable à un système
élémentaire, peut être obtenue à partir de l’intégrale
l tégrale de Duhamel ou de toute autre méthode
d’intégration
intégration numérique. Notant que la force effective due à un tremblement de terre est donnée
par le produit de masse m,, par l’accélération
l du sol, üg(t) c’est-à-dire peff(t) =-m üg(t), d’après
l’intégrale de Duhamel, on obtient
btient :

( )
( )=− ∫ ̈ ( ) ( − ) (2.1)

Figure 2.1: Composante horizontale

horizontal de l’accélération dans la direction nord
nord-sud enregistrée
à El-Centro,
Centro, en Californie durant le tremblement
trembleme de terre de l’Imperial
Imperial Valle
Valley du 18 mai 1940,
ci-après référée comme accélérogrammes
lérogrammes d’El-Centro.
Centro. Les déplacements et les vitesses ont été
calculés par intégration numérique.
mérique. Catalogue de l’EERC.. California Institute of Technology
(Caltech), Californie [Paultre. 2005].

L’historique
historique de la vitesse relative est obtenu par dérivation de (2.1)
( :

20
Chapitre II Les spectres de réponse

( ) ( )
ü (t) = − ∫ ü (τ)e cosω (t − τ)dτ + ∫ ü (τ)e sinω (t − τ)dτ (2.2)

Pour trouver l’expression de l’accélération totale, écrivons l’équation de mouvement d’un

système élémentaire à un mouvement de base :

mü (t) + cu̇ (t) + ku(t) = 0 (2.3)

Où est l’accélération totale de la masse m. cette équation peut se mettre sous la forme
suivante :

ü (t) = 2ξωu̇ (t) + ω u(t) (2.4)

L’historique de l’accélération totale s’obtenu en substituant les équations (2.1) et (2.2) dans
l’équation (2.4). Nous avons :

ω(1 − 2ξ ) ( )
ü (t) = ü (τ)e sinω (t − τ)dτ
1−ξ

( )
+2ξω ∫ ü (τ)e cosω (t − τ)dτ (2.5)

La figure 2.2 représente la réponse u(t) de quatre systèmes élémentaires différents à la

composantes nord-sud du tremblement de terre d’El Centro 1940. Les masses et les rigidités des
systèmes élémentaires sont telles que leur périodes de vibration T valent 0.5s ,1.0s, 2.0s et 3.0s,
on constate que le déplacement maximum ne se produit pas nécessairement au moment de
l’accélération maximum et que le déplacement maximum est différent pour chaque système et,
qu’apparemment, il croit avec une augmentation de la période naturelle de vibration de système.
Nous verrons qu’il n’en est pas toujours de même.

21
Chapitre II Les spectres de répon
réponse

Figure 2.2 : Réponses de quatre structures à un degré de liberté soumises aux trente premiers
secondes de la composante N--S de l’accélérogrammes d’EL Centro. [Paultre. 2005].

3. Spectre de réponse :
Le concept de spectre de réponse a été utilisé pour
our la première fois par M.A. Biot
[BIOT.1933] pour caractériser
tériser l’effet
l des tremblements de terre sur les struct
structures. G.W. Housner
[Housner. G 1941] a popularisé
populari son utilisation en génie parasismique.. L
L’importance de ce
concept vient du fait que, lors d’un
d dimensionnement, on ne s’intéresse
intéresse surtout qu
qu’à la valeur
maximum de la réponse d’une
une structure à un tremblement de terre. On a pour un paramètre de
réponse quelconque r :

= (| ( )|) (2.6)

Où l’indice
indice max désigne la valeur maximum de la réponse dans le temps. La courbe des
valeurs maximum d’un
un paramètre de réponse quelconque (déplacement, vitesse, accélération) en
fonction de la période (ou fréquentielle) d’un
d un système élémentaire est aappelée un spectre de
réponse. Définissons les spectres de réponses suivants :

Spectre de déplacement relatif : ( , )= | ( , , )| (2.7)

22
Chapitre II Les spectres de réponse

Spectre de vitesse relative : ( , )= | ̇( , , )| (2.8)

Spectre d’accélération absolue : ( , )= | ̈( , , )| (2.9)

Pour un tremblement de terre donné, les spectres de réponse sont donc des fonctions de la
fréquence et de l’amortissement. On les représente sous forme de graphes pour des taux
d’amortissement donnés sur une large bande de fréquences. Pour une fréquence naturelle et un
taux d’amortissement donnés, la valeur du déplacement relatif maximum est obtenue de
l’équation (2.1) pour nous donner :

( )
( , )= − ∫ ü (τ)ℯ sinω (t − τ)dτ = |D(t) (2.10)

Dans laquelle D(t) est l’historique du déplacement relatif de la masse donné par l’équation 2.1

( )
( )=− ∫ ̈ ( ) ( − ) (2.11)

De même, pour une fréquence et un taux d’amortissement donnés, la vitesse relative

maximum est obtenue en calculant le maximum absolu de la vitesse donnée par l’équation (2.2) :

( ) ( )
( , )= − ∫ ü (τ)ℯ cosω (t − τ)dτ + ∫ ü (τ)ℯ sinω (t − τ)dτ (2.12)

Et l’accélération absolue maximum est obtenue de l’équation (2.5)

( ) ( ) ( )
( , )= ∫ ̈ ( )ℯ ( − ) +2 ∫ ̈ ( )ℯ ( − ) (2.13)

On détermine les spectres de réponse en évaluant numériquement les intégrales des équations
(2.10) à (2.13) pour un tremblement de terre et une valeur d’amortissement donnés et un grand
nombre de fréquences naturelles. Le processus d’évaluation du spectre de déplacement est
illustré à la figure 2.3.

23
Chapitre II Les spectres de répon
réponse

Figure 2.3 : illustration de calcul du spectre de déplacement pour l‘accélération d‘El Centro
[Paultre. 2005].
Une simplification considérable peut être obtenue en notant ≈ pour les faibles valeurs
d’amortissement rencontrées en pratique. C’est-à-dire
C’est pour < 0.20,, et en supposant que les
termes en et sont petits. On obtient :

( )
( , )= ∫ −ü̈ (τ)ℯ cosω(t − τ)dτ (2.14)

Cette expression peut encore être simplifiée en remplaçant le terme en cosinus de l'équation
(2.14)
.14) par un terme en sinus « qui a la même valeur maximum bien qu'à un temps différent » afin
d'obtenir la relation finale suivante :

( )
( , )= ∫ −üü (τ)ℯ sinω(t − τ)dτ = |V(t)|| (2.15)

Où PSV est utilisé pour désigner le pseudo-spectre

pseudo spectre de vitesse et le distinguer du spectre exact
de vitesse dénommé SV et V(t) est l'historique de la pseudo-vitesse relative..

( )
( , ) = − ∫ ü ((τ)ℯ
) cosω(t − τ)dτ (2.16)

On obtient de manière similaire le

l pseudo-spectre d'accélération :

24
Chapitre II Les spectres de réponse

( )
( , )= ∫ −ü (τ)ℯ ωsinω(t − τ)dτ = |A(t)| (2.17)

Où l'historique de la pseudo-accélération absolue est défini par la relation suivante

( )
( ) = − ∫ ü (τ)ℯ ωsinω(t − τ)dτ = − V(t) = − D(t) (2.18)

En comparant les équations (2.10), (2.17) et (2.15) et en posant PSD = SD, on constate que :

= (2.19)

= = (2.20)

Tenant compte des relations (2.19) et (2.20), on peut calculer les pseudo-spectres de réponse
par intégration numérique de l'intégrale de Duhamel dans (2.10). En général, cependant, on
utilise une méthode directe d'intégration numérique des équations du mouvement pour calculer le
déplacement maximum des différents systèmes élémentaires pour la détermination des spectres
de réponse. On recommande d'utiliser la méthode d'intégration des fonctions linéaires par
morceau. Dans ce cas, l'intégration peut être considérée comme exacte puisque l'historique de
l'accélération est défini à intervalle de temps régulier et qu'une interpolation linéaire est utilisée
entre les points.

Les spectres de réponse en déplacement, en vitesse et en accélération pour l'accélérogramme

d'El Centro sont présentés à la figure 2.4 pour un taux d’amortissement = 0.02. On peut
constater que la différence entre SA et PSA est négligeable alors que cette différence est notable
entre SV et PSV pour les périodes de vibration supérieures à 3s.

Pour un oscillateur élémentaire vibrant sinusoïdalement avec un déplacement maximum PSD,

la vitesse maximum et l’accélération maximum sont égales à PSV et PSA respectivement. Pour
un tremblement de terre, on peut montrer que PSVSV et PSASA sur la gamme usuelle des
périodes et des amortissements. L’accélération étant, comme on la vu, plus précise que la vitesse.
Quand T → ∞, SD tend vers le déplacement maximum du sol, SV tend vers la vitesse maximum
et PSA tend vers zéro. Or, =2 ⁄ tend vers zéro quand T → ∞, donc pour les longues
périodes, le pseudo-spectre de vitesse PSV peut être considérablement différent du spectre de
vitesse SV. Il faut noter, de plus, que pour un amortissement nul, PSA = SA et PSV≠ SV, puisque
l'expression de PSV contient un terme en sinus alors que l'expression de SV contient un terme en
cosinus. Remarquons que l'emploi du terme pseudo « qui veut dire faux » en rapport avec la
représentation approximative des spectres peut induire en erreur puisqu'il s'agit ici
d'approximation et non de faux concepts.

L'avantage d'utiliser les pseudo-spectres de réponse vient des relations simples données par

25
Chapitre II Les spectres de répon
réponse

.20). Ces relations entre SD, PSV et PSA permettent de tracer

les équations (2.19) et (2.20).
simultanément sur un même graphique les trois spectres de réponse. Les spectres de SD, PSV et
PSA pour les accélérogrammes d'El Centro du tremblement de terre de l'Impérial Valley de 1940
sont illustrés à la figure 2.5
.5 pour des taux d'amortissement = 0, 2, 5, 10, et 20% de
l'amortissement critique. Il faut noter que la représentation sur un seul diagramme à quatre axes
logarithmiques n'est possible que pour des quantités qui
qui sont reliées par une puissance de la
fréquence comme dans (2.20).
.20).

Figure 2.4 : Spectres et pseudo-spectres

pseudo spectres de déplacement, de vitesse et dd’accélération de
l’accélérogramme
accélérogramme d’El
d Centro pour = 2% [Paultre. 2005].

La figure 2.5
.5 montre le spectre de réponse de la composante Nord-Sud
Sud de ll’enregistrement de
Tolmezzo (Italie du ford) lors du séisme du Frioul (6 mai 1976) il s’agit
s agit dd’une représentation en
pseudo-accélération
accélération (ordonnée) en fonction de la période (abscisse), avec des échelles linéaires
sur les deux axes, pour des amortissements réduits de 0, 2, 5, 10 et 20 %.
%

26
Chapitre II Les spectres de répon
réponse

Figure 2.5 : Exemple de spectre e en pseudo accélération en fonction

fonction de la période (spectre
de réponse de la composante N-S
N enregistrée à Tolmezzo (séisme du Frioul) le 6 mai 1976)
[Paultre. 2005].

Son allure est typique des spectres d’accélérogrammes

d réels, c’est-a-dire
dire très irrégulière avec
des pics et des vallées très accusés, d’autant
d plus que l’amortissement
amortissement est petit. On observe en
particulierr un grand pic autour de la période 0,25s (fréquence de 4 Hz).

Cette irrégularité
rité montre que l’action
l n sismique ne peut pas être valablement
blement représenté par
un seul accélérogrammes de séisme réel (ou par le spectre
spe qui luii est associe
associe) ; dans l’exemple de
la figure 2.5, les structures ayant 0,25s comme
c période de leur mode fondamental sera aient
beaucoup plus sollicitées que
ue celles
cel ayant des périodes fondamentales de 0,20
0,20s ou 0,30s. Compte
tenu du caractère aléatoire de la position
po de ces pics de spectre sur l’axe
axe des périodes d’un ne
part, et des incertitudes de modélisation
modélisa qui affectent la précision du calcul des péri
périodes propres,
d’autre part, il est évident
ent que ces grandes différences
différ dans l’amplitude des rép
réponses, pour ces
périodes relativement voisines,
ines, n’ont
n pas de signification pratique pourr le dimensionnement ;
celui-ci
ci ne peut être effectué qu’a
qu partir de spectres lisses, résultant d’études
études statistiques.

Un spectre de réponse d’accélérogrammes

d réel constitue
titue une information synthétique
extrêmement utile, sur le contenu
ntenu fréquentiel et l’amplitude du signal ; il comporte en général
trois parties :

Une zone à basse fréquence où la réponse de l’oscillateur

l oscillateur est contrôlée essentiellement par le
déplacement du support, les basses fréquences correspondent
correspondent à des oscillateurs dont le ressort est
extrêmement souple; la masse reste alors pratiquement immobile par rapport aux axes absolus,
puisque l’effort
effort que lui transmet le ressort est quasiment nul, et son déplacement relatif maxima
maximal
par rapport au support est donc
onc très vois sin du déplacement absolu maximal de celui
celui-ci.

27
Chapitre II Les spectres de réponse

En passant à la limite (ressort infiniment souple, fréquence nulle ou période infinie), la masse
ne bouge pas dans les axes absolus et il y a égalité stricte entre ces déplacements maximale
(relatif pour lamasse, absolu pour le support), indépendamment de l’amortissement. Ou en voie
ça dans les graphes précédant, ou en voie que l’influence de la variation de l’amortissement est
diminué pour la zone de basse fréquence.

Une zone à haute fréquence, où la réponse de l’oscillateur est contrôlée essentiellement par
l’accélération du support. Cette zone va d’une fréquence de l’ordre constitue une approximation
de la fréquence de coupure ; au-delà de cette fréquence de coupure, la réponse de l’oscillateur est
du type rigide (il se déplace en bloc avec son support) et il y a égalité entre la pseudo-
accélération et l’accélération maximale du support, quel que soit l’amortissement. Ou en voie ça
dans le même graphe ou en voie que l’influence de la variation de l’amortissement est diminué
pour la zone de haute fréquence aussi.

Une zone de fréquences intermédiaires située entre les deux zones précédentes où les réponses
en pseudo-accélération et en pseudo-vitesse sont généralement amplifiées par rapport aux valeurs
maximales de l’accélération et de la vitesse du support ; cette zone présente des pics et des
vallées distribuent de façon apparemment aléatoire ; elle est assez bien vérifiée pour des
accélérogrammes réels, pour des amortissements compris entre 1 % et 20 %. On remarque une
grande variabilité des réponses, même pour une petite variabilité d’amortissement. [Betbeder
2003].

28
Chapitre II Les spectres de répon
réponse

4. Spectre de dimensionnement
Dans les codes parasismiques applicables aux constructions courantes, le terme de spectre de
dimensionnement à été jusqu’’àà présent réservé à un spectre élastique modifié, destiné à servir de
base à un calcul forfaitaire des effets non-linéaires.
non linéaires. Dans la pratique des installations
industrielles à risque spécial (centrales nucléaires notamment), ce terme désigne un spectre
élastique de calcul.

Ces différences de terminologie sont regrettables mais on peut raisonnablement espérer

qu’elles disparaitront dans l’avenir,
avenir, comme semblent l’indiquer
l indiquer les évoluti
évolutions récentes de codes
tels que l’Eurocode 8. Le spectre de dimensionnement au sens des codes parasismiques est en
effet une notion assez bâtarde, procédant plus du coefficient sismique que de la dynamique des
structures et incorporant de façon opaque des considérations légitimes mai
mais qui devraient faire
l’objet d’un
un exposé précis des motifs et d’un
d un traitement clair par des moyens appropriés ; il ss’agit
des limites de ductilité des structures raides et de la prise en compte des effets du second ordre
dans les structures souples.

Les spectres de réponse

se des tremblements de terre
rre historiques constituent une bbase
rationnelle pour le dimensionnement
mensionnement parasismique des structures.
ures. Les pics des spectres de
réponse de la figure 2.6
.6 sont dus aux
au résonances locales du mouvement
ement du sol
sol.

Figure 2.6 : Diagramme tripartite représentant les spectres de réponse combinés SD –PSA–PSV
de l’accélérogrammes
accélérogrammes d’El-Centro
d pour = 0, 2, 5, 10 20% [Paultre. 2005].

29
Chapitre II Les spectres de répon
réponse

Ces irrégularités ne sont pas importantes

impor ett peuvent être éliminées en prenant la moyenne
d’un
un certain nombre de spectres de réponse provenant de différents tremblements de terre,
normalisés à la même intensité. Housner [Housner G.1959] a développé les spectres moyens
d’accélération
accélération montrés à la figure
fig 2.7 en lisant la moyenne
nne de spectres de réponses des deux
composantes horizontales
es de quatre tremblements de terre réenregistrés aux États
États-Unis
d’Amérique (El Centro 1934, El Centro 1940, Olympia 1949 et Tehachapi 1952) après
normalisation. Les formes de ces spectres sont globalement cohérentes avec celles obtenues des
mouvements enregistrés à dess distances assez proches de l’épicentre
l épicentre dans ll’Ouest de l’Amérique
du nord.
ord. Ces courbes ne peuvent cependant pas être utilisées pour la ville de Mexico
Mexico, par
exemple, car elles ne tiennent pas compte des particularités locales
es de cette ville. De plus, ces
courbes ont été duites pour des tremblements de terre forts et ne sont pas appropriées pour des
tremblements de terre de faible magnitude. On a suggéré que ces courbes soient utilisées comme
imensionnement (en anglais design spectrum).
spectre de dimensionnement ). Notons que ces courbes on
ont été
accélération maximum du sol de 0.2g.
normalisées à une valeur d’accélération

Figure 2.7 : Spectres de dimensionnement moyen d’accélération

d accélération normalisés à 0.2g

(Tiré d’U.S.
U.S. Momie Energy Commission Report TID-7024,
7024, Août 1963) [Paultre 2005].

30
Chapitre III les fréquences propres et vibrations des structures

LES FREQUENCES PROPRES ET VIBRATION DES STRUCTURES

1. Introduction :

Un aspect classique de la conception structurelle réside dans l’optimisation du rapport

rigidité-masse à travers le choix des matériaux et de la forme des éléments constitutifs d’une
structure, ainsi, il peut sembler que la fréquence naturelle peut être manipulée comme une
réflexion à posteriori. Pour des structures classiques, cependant, il est important de connaître le
rôle que jouent les matériaux et les conditions aux limites par rapport aux ratios des aspects
géométriques bruts dans la modification des fréquences fondamentales.

En dépit des différences apparentes, le mode fondamental le plus dommageable pour les
bâtiments qui est fonction de la surface de la section transversale et de la hauteur varie entre 0.8
Hz à 3.3 Hz pour des petites structures de 3 étages, 0.3 Hz à 1.5Hz pour les bâtiments de moins
de 20 étages et de 0.4 à 2.4 Hz pour les tours alors que pour les ponts, la fréquence fondamentale
oscille de 0.2 Hz à 10.3 Hz tous types de ponts confondus. [K. B. Smith]

L’examen de structures civiles a montré leur large espace de conception physique, mais leurs
relativement étroits intervalles de fréquences naturelles notamment pour les premiers modes [K.
B. Smith]. La théorie des poutres simple est utilisée pour expliquer cette apparente contradiction
et par conséquent les difficultés rencontrées lors du design pour obtenir les fréquences naturelles
voulues. La conséquence pour les designers est que l’amortissement est critique, autant que les
formes modales de résonance sont difficiles à déplacer des largeurs de bandes préjudiciables par
de simples modifications de la géométrie de la structure.

1.1. Définition :

La fréquence temporelle, ou momentanée, est notée généralement f ou ν et se définit comme

l’inverse de la période temporelle notée T, soit = . La période temporelle étant le temps

nécessaire pour que le phénomène se reproduise identique à lui-même, la fréquence temporelle

est donc pour une unité de temps donnée le nombre de fois que le phénomène se reproduit
identique à lui-même.

Si l’unité de temps choisie est la seconde (unité de temps dans le système international
d’unités dit SI), la fréquence est alors mesurée en hertz dont le symbole est Hz (unité SI). Plus la
valeur en hertz est élevée et plus la durée en seconde est courte.

Il est possible d’utiliser d’autres relations pour définir la fréquence temporelle : ainsi pour un

32
Chapitre III les fréquences propres et vibrations des structures

phénomène se propageant dans l’espace (par exemple l’amplitude d’une onde propagative), sa
fréquence associée peut être également calculée par la relation = où f est la fréquence de

l’onde (en hertz), c la célérité de l’onde (en mètres par seconde) et λ la longueur d’onde (en
mètres). Ainsi la fréquence représente le nombre de fois qu’une grandeur associée à un
phénomène physique revient identique à elle-même après que le phénomène a parcouru une
certaine distance λ. Cette relation est valide, et équivalente à la première relation, seulement dans
le cas d’un phénomène qui se propage spatialement (exclu le cas de l’onde stationnaire).

La fréquence f est reliée à la notion de pulsation, généralement notée ω, par la relation

ω = 2πf. Dans le cas de cette rotation, 2π est la valeur en radian pour faire un tour complet :
la pulsation est donc, dans ce cas, l’angle total en radian qu’effectue le système sur lui-même par
unité de temps.

Dans le domaine de la physique ondulatoire on parlera d’une fréquence :

D’oscillation mécanique (ressort, corde vibrante, vibration du réseau cristallin, vibration

de molécules, etc.),

D’oscillation acoustique dans le domaine audible (sonore) ou inaudible (infrasons,

ultrasons, hyper sons...)

D’oscillation électromagnétique (lumière visible, infrarouge, ultraviolet, etc.).

Lorsqu’on abandonne un système stable préalablement écarté de sa position d’équilibre, il y

retourne, généralement à travers des oscillations propres. Celles-ci se produisent à la fréquence
propre du système. Si le système n’est pas trop amorti, une excitation sinusoïdale est
particulièrement amplifiée au voisinage de cette fréquence propre, c’est ce qu’on appelle la
résonance. Sommairement on peut dire que le système réagit d’autant plus facilement qu’on lui
fournit de l’énergie à une fréquence proche de sa fréquence naturelle.

Les exemples sont les résonances acoustiques des instruments musicaux, la résonance des
marées, la résonance orbitale (certaines des lunes jupitériennes), la résonance de la membrane
basilaire dans le phénomène d’audition, la résonance dans des circuits électroniques et les
systèmes mécaniques.

33
Chapitre III les fréquences propres et vibrations des structures

1.2. Notions de base

1.2.1. Modes propres

Implicitement, l’introduction
introduction concerne des systèmes à un degré de liberté ou supposés tels
dont l’évolution
évolution est décrite par un seul paramètre fonction du temps.. On rencontre de tels
systèmes, entre autres, en mécanique avec le simple pendule ou le système masse
masse-ressort, en
électricité avec le circuit RLC.
RLC. Leurs oscillations libres ne peuvent se produire qu
qu’à une
fréquence bien définie susceptible d’induire
d une résonance.

Si on couple
ple deux pendules par un ressort, le système est alors décrit par les inclinaisons
généralement distinctes des deux pendules. Ce système à deux degrés de liberté possède deux
modes propres dans lesquels les pendules oscillent à la même fréquence. Toute oscillation libre
est une somme des deux modes propres correspondants et, face à une excitation sinusoïdale,
chacun d’eux
eux peut engendrer une résonance. En supposant les deux pendule
pendules identiques,
l’origine des deux types d’oscillation
oscillation devient évidente. Dans un cas les pendules oscillent de
concert, comme s’ils
ils étaient liés par une barre rigide ; la fréquence propre du système est la
même que celle du pendule simple.
simple Dans l’autre,
autre, ils oscillent en opposition, comme si le milieu
du ressort avait été fixé ; une moitié de ressort accroît donc la raideur associée à chacun dd’eux, ce
qui, comme il est précisé plus loin, augmente la fréquence propre.

Figure 3.1: vibration d’une pendule.

Ces remarques se généralisent à des systèmes qui possèdent un nombre quelconque de degrés
de liberté. La déformée d’une
une corde vibrante ou d’une
d une poutre élastique est caractérisée par une
infinité de positions ; il s’agit
agit alors de systèmes continus à une infinité de degrés de liberté
possédant une infinité de modes propres. Dans le cas de la corde sans raideur en flexion, les
modes propres ont des formes sinusoïdales (pour plus de précisions, voir Onde sur une corde
vibrante. La plus basse fréquence est alors appelée fréquence fondamentale tandis que les
harmoniques ont des fréquences multiples de celle-ci.
celle

Généralement, l’importance
importance relative de l’amortissement
l s’accroît
accroît à mesu
mesure que s’élève l’ordre
des modes, ce qui fait qu’il
il est suffisant de s’intéresser
s intéresser aux tous premiers modes, dans les
problèmes techniques si ce n’est
est en musique.

34
Chapitre III les fréquences propres et vibrations des structures

1.2.2. Réponse à une excitation

Selon Systèmes oscillants à un degré de liberté, on constate que le rapport de l’amplitude X de

la réponse à l’amplitude F de l’excitation dépend de la masse M (ou inertie ou, en électricité,
auto-inductance), de la raideur K (ou inverse de la capacité) et de l’amortissement B (ou
résistance) :

= (3.1)
( )

Cette formule montre, ce qui se généralise qualitativement à des systèmes beaucoup plus
complexes, que la fréquence propre croît avec la raideur et décroît lorsque l’inertie augmente.

L’amplification ne varie pas seulement en fonction de la fréquence. Elle dépend également de

l’amortissement du système : lorsque celui-ci décroît, l’amplification augmente dans une bande
de fréquences de plus en plus étroite.

Ce phénomène d’amplification est mis à profit dans divers domaines pour séparer une
fréquence déterminée de ses voisines.

A l’inverse, il peut être fréquemment à l’origine de dommages causés au système. Dans ce

dernier cas, on cherche soit à l’atténuer en augmentant l’amortissement, soit à déplacer la
fréquence propre en jouant sur l’inertie ou sur la raideur.

2. Utilisations de la résonance
La résonance permet de trier certaines fréquences, (mais ne produit pas d'énergie).

3. Inconvénients de la résonance
3.1. Ponts
Un pont suspendu, dont le tablier est maintenu par des câbles, peut effectuer des oscillations
verticales, transversales ou de torsions. À chacun de ces types d’oscillations, correspond une
période propre. En 1850, une troupe traversant au pas cadencé le pont de la Basse-Chaîne, pont
suspendu sur la Maine à Angers, provoqua la rupture du pont par résonance et la mort de 226
soldats. Pourtant, le règlement militaire interdisait déjà de marcher au pas sur un pont, ce qui
laisse à penser que ce phénomène était connu.

En 1940, de forts vents (de 65 à 80 km/h) provoquèrent la chute du pont de Tacoma Narrows
(USA) à la suite de vibrations de flexion transversale puis, après la rupture d’un câble, de
vibrations de torsion qui l’achevèrent. Une première explication avait été fournie qui s’appuyait
sur l’excitation d’une résonance par le détachement périodique de tourbillons dans une allée de
Karman. En fait, la fréquence observée des vibrations était très inférieure à la fréquence de

35
Chapitre III les fréquences propres et vibrations des structures

détachement qu’il est possible de calculer. Il semble donc qu’il faille abandonner, dans ce cas,
l’explication par une résonance pour la remplacer par celle qui fait appel à la notion d’instabilité
aéroélastique. Dans un système linéaire possédant au moins une fréquence propre, comme ceux
qui ont été envisagés précédemment, la stabilité est assurée quand le système est dissipatif, ou à
la limite conservatif. Ici, le système devient actif, dans un vent que l’on peut supposer constant, à
mesure que la tablier se tord, le moment des efforts aéroélastique peut être approché par sa
composante en phase avec le déplacement (pseudo-raideur) et sa composante en quadrature,
proportionnelle à la vitesse de vibration. La composante en quadrature, quand elle s’oppose à
l’amortissement traduit l’apport d’énergie éolienne à la structure, cause de l’instabilité
aéroélastique. Le mode de torsion devient instable, ce qui correspond à des oscillations
d’amplitude croissante. La rupture peut alors survenir.

Le pont fut reconstruit en tenant compte de ce problème et est toujours en place.

3.2. Ports
Les ports sont le lieu d’ondes stationnaires de périodes bien définies appelées seiches. Dans
certains sites, ces ondes peuvent être excitées par les trains de vagues, créant ainsi des
oscillations horizontales qui peuvent être dommageables pour les bateaux amarrés.

Un phénomène analogue, à plus grande échelle, s’observe dans les golfes, l’excitation étant
fournie par les ondes de marée. Il ne présente pas d’inconvénients particuliers et peut même être
utilisé par des usines marémotrices produisant une énergie renouvelable. Le bilan
environnemental de ces dernières peut cependant être discuté, compte tenu de l’agression du site
par les installations.

4. Fréquence fondamentale

En acoustique, la fréquence fondamentale ou son fondamental est l’harmonique de premier

rang d’un son.

C’est sur cette base que tout le son s’édifie : les harmoniques d’un son musical sont des
fréquences multiples entiers de cette première harmonique. Si les harmoniques ne sont pas des
multiples entiers de la fondamentale, on parle alors de partiels, et le son est dit inharmonique.

La fréquence fondamentale détermine la hauteur du son. Pour un son de basse fréquence, un

son grave, la répartition des harmoniques dans l’ensemble du spectre harmonique est prise en
compte par l’audition pour déterminer la hauteur. On peut donc supprimer la fréquence
fondamentale : l’oreille continuera à percevoir une hauteur précise, uniquement par l’analyse des
intervalles entre chaque harmonique.

36
Chapitre III les fréquences propres et vibrations des structures

5. Délimitation des fréquences naturelles dans les structures :

Depuis deux décennies, les chercheurs dans le domaine des vibrations ont fait des
améliorations sur les techniques de prédiction et de mesure dans la précision des fréquences
naturelles. Pour les modèles à haut risque, les analystes et les expérimentateurs ont salué cette
amélioration dans la précision. Toutefois, pour les nombreux produits à faible risque (et donc les
budgets de développement plus petits), les ingénieurs sont souvent confrontés à une question de
savoir si les problèmes structurels habitude influent sur les efforts de test et la modélisation. Les
premiers modes de vibration (caractérisée par une plus grande déviation et moins
d’amortissement) gèrent la plus sauvent les problèmes structurels de fatigue, alors que les formes
des modes supérieurs gèrent les problèmes acoustiques. La valeur intrinsèque de précision est
examinée, au besoin, en prédiction de la réponse dynamique ou de la mesure acoustique.

Les variations dynamiques entre les copies d’une conception commune uniques sont
mesurées. La variabilité due à la répétition dans ce processus de fabrication et le pré-chargement,
les différences dues à la température et les effets thermiques sont les paramètres qui influent sur
la variation des fréquences d’excitation. La connaissance de cette variabilité de fréquence
naturelle aide les concepteurs de base de données à gérer la sensibilité des tests analyses de
demande. L’implication des données mises en évidence guideront la conception et les ingénieurs
de test à partir tan que les données industrielles variées pour répondre plus efficacement aux
besoins variés de leurs clients spécifiques.

6. Introduction à la dynamique de l’oscillateur simple (domaine élastique)

Une construction, qui peut être assimilée à un oscillateur (système masse + ressort), peut être
un amplificateur des secousses qui lui sont communiquées au niveau des fondations (phasage de
Tsol et de Tbat). Aussi les amplitudes des paramètres du déplacement des différents niveaux de la
superstructure sont en général plus importantes que celles du sol d’assise.

6.1. Période propre d’oscillations : oscillations libres

Les paramètres de l’oscillation des structures sous l’effet de celles du sol sont la période (ou
la fréquence) et le(s) mode(s) (« forme ») de ces déformations cycliques. Nous allons voir
que ces deux paramètres dépendent des masses et des raideurs de la structure, de leurs
localisations et du type de liaisons.

6.1.1. Période d’oscillation:

Et la durée d’un cycle d’oscillation mesurée en secondes (inverse de la fréquence

d’oscillation).

37
Chapitre III les fréquences propres et vibrations des structures

6.1.2. Période propre d’oscillation d’un bâtiment:

Période selon laquelle le bâtiment oscille librement suite à un déplacement, c’est-à-dire, vis-à-vis
du séisme, après l’arrêt des oscillations forcées (et jusqu’à l’amortissement complet du
mouvement).

6.1.3. Paramètres de la période propre d’oscillation

Cas de l’oscillateur simple en oscillations libres

L’étude de l’oscillateur simple permet de mettre en place les notions et le vocabulaire

fondamental. Une structure portique d’un seul niveau de plancher rigide sollicitée seulement en
translation et dans une seule direction est une structure qui peut être modélisée comme un
oscillateur simple.

On suppose :

Une structure symétrique du point de vue des masses et des raideurs.

Le plancher indéformable dans son plan.
Les masses concentrées dans les planchers.

On verra l’influence des paramètres définissant la raideur (longueurs et inerties des éléments
de la structure, nature des liaisons entre éléments, matériaux utilisés) et l’influence de la masse
sur les modes propres de vibration.

Exemple : bâtiment à un niveau considéré comme un oscillateur simple.

Figure 3.2: Modélisation d’un bâtiment par un oscillateur simple.

Cet oscillateur simple, oscillateur linéaire à un seul degré de liberté, est soumis à un mouvement
sismique, suivant x, appliqué à sa base. La masse m est soumise en cas d’oscillations à une force
de rappel du ressort Fr et à une force d’amortissement Fa.

38
Chapitre III les fréquences propres et vibrations des structures

X F = k. X T= f (k, m) a = f (T, séisme)

k =f(E, I, L, nature
des liaisons)

Statique Dynamique
A B C
Oscillations libres Oscillations forcées
Figure 3.2: Modélisation d’un bâtiment par un oscillateur simple.

 A : Soumise à une force statique F, la force de rappel du système Fr = F ;

 B: Le système est libre d’osciller après application de cette force statique qui l’avait déplacé
de sa position d’origine. La période de ces oscillations libre, ou période propre du système
est fonction de la masse m et de la raideur du système ;
 C: Excité par les oscillations périodiques du sol dans lequel il est encastré, le système «
répondra » en amplifiant d’un facteur majorant ou minorant les paramètres de déplacement
du sol. Ce facteur dépendra de la concordance ou non de la période propre du système et du
mouvement périodique qui l’excite.

7. Comportement sous oscillations forcées

7.1. Réponse de l’oscillateur Oscillations forcées

7.1.1. Régime harmonique

Dans ce cas la sollicitation est répétée et périodique. La force appliquée est donc caractérisée
par son amplitude et sa période.

L’amplitude des déplacements en réponse du système croît si la sollicitation et la réponse sont

en phase, elle est pondérée par le taux d’amortissement (ξ). Elle pourrait tendre vers l’infini si ξ
était égal à 0.

7.1.2. Régime non harmonique

Les sollicitations sont répétées, mais aléatoires et décomposables en une succession

d’impulsions élémentaires. La réponse à chaque impulsion est à rapprocher de celle d’une
oscillation libre, mais la réponse réelle du système est une convolution entre la succession des
forces imposées et celle des réponses à chaque impulsion.

39
Chapitre III les fréquences propres et vibrations des structures

7.1.3. Réponse d’une structure au séisme

Le contenu spectral du signal sismique propre au site sera déterminant quant à la réponse du
système. La résonance se produira en cas de composantes sismiques de T (fondamentale ou
harmoniques) proche de T bâtiment.

Rappelons que la réaction d’une construction aux secousses sismiques du sol est caractérisée
par les accélérations, les vitesses et les déplacements de ses éléments, notamment des planchers.

7.1.4. Paramètres déterminant la période propre d’un oscillateur simple

L’observation de paires de maquettes (caractérisées comme des oscillateurs simples : quatre

poteaux semblables et masse rassemblée dans le plancher infiniment rigide au regard des
poteaux, un degré de liberté) oscillant librement après application d’une force en translation
permet de mettre aisément en évidence les paramètres de la période propre d’oscillation. On
utilise des paires de maquettes semblables en faisant varier un seul paramètre. On déplace
leur « plancher » de sa position d’origine, on relâche et on peut mesurer (au moins comparé
visuellement) la période d’oscillation de chacune.

7.1.5. Masses différentes

Les deux maquettes sont semblables : même hauteur de poteaux,

même section de poteaux, même matériau des poteaux, même type
de liaisons (encastrements), mais la masse fixée sur le plancher
diffère.

On observe que la maquette dont la masse est plus importante a une période propre
d’oscillation plus longue.

7.1.6. Hauteurs différentes

Les deux maquettes sont semblables : même section de poteaux,

même matériau des poteaux, même type de liaisons
(encastrements), même masse sur le plancher, mais la longueur
des poteaux diffère.

On observe que la maquette dont les poteaux sont plus élancés a une période propre
d’oscillation plus longue.

7.1.7. Sections différentes

Les deux maquettes sont semblables : même hauteur de

poteaux, même matériau des poteaux, même type de liaisons

40
Chapitre III les fréquences propres et vibrations des structures

(encastrements), même masse sur le plancher, mais la section des poteaux diffère.

On observe que la maquette dont la section des poteaux est moindre (moindre inertie) a une
période propre d’oscillation plus longue.

7.1.8. Liaisons au support différentes

Les deux maquettes sont semblables : même hauteur de

poteaux, même section de poteaux, même matériau des poteaux,
même masse sur le plancher, mais le type de liaisons en pied
diffère.

On observe que la maquette articulée en pied a une période propre d’oscillation plus longue
que la maquette encastrée en pied.

7.1.9. Matériaux différents

Les deux maquettes sont semblables : même hauteur de

poteaux, même section de poteaux, même type de liaisons
(encastrements), même masse sur le plancher mais le matériau
des poteaux diffère.

On observe que la maquette dont matériau à un module de déformation moins élevé a une
période propre d’oscillation plus longue.

En note que la première expérience démontre que la période propre d’oscillation croît avec les
masses mises en mouvement. Les quatre autres expériences montrent que la période propre
d’oscillation décroît avec la raideur.

Or le projet architectural va conditionner ces paramètres. Si le programme le permet, le

concepteur pourra opter pour un mode constructif et des élancements qui lui permettront «
d’éloigner » la construction des périodes dominantes du sol (structures rigides sur sols souples,
riches en basses fréquences et structures flexibles sur sols rigides, riches en hautes fréquences).

41
Chapitre IV les méthodes de Monte Carlo

LES METHODES DE MONTE CARLO

1. Aperçu historique des méthodes de Monte Carlo

Les techniques de Monte Carlo ont été utilisées depuis plusieurs siècles, même si ce n’est
qu’après la Seconde Guerre mondiale qu’elles ont acquis un véritable statut de méthode. Ainsi
on en retrouve des traces aussi lointaines qu’à l’époque de Babylone et de l’Ancien Testament.

Plus récemment, en 1777, on les retrouve dans l’une des premières applications célèbres, celle
du problème de l’aiguille de Buffon, pour donner une valeur approchée de π: on jette plusieurs
fois une aiguille de longueur l sur un sol formé de lattes parallèles qui créent des bandes de
largeur d avec l ≤ d. Si p désigne la proportion d’essais ayant touché l’une des droites formant les
séparations entre les lattes, alors le nombre π peut être estimé par 2lp/d. Cet algorithme
convergeait nettement plus lentement que d’autres existants à l’époque.

Au début du vingtième siècle, les méthodes de Monte Carlo furent utilisées pour étudier
l’équation de Boltzmann. On en retrouve également des traces dans les cours de l’école anglaise
de statistiques, bien que leur utilisation dans ce cadre fût uniquement didactique. En 1908,
Student (W.S. Gosset) utilise un échantillonnage expérimental pour estimer un coefficient de
corrélation. Dès lors, la fréquence d’utilisation de ces méthodes s’est amplifiée (Courant,
Friedricks et Lewy en 1928, Kolmogorov en 1931 et Polya en 1938). L’utilisation systématique,
par Ulam, Metropolis et Von Neumann notamment, est intervenue à Los Alamos, pendant la
préparation de la première bombe atomique, où ont collaboré de nombreux mathématiciens et
physiciens de renom.

L’appellation « Monte Carlo » est due à Métropolies, inspiré de l’intérêt d’Ulam pour le
poker, car Monte Carlo est un grand centre de casinos, et a pour origine les liens avec les jeux de
hasard. Le travail à Los Alamos consistait à simuler directement les problèmes de dispersion et
d’absorption de neutrons pour les matériaux fissibles. Dès les premières applications, des
méthodes de réduction de la variance ont été utilisées.

Les recherches étant bien évidemment secrètes à Los Alamos, les premières publications sur
le domaine ne sont intervenues qu’à partir de 1949. Ensuite, le développement de ces méthodes a
accompagné les développements de l’informatique. En 1945 déjà, J. Von Neumann conjecturait
le grand potentiel des ordinateurs pour la simulation stochastique: « L’ordinateur offrira
certainement une nouvelle approche à la statistique mathématique : l’approche par expérience ».
S’est alors aussi posé le problème de la génération de nombres aléatoires sur ordinateur. Partir
des années 1950, les techniques de Monte Carlo ont été utilisées fréquemment et dans de

43
Chapitre IV les méthodes de Monte Carlo

nombreux domaines, et cette évolution a continué depuis. Aujourd’hui, elles occupent une place
majeure dans la pano- plie des outils disponibles pour calculer. [RUBINO et al 2007].

2. Présentation des méthodes de Monte Carlo :

La résolution de nombreux problèmes scientifiques nécessite de calculer des sommes, des
intégrales, ou encore de résoudre des équations ou des problèmes d’optimisation. Les techniques
de calcul direct, encore appelées techniques analytiques, sont très vite dépassées par la
complexité des modèles : elles nécessitent souvent des hypothèses trop fortes, de sorte qu’on ne
peut pas les appliquer, ou alors, comme dans le cas de calcul de sommes, le nombre d’opérations
requises peut être trop important pour être réalisé en un temps raisonnable. On doit alors
nécessairement faire appel à des méthodes d’approximation. Cependant, celles-ci requièrent
également des hypothèses fortes, bien que moins fortes que pour les méthodes analytiques. De
plus, ces méthodes s’avèrent rapidement inefficaces dès que la dimension mathématique du
problème augmente. Afin d’illustrer ce phénomène, on peut remarquer dans le tableau 1 les
vitesses de convergence des règles de quadrature habituelles pour le calcul d’intégrales multiples
(n représente le nombre d’évaluations de la fonction à intégrer). Ce tableau montre qu’en
augmentant la dimension s, on atteint vite des valeurs pour lesquelles les quadratures numériques
deviennent rapidement inutilisables à cause de leur coût exponentiel en s.

Les méthodes de simulation de Monte Carlo peuvent être vues comme des méthodes
d’approximation, même s’il s’agit d’approximations au sens statistique du terme. Comme nous le
verrons, ces méthodes sont moins exigeantes en termes d’hypothèses sur le modèle. Il n’y a pas
un consensus absolu sur une définition précise de ce qu’est une technique de type Monte Carlo,
mais la description la plus habituelle consiste à dire que les méthodes de ce type se caractérisent
par l’utilisation du hasard pour résoudre des problèmes centrés sur un calcul. Elles sont en
général applicables à des problèmes de type numérique, ou bien à des problèmes de nature elle-
même probabiliste. On se sert aussi du hasard pour résoudre d’autres problèmes déterministes
(par exemple, pour trier un vecteur) mais dans ce cas, l’objectif n’est pas ce qu’on associe
habituellement au mot calcul et on ne parle pas de Monte Carlo, on utilise plutôt le terme
«algorithme probabiliste ».

Tableau 4.1 : Vitesse de convergence pour diverses règles de quadrature et pour la méthode
de Monte Carlo, en dimension s et en utilisant N points. [Gerardo et al 2007].
Méthode Vitesse
Règle trapézoïdale N-2/s
Règle de Simpson N-4/s
Règle de Gausse (à m points) N-(2m-1)/s
Monte Carlo N-1/2

44
Chapitre IV les méthodes de Monte Carlo

Une méthode de type Monte Carlo fournira donc une réponse statistique, du type « la valeur
cherchée I se trouve très probablement (par exemple, avec probabilité au moins égale à 0,95)
dans l’intervalle (dit de confiance) ] I1, I2 [ ». La précision est mesurée par la taille I2 - I1 de
l’intervalle de confiance. Si l’on utilise n points échantillonnés de manière indépendante, la
méthode converge en O (N-1/2), quelle que soit la dimension du problème. Comme illustré dans le
tableau 4.1, les méthodes de Monte Carlo convergent plus rapidement que les techniques
numériques dès que la dimension augmente. Dans certains cas, pour des fonctions à plusieurs
dizaines de variables, une méthode de Monte Carlo devient le seul outil capable de donner une
réponse en un temps raisonnable.

Du point de vue des applications, les méthodes de Monte Carlo sont aujourd’hui
indispensables dans des domaines aussi variés et différents que la finance, la mise au point de
nouveaux microcomposants électroniques, la sismologie, les télécommunications, en ingénierie
ou en physique, mais aussi en biologie, en sciences sociales, etc. Par exemple, en chimie, en
physique, ou même en biologie, de nombreux problèmes exigent l’analyse des propriétés
dynamiques d’un nombre tellement grand d’objets (particules atomiques, atomes, molécules ou
macromolécules), que ceci ne peut se faire que par des techniques de type Monte Carlo.

Ces méthodes peuvent en revanche être gourmandes en temps de calcul si elles ne sont pas
correctement utilisées. L’un des enjeux est donc d’obtenir un intervalle de confiance avec la plus
grande précision possible pour un temps de simulation donné. De plus, utiliser les méthodes de
Monte Carlo nécessite aussi de mimer le comportement du hasard sur un ordinateur, par nature
déterministe, via ce qu’on appelle un générateur de nombres pseudo-aléatoires. Ici aussi, une
utilisation inappropriée peut induire des erreurs parfois subtiles. Ce chapitre traite de ces
différents points : les différentes méthodes d’application des méthodes de Monte Carlo, les
procédures de base pour obtenir une bonne précision pour un temps de calcul donné, comment
utiliser les générateurs de nombres pseudo-aléatoires, ainsi que quelques sujets annexes. Nous
avons essayé de sélectionner une liste de références bibliographiques pertinente mais limitée en
nombre. Pour certains sujets (par exemple, sur la simulation de modèles markoviens, ou sur
l’optimisation combinatoire), nous n’avons pas mis de références car les bonnes sources sur ces
thèmes sont vraiment très nombreuses. Sur d’autres sujets (par exemple, sur la génération de
nombres pseudo-aléatoires), les références à utiliser ont été incluses dans la bibliographie.

45
Chapitre IV les méthodes de Monte Carlo

3. Avantages et inconvénients de la méthode Monte Carlo :

Les avantages de la méthode de simulation de Monte Carlo sont les suivants :

 Elle permet d’estimer la forme de la distribution de la fonction de base ;

 Elle est facile à mettre en Œuvre, en particulier pour des fonctions de base explicites.
L’inconvénient majeur de la méthode MCS est le nombre de simulations nécessaire pour
obtenir une estimation correcte de la probabilité de rupture. La précision obtenue est
proportionnelle à la racine carrée du nombre d’itérations; si la probabilité de rupture est très
petite un très grand nombre de simulations est alors nécessaire pour obtenir une adéquate
précision.

Halder et al (2000), ont mentionné que même si le nombre de cycles augmente, les statistiques
de la fonction d’état limite n’ont aucune tendance à la convergence, et ils ont recommandé
l’utilisation de la technique de comptage. [Laïd 2007].
Les étapes de cette méthode sont (Halder et al, 2000) :
1. Définir le problème en termes de toutes les variables aléatoires ;
2. Quantifier les caractéristiques probabilistes de toutes les variables aléatoires ;
3. Générer des valeurs pour ces variables ;
4. Evaluer le problème d’une manière déterministe pour chaque série de réalisation de toutes les
variables aléatoires;
5. Extraire des informations pour N réalisations ;
6. Déterminer l’efficacité et la précision de la méthode.

4. Nombre de simulations requises :

La simulation de Monte Carlo implique l’échantillonnage aléatoirement pour simuler
artificiellement un grand nombre d’expériences et d’observer les résultats, par exemple, pour le
cas d’analyse de fiabilité des structures, chaque valeur simulée aléatoirement X donne une valeur
d’une expérience x. La fonction d’état limite G(x) est évaluée pour conclure si la configuration
tirée est dans le domaine de succès ou bien d’échec.
On définit la fonction d’état limite comme :
( ) ≤ 0, ℎ ± é
( )=
( ) > 0, ℎ ± é ℎ

Si on répète l’opération précédente n fois, la probabilité de succès Ps est donnée

approximativement par :
( ( ) )
= (4.1)

Où n (G(x) ≤ 0) est le nombre d’essai ou G(x) ≤ 0, et N est le nombre d’essai. Évidemment le

46
Chapitre IV les méthodes de Monte Carlo

nombre N requis est en fonction d’exactitude souhaitée pour Ps.

La fonction indicatrice est définit comme suit :
1, ( )≤0
=
0, ( )>0

Une estimation de nombre de simulation requise pour donner un intervalle de confiance de Ps

souhaité est nécessaire afin de connaitre le nombre minimal de N pour avoir cet intervalle de
confiance.

Puisque G(x) est une VA, la fonction indicatrice ID est aussi une VA, qui prend seulement
une des deux valeurs 0 ou 1. Il est issu du théorème de central limite que la distribution de
donné par la somme des fonctions d’échantillons indépendants approche une distribution normal
quand le nombre d’échantillons N tend vers l’infini.

Où P est l’estimateur de la probabilité de succès Ps.

La moyenne E(P ) de la distribution de P est donnée par :

=∑ [1( é )] (4.2)

Et la variance de l’estimateur de probabilité de succès est :

= ∑ 1 [ é ] − ∑ 1[ é ] (4.3)

En se basant sur que le théorème de central limite est appliqué, l’intervalle de confiance peut être
donné par :
(− < − <+ = (4.4)
Donc pour un intervalle de confiance C=95%, k=1.96 :
− 1.96 < < + 1.96 = (4.5)

47
Chapitre IV les méthodes de Monte Carlo

Figure 4.1 : Distribution de probabilité de .

Broding et al (1964), suggère que le nombre de simulation nécessaire est plus de 3000
simulations, d’autres
autres ont suggéré que le nombre de simulations est de l’ordre
l ordre de 10.0000
10.0000-20.000
pour approximativement un intervalle de confiance de 95 %. Les règles ci-
ci-dessus souvent utilisé,
n’indiquent pas l’analyste
analyste beaucoup au sujet de l’exactitude
l dans n’importe
importe quelle analyse
particulière de Monte Carlo, un outil utile à cette fin est de tracer les valeurs de ll’estimateur de
Ps et de l’estimateur
estimateur sur leur écart type (Figure 4.2).

Le nombre
re de simulations requises
requises est étudié, on a utilisé une seule loi de probabilités, log
normale pour générer des échantillons de l’expérience
l expérience qui représentent les valeurs de
l’amortissement,
amortissement, et faire les calculs nécessaires.

La fonction limite G(x) est choisie

choisie de telle façon, que les valeurs des réponses spectrales sont
dans l’intervalle ± .

48
Chapitre IV les méthodes de Monte Carlo

Figure 4.2 : Convergence de l’estimateur

estimateur de probabilité de succès en fonction de nombre
d’échantillon
échantillon N pour une loi log normale.

Typiquement de telles graphes, montrent que ces mesures sont réduits à mesure que le
nombre d’échantillons
échantillons est augmenté et qu’un
qu un degré de stabilité est atteint à un nombre
suffisamment élevé d’échantillons.
échantillons. Le taux de convergence et leur stabilité dépendent de la
qualité du générateur
érateur de nombre aléatoire
aléatoir étant employé. [E. Melchers 1999].

D’après ce graphe,, faites pour la

l loi de probabilité, on a choisis un nombre dd’échantillons
N=30.000,
000, qui vérifie les conditions cités ci-dessus,
ci dessus, pour les prochaines applicati
applications numériques,
La stabilité du graphe est apparu a partir approximativement de N=20.000,
N=20 000, en contrepartie, on ne
peut pas prendre le nombre maximal de N, à cause de temps de calcul qui devient important, par
conséquence, le calcul devient couteux.

5. Génération des nombres aléatoires :

A la base de toute simulation, il y a l’utilisation
l utilisation de nombres aléatoires en grande quantité. De
plus, pour qu’une
une simulation soit fiable il faut que les nombres aléatoires utilisés aient toutes les
propriétés que l’on
on attend. Ainsi, il ne suffit
suf pas de disposer d’une
une liste finie de 100 ou même
d’un
un million de nombres aléatoires et de l’utiliser
l utiliser en boucle pour des simulations. En bref, la
production de nombres aléatoires en grandes quantités n’est
n est pas une simple affaire.

49
Chapitre IV les méthodes de Monte Carlo

L’exigence d’utiliser des nombres aléatoires dans la science s’est manifestée au début du
siècle passé. En 1927, une liste de 41 600 nombres aléatoires pour usage scientifique, produite
par Leonard Tippett, a été publiée par Cambridge University Press. Ensuite, La fondation
RAND, en 1955, publia A Million Random Digits with 100,000 Normal Deviates, sur la base
d’une simulation par ordinateur avec un algorithme qui aujourd’hui est considéré comme
dépassé. Déjà à l’époque, certains soulevaient de sérieux doutes sur la possibilité de produire des
nombres vraiment aléatoires de façon automatique. Neumann, en 1951, remarquait justement que
par leur propre nature il ne peut pas exister une méthode algébrique capable de produire des
nombres aléatoires. Cela montre bien que la production automatique de nombres aléatoires a été
un sujet controversé.

Des suites décimales de nombres normaux spéciaux comme f vus comme suite aléatoire de
chiffres décimaux ont aussi été proposées (Dodge, 1996). En effet, Borel en 1909 démontra
qu’un nombre réel pris au hasard sur l’intervalle [0, 1] est normal avec probabilité 1, c’est-à-dire
que toutes les différentes séquences finies de chiffres (sous une base fixée) apparaissent selon
une distribution de fréquences uniforme, en faisant d’un nombre normal un bon candidat pour
fournir ainsi une suite de nombres aléatoires.

L’histoire de la génération des nombres aléatoires commence avec des machines plus ou
moins complexes dont le but était de piocher des boules numérotées d’une urne. Encore
aujourd’hui, en dépit d’algorithmes performants et de qualité élevée pour la génération de
nombres aléatoires en grandes quantités, de telles machines sont utilisées pour les loteries à
numéros et les ordinateurs ne les remplaceront-ils probablement jamais. Il y a une raison
philosophique à cela, celle qui est au fond soulevée par Neumann : un algorithme implémenté
produira une suite de nombres dont la nature est déterministe, et donc d’une certaine manière
prévisible, et la suite aura seulement l’apparence d’être aléatoire.

6. Échantillon d’une variable aléatoire de loi donnée :

6.1. Simulation d’une variable de loi uniforme :
Une suite ui de nombres pseudo-aléatoires uniformes est un échantillon uniformément
distribué sur un intervalle, en général [0, 1]. Le processus est initié par une semence u0. Chaque
semence engendre une suite déterministe, d’où l’expression de nombres pseudo-aléatoires, mais
le choix de la semence peut être confié à un aléa : par exemple à partir des secondes de l’horloge
du calculateur. La plupart des logiciels de calcul et même certaines calculettes possèdent une
fonction de génération sous les noms RANDOM, RND, RAN...

De part sa construction mathématique, un générateur possède certaines propriétés :

50
Chapitre IV les méthodes de Monte Carlo

Périodicité : le codage numérique est effectué sur un nombre fini de bits et trouver la période
p tel que : ui + p = ui est possible. Il est bien sûr nécessaire de disposer d’un générateur dont la
période est largement supérieure à la taille de l’échantillon. La période du générateur « Mersenne
Twister » de Matsumoto et Nishimura est 21937 - 1. [Lemaire 2008].

Indépendance des réalisations: Prob {Ui = a |ui - 1 = b} = Prob {Ui = a} pour tout a, b ϵ
[0, 1[. -uniformité : le générateur ne doit pas remplir l’intervalle par strates successives.

Uniformité : le générateur ne doit pas remplir l’intervalle par strates successives.

Il importe de contrôler la qualité du générateur par :

 Le calcul des estimateurs non biaisés des échantillons (moyenne, écart-type) et leur
comparaison avec les valeurs attendues ;

 Des tests d’adéquation ᵡ2 ou Kolmogorov-Smirnov sur l’échantillon total et sur des sous-
échantillons pour détecter un manque éventuel d’uniformité ;

 Des tests de succession pour vérifier l’indépendance entre les réalisations successives ;

 Des tests de tendance pour détecter l’évolution à la hausse ou à la baisse de sous-

échantillons successifs ;

 Des tests de cavité pour rechercher l’éventuelle absence d’une valeur dans un intervalle
donné.

Ces précautions étant prises, il faut également se rappeler qu’il s’agit d’une génération
statistique nécessitant un nombre de tirages N suffisant. La statistique montre que la convergence
est en √ .

La figure 4.3 représente un histogramme type résulte simulation d’une variable de loi
uniforme.

Figure 4.3 : Histogramme de 1 000 tirages d’une loi uniforme répartis en 25 classes
[Lemaire2008].

51
Chapitre IV les méthodes de Monte Carlo

Figure 4.4 : Illustration de la transformation inverse [Lemaire 2008].

6.2. Simulation d’une variable de loi quelconque :

6.2.1. Loi uniforme sur [a, b [

Il suffit d’effectuer la transformation :
[0,1[ → = +( − ) [ , [ (4.6)
 Cas général :

La méthode de la transformation inverse donne une solution générale. U étant (0,1), la

variable = ( ) possède une fonction de répartition FX(X). En effet, puisque FX est
strictement croissante :
( ≪ Χ) = ( ( ) ≪ Χ) = ≪ ( ) = ( ) (4.7)

Il suffit donc de donner un nombre Ui et de déduire la variable correspondante Xi par :

= ( ) (figure 4.5). Ce calcul requiert l’inversion de la fonction de probabilité de la
variable X ce qui est parfois délicat, en particulier pour la loi de Gauss.

7. Conclusion :
La méthode de simulation de Monte-Carlo est simple à mettre en œuvre à l’aide des
nombreux logiciels qui possèdent des fonctions de génération de nombres aléatoires de lois
quelconques.

Si le calcul des tendances centrales d’une distribution par une analyse de sensibilité ne
nécessite qu’un petit nombre de réalisations, en revanche la recherche de valeurs faibles de
probabilité est extrêmement coûteuse : 10 N+2 à 10 N+3 réalisations pour Pf ≈10-N.

52
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

EFFETS DES INCERTITUDES DES FREQUENCE PROPRES DE

VIBRATIONS SUR LES SPECTRES DE REPONSES
1. Introduction :
Dans le but d’estimer de manière plus fiable la réponse sismique d’une construction, il est
indispensable de considère l’effet des incertitudes des paramètres dynamiques sur la réponse
structurale. Ces incertitudes, causées essentiellement par la variation des propriétés des
matériaux et les approximations dans l’estimation des paramètres des modèles mathématiques de
structure, peuvent introduire une variation significative de la réponse structurale. Pour certaines
structures, telles que les parkings de véhicules par exemple, la masse relative à chaque niveau est
fonction du temps jours, saisons) et il est pratiquement impossible de prédire sa valeur exacte
lors d’un prochain séisme. En outre, si la structure considérée est fondée sur un sol meuble et que
le phénomène d’interaction sol-structure ne peut être ignoré, les caractéristiques de la structure
dépendront des caractéristiques dynamiques du sol de fondation qui peuvent être différentes
avant, pendant et après le tremblement de terre.

L’incertitude liée aux fréquences propres de vibrations des systèmes structuraux est identifiée
et discuté. Une technique de simulation en utilisant la Méthode de Monte Carlo est utilisée pour
examiner les effets de la variabilité des fréquences sur la réponse dynamique des systèmes
structuraux. Les résultats démontrent que les incertitudes influent effectivement sur la réponse
des systèmes. Les effets sont plus prononcés pour une variabilité plus élevée des valeurs des
fréquences.

L’objectif de cette étude est d’étudier l’influence de l’incertitude sur les fréquences sur la
réponse dynamique des systèmes structuraux, on quantifie la réponse des structures sous forme
de spectre de réponse.

2. Effet de l’incertitude des fréquences proprs des vibrations sur les

spectres de réponse :
Après une brève discussion de l’évaluation des valeurs de fréquence, une description
probabiliste de la réponse de système en termes de statistiques de la variabilité de la fréquence
est présentée en utilisant une simulation avec la méthode de Monte Carlo. Pour atteindre ce but,
on doit générer des échantillons distribuent suivant la loi de probabilité qui a fourni l’ajustement
aux variations de fréquence et calculer la réponse des structures « sous forme de spectre de
réponse » pour chaque échantillon et analyser ces résultats, en calculant les paramètres
statistiques des réponses spectrales et en discutant sur leurs distributions.

54
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

N’importe quelle simulation qui se fonde sur des nombres aléatoires exige qu’il y ait une
certaine manière de produire des nombres aléatoires. La plupart des programmes disponibles
(Fortran, Matlab, ...) peuvent produire des nombres aléatoires pour des distributions couramment
utilisées. Dans notre travail on a utilisé le logiciel Matlab pour générer ces distributions et faire
le calcul nécessaire.

Dans un premier temps, on se basant sur des considérations physiques du problème, nous
avons testé quatre lois de densité de probabilité, la loi Uniforme, la loi Normal, la loi Log normal
et la loi Gamma. Les trois lois, Uniforme, Normal et la loi Gamma, sont ensuite exclues de notre
travail à cause de considération physique, à cause d’apparence des valeurs négatives pour ces
lois. Donc, on a constaté que la physique du problème n’était restituée que par une loi de
probabilité seulement. Cette loi a été retenue pour la suite de notre travail.

La simulation de Monte Carlo nécessite d’utiliser la loi de probabilité qu’elle fournit le

meilleur ajustement aux variations de variable aléatoire. L’étude fait par [Haviland. 1976] a
prouvé que les distributions Log normal a fourni le meilleur ajustement aux variations de
fréquence.

Nous présentons dans ce qui suit, les principaux résultats d’une simulation numérique de
l’effet des incertitudes inhérentes aux valeurs de la fréquence propre sur la réponse sismique
maximale des systèmes à caractéristiques aléatoires. A cet effet, l’excitation est définie sous
forme d’une accélérogramme, deux enregistrements accélérométriques sont utilisés pour
quantifier cette influence. Le séisme d’El-Centro du 8 mai 1940 et de Parkfield du 27 juin 1966.
Une valeur fixe du pourcentage de la fréquence critique  10% a été considérée pour l’ensemble
des spectres.

Bien que l’évaluation de Cov de fréquence il est suggéré d’une valeur de 10%. La distribution
Log normal est avérée convenable pour décrire la variabilité dans la fréquence.

3. Applications numériques :
Les résultats de la simulation numérique sont présentés, avec une description de la fréquence
en utilisant la distribution Log normal est avérée convenable pour décrire la variabilité dans la
fréquence. Pour les deux séismes, Le séisme d’El-Centro du 8 mai 1940 et de Parkfield du 27
juin 1966.

Les figures (5.1, 5.2) montrent, à titre illustratif, les valeurs de réponse spectrales, obtenus
pour les réponses en déplacement, pseudo-vitesse et pseudo-accélération d’un oscillateur à
paramètres dynamiques incertains, en représentant les valeurs moyennes ± un écart type des
réponses spectrales correspondantes en vue de prendre en considération les incertitudes sur les

55
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

propriétés dynamiques. On constate que l’incertitude sur la fréquence critique varie sensiblement
pour les spectres SD, PSV et PSA. On remarque aussi que l’écart type est caractérisé par
d’importantes fluctuations pour les spectres d’accélérogrammes réels, il varie de manière assez
uniforme. On peut observer, à partir des résultats des figures (5.1, 5.2), notamment pour les
spectres en pseudo-vitesse, que même de petites incertitudes dans les propriétés structurales
peuvent avoir une influence considérable sur les amplitudes spectrales.

Les figures (5.1a, 5.2a) représentent les résultats obtenus en faisant la simulation de Monte
Carlo, avec une distribution Log normal des valeurs de la fréquence avec un coefficient de
variation 10 %. Les figures (5.1b, 5.2b) représentent les résultats obtenus par Zermout et
Tiliouine [ZERMOUT 2007], en utilisant une méthode analytique. La variance de l’amplitude
moyenne quadratique due aux incertitudes sur les propriétés dynamiques peut évaluée de
manière approximative, en développant le carré de l’amplitude de la fonction de transfert en une
série de Taylor au voisinage des valeurs moyennes j, en ne retenant que les termes du premier
ordre.

Un spectre de réponse d’accélérogrammes réel constitue une information synthétique

extrêmement utile, sur le contenu fréquentiel et l’amplitude du signal ; il comporte en général
trois parties :

Une zone à basse fréquence où la réponse de l’oscillateur est contrôlée essentiellement

par le déplacement d’appui, les basses fréquences correspondent à des oscillateurs dont le ressort
est extrêmement souple ; la masse reste alors pratiquement immobile par rapport aux axes
absolus, puisque l’effort que lui transmet le ressort est quasiment nul et son déplacement relatif
maximal par rapport à l’appui est donc très voisin du déplacement absolu maximal de celui-ci.
En passant à la limite (ressort infiniment souple, fréquence nulle ou période infinie), la masse ne
bouge pas dans les axes absolus et il y a égalité stricte entre ces déplacements maximaux (relatif
pour la masse, absolu pour l’appui), indépendamment de la fréquence. Cette indépendance est
remarquée dans les graphes précédant (les Figures 5.1, 5.2), où on voit que l’influence de la
variation de la fréquence est diminuée pour la zone de basses fréquences ;

56
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

Une zone à haute fréquence, où la réponse de l’oscillateur est contrôlée essentiellement

par l’accélération du support. Cette zone va d’une fréquence de l’ordre constitue une
approximation de la fréquence de coupure ; au-delà de cette fréquence de coupure, la réponse de
l’oscillateur est du type rigide (il se déplace en bloc avec son support) et il y a égalité entre la
pseudo-accélération et l’accélération maximale du support, quelle que soit la fréquence, La chose
qui est remarquée dans ces graphes, où il apparaît clairement que l’influence de la variation de la
fréquence est diminuée pour la zone de haute fréquence aussi ;

Une zone de fréquences intermédiaires située entre les deux zones précédentes où les
réponses en pseudo-accélération et en pseudo-vitesse sont généralement amplifiées par rapport
aux valeurs maximales de l’accélération et de la vitesse d’appui, pour des fréquences compris
entre 1% et 20%. On remarque une grande variabilité des réponses, même pour une petite
variabilité de fréquence [Betbeder-matibet. 2003].

57
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

100 100

10 10
SD, cm

SD, cm
1 1

0.1 0.1
moyen moyen
0.01 0.01
moyen  moyen 
0.001 0.001
0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz
100 100

PSV, cm/sec
PSV, cm/sec

10 10

moyen moyen
moyen  moyen 
1 1
0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz
1000 1000
PSA, cm/sec 2

PSA, cm/sec2

100 100
moyen moyen
moyen  moyen 
10 10
0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz
(a) (b)
Figure 5.1 : Spectre moyen±1 écart type en déplacement, pseudo-vitesse et pseudo-
accélération. Pour :a) méthode analytique, b) simulation de MMC. Pour une loi Log normal, Le
spectre correspond au séisme d’El-Centro du 18 mai 1940.

58
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

10 10

1 1

SD, cm
SD, cm
0.1 0.1

0.01 moyen 0.01 moyen

moyen  moyen 
0.001 0.001
0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz
100 100
PSV, cm/sec

PSV, cm/sec
10 10
moyen moyen
moyen  moyen 
1 1
0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz

1000 1000
PSA, cm/sec 2

PSA, cm/sec2

100 100

10 moyen 10 moyen
moyen  moyen 
1 1
0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz
(a) (b)
Figure 5.2 : Spectre moyen ± 1 écart type en déplacement, pseudo-vitesse et pseudo -
accélération. Pour :a) méthode analytique. b) simulation de MMC. Pour une loi Log normal. Le
spectre correspond au séisme de Parkfield du 27 juin 1966.

59
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

La comparaison entre les résultats obtenus pour la loi de distributions avec la simulation de
Monte Carlo, est faite dans les tableaux ci-dessous. Pour différente fréquence de spectre, les
statistiques de PSA (moyenne et écart type) sont obtenues à partir de simulation numérique, pour
chaque fréquence on peut calculer une valeur de coefficient de variation qui varie sensiblement
en fonction de fréquence, ce qui permettre de faire une étude statistique de ces coefficients de
variation pour avoir une vue large de leurs variations en fonction de fréquence, en calculant le
coefficient de variation de la distribution de coefficient de variation de PSA, la plage de variation
de ce coefficient, pour une valeur de coefficient de variation de fréquence Cov = 10 %.

Les tableaux (1,2) représentent les valeurs des paramètres statistiques qui concernent le
coefficient de variation de PSA pour la valeur de Cov de l’amortissement Cov = 10%. Pour les
deux accélérogrammes, l’accélérogrammes de séisme d’El-Centro du 18 mai 1940, et celle de
séisme de Parkfield du 27 juin 1966. Donc, on trouve la plage de variation, la moyenne et l’écart
type de la distribution des valeurs de coefficient de variation Cov de PSA, chaque une de ces
valeurs de Cov est obtenue après une étude statistique des distributions de PSA pour chaque
fréquence considérée.

Les conclusions qu’on souhaite de les tirent de cette étude statistique est la quantification de
l’effet des incertitudes inhérentes aux valeurs de la fréquence sur la réponse structurale, on a
montré que cet effet est considérable et ne peut pas être négligé. Par exemple, une variation des
valeurs de fréquence avec un Cov = 10% conduit à une variation des réponses de plus que Cov=
20%, qui est une valeur très importante.

La dépendance entre la variation des caractéristiques statistiques de la fréquence et la

variation de celle ci est aussi remarquée, où on à obtenu une plage de variation des Cov de
fréquence de l’ordre de 1.54% à 42.90% en fonction de la fréquence, donc il ya une grande
différence entre les deux valeurs ce qui implique la grande relation entre la variation de la
fréquence.

60
Chapitre V Effets des incertitudes des fréquences propres de vibrations sur les spectres de réponses

4. Conclusion
Pour l’estimation probabiliste de la réponse sismique, la technique de simulation de Monte
Carlo a été utilisé, Néanmoins, pour la génération des valeurs de l’amortissement, il a été
nécessaire de déterminer le nombre optimal d’échantillons sue la base d’une procédure de calcul
basé sue la stabilité des fluctuations des paramètres statistiques de l’estimateur de la probabilité
de défaillance retenue et ceci pour cette loi de probabilité.

Une fois les paramètres de simulations sont retenus, il a été procédé à l’étude de l’effet de
fonction de densité de probabilité de la fréquence sur la réponse sismique.

En concluant cette partie de travail, les conclusions suivantes peuvent être tirées :

Les valeurs spectrales varient sensiblement avec l’amortissement de l’oscillateur,

notamment dans le domaine des basses fréquences. Cette variation est d’autant plus
sensible que la valeur de l’amortissement est plus faible.

De façon générale, les résultats numériques obtenus montrent que même de

petites incertitudes dans les caractéristiques dynamiques peuvent avoir une incidence
significative sur les amplitudes spectrales. En général, pour une incertitude sur
l’amortissement, l’influence décroît avec une augmentation de la fréquence.

On remarque que la variation de la fréquence peut engendrer des grandes

variations sur la réponse des structures, où on observe des grands valeurs de coefficients
de variations de réponse peut atteindre 42.90% pour un coefficient de variation de la
fréquence Cov = 10%.

La simulation en utilisant la méthode de Monte Carlo fournit une méthode simple

et pratique pour l’évaluation de la variabilité des amplitudes de la réponse spectrale
induite par de petites incertitudes sur les paramètres dynamiques.

L’influence de variation de la fréquence dépend de fréquence propre de structure,

où on a observé pour la même variation de la fréquence une différence de variation de
réponse pour celle ci.

61
Chapitre VI L‘influence des variations des caractéristiques statistiques de la fréquence

L’INFLUENCE DES VARIATIONS DES CARACTERISTIQUES

STATISTIQUES DE L’AMORTISSEMENT
1. L’influence des variations des caractéristiques statistiques de la
fréquence :
Dans cette section, l'évaluation de l'influence des variations des caractéristiques statistiques de
la fréquence sur la statistique du spectre de réponse doit être étudiée. Dans ce but, le coefficient
de variation Cov soit varié de 0.05 à 0.2 et prend les valeurs 0.05, 0.1, 0.15 et 0.2.

Nous présentons dans ce qui suit, les principaux résultats d'une simulation numérique avec
une description de l'amortissement en utilisant la loi de probabilité, La loi Log normal pour
différentes valeurs de coefficient de variation Cov (0.05, 0.1, 0.15 et 0.2), pour les deux séismes.
Le séisme d'El-Centro du 8 mai 1940 et de Parkfield du 27 juin 1966.

Dans les tableaux suivants, on résume les résultats numériques de la simulation de Monte
Carlo pour estimer l'effet de variation des caractéristiques statistiques de la fréquence sur les
statistiques de la réponse spectrale, pour voir comment une variation de coefficient de variation
de la fréquence peut influencer la réponse des systèmes, donc l'importance d'avoir une bonne
connaissance, lors de faire une étude ou d'établir des règlements, les valeurs les plus approprié
des fréquences ou des périodes en compte les incertitudes inhérentes aux paramètres structuraux.

Pour les différentes fréquences de spectre, les statistiques de PSA (moyenne et écart type)
sont obtenues à partir de simulation numérique, donc pour chaque fréquence on peut calculer une
valeur de coefficient de variation qui varie sensiblement en fonction des fréquences, donc on
peut faire une étude statistique de ces coefficient de variation pour avoir une vue large de leurs
variations en fonction de fréquence, en calculant le coefficient de variation de la distribution de
coefficient de variation de PSA et la plage de variation de ce coefficient, pour chaque valeur des
trois valeurs de coefficient de variation de la fréquence.

63
Chapitre VI L‘influence des variations des caractéristiques statistiques de la fréquence

2. Applications numériques pour La loi Log normal :

Nous présentons dans ce qui suit, les principaux résultats d'une simulation numérique avec
une description de la fréquence en utilisant La distribution Log normal qui s'est avérée pour
décrire convenablement la variabilité dans les fréquences. Les tableaux (6.1, 6.2) représentent les
valeurs des paramètres statistiques qui concernent le coefficient de variation de PSA pour
différente valeurs de Cov de la fréquence (5%, 10%, 15% et 20%). Pour les deux
accélérogrammes, accélérogrammes de séisme d'El-Centro du 18 mai 1940, celle de séisme de
Parkfield du 27 juin 1966.

Tableau 6.1: valeurs de coefficient de variation de PSA. Le spectre correspond au séisme

d’El-Centro du 18 mai 1940.

Cov de la fréquence 5% 10 % 15 % 20 %

Moyenne de Cov 19.36% 11.06% 14.49 % 17.47 %

Ecart type de Cov 6.71% 30.90% 39.78 % 47.23 %

Plage de Cov de PSA 1.34% -16.61% 2.00% -26.13% 3.65% -29.19% 5.31 %- 30.30 %

Tableau 6.2: valeurs de coefficient de variation de PSA. Le spectre correspond au séisme de

Parkfield du 27 juin 1966.

Cov de la fréquence 5% 10 % 15 % 20 %

Moyenne de Cov 9.23% 16.02% 27.38% 27.40%

Ecart type de Cov 29.26% 50.12% 80.45% 80.32%

Plage de Cov de PSA 0.46% -25.96% 1.54% -42.57% 2.84% -54.77% 2.89% -55.34%

64
Chapitre VI L‘influence des variations des caractéristiques statistiques de la fréquence

100 100 100 100

10 10 10 10

1 1 1 1
SD, cm

SD, cm

SD, cm

SD, cm
0.1 0.1 0.1 0.1
moyen moyen moyen moyen
0.01 0.01 0.01 0.01
moyen  moyen  moyen  moyen 
0.001 0.001 0.001 0.001
0.1 1 10 0.1 1 10 0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz Fréquence, Hz Fréquence, Hz

100 100 100 100

PSV, cm/sec

PSV, cm/sec

PSV, cm/sec

PSV, cm/sec
10 10 10 10

moyen moyen moyen moyen

moyen  moyen  moyen  moyen 
1 1 1 1
0.1 1 10 0.1 1 10 0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz Fréquence, Hz Fréquence, Hz

1000 1000 1000 1000

PSA, cm/sec2

PSA, cm/sec2
PSA, cm/sec2

PSA, cm/sec2

100 100 100 100

moyen moyen moyen moyen

moyen  moyen  moyen  moyen 

10 10 10 10
0.1 1 10 0.1 1 10 0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz Fréquence, Hz Fréquence, Hz
(a) (b) (c) (d)

Figure 6.1 : Spectre moyen±1 écart type en déplacement, pseudo−vitesse et

pseudo−accélération pour différentes Cov de la fréquence : a) Cov =5 %, b) Cov =10 %,
c) Cov =15 %. d) Cov =20 % pour une loi log normal, Le spectre correspond au séisme d’El-
Centro du 18 mai 1940.

65
Chapitre VI L‘influence des variations des caractéristiques statistiques de la fréquence

10 10 10 10

1 1 1 1
SD, cm

SD, cm

SD, cm

SD, cm
0.1 0.1 0.1 0.1

moyen moyen moyen

0.01 0.01 0.01 moyen 0.01
moyen  moyen  moyen 
moyen 
0.001 0.001 0.001 0.001
0.1 1 10 0.1 1 10 0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz Fréquence, Hz Fréquence, Hz

100 100 100 100

PSV, cm/sec
PSV, cm/sec

PSV, cm/sec

PSV, cm/sec
10 10 10 10

moyen moyen moyen

moyen
moyen  moyen  moyen 
moyen 
1 1 1 1
0.1 1 10 0.1 1 10 0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz Fréquence, Hz Fréquence, Hz

1000 1000 1000 1000

PSA, cm/sec2

PSA, cm/sec2

PSA, cm/sec2

PSA, cm/sec2
100 100 100 100

10 moyen 10 moyen 10 10 moyen

moyen
moyen  moyen  moyen 
moyen 
1 1 1 1
0.1 1 10 0.1 1 10 0.1 1 10 0.1 1 10
Fréquence, Hz Fréquence, Hz Fréquence, Hz Fréquence, Hz
(a) (b) (c) (d)

Figure 6.2 : Spectre moyen±1 écart type en déplacement, pseudo−vitesse et

pseudo−accélération pour différentes Cov de la fréquence : a) Cov =5 %, b) Cov =10 %,
c) Cov =15 %. d) Cov =20 % pour une loi log normal, Le spectre correspond au séisme
Parkfield du 27 juin 1966.

66
Chapitre VI L‘influence des variations des caractéristiques statistiques de la fréquence

3. Conclusions :
Pour l'estimation probabiliste de la réponse sismique, la technique de simulation de Monte
Carlo a été utilisé, Néanmoins, pour la génération des valeurs de fréquence, il a été nécessaire de
déterminer le nombre optimal d'échantillons sur la base d'une procédure de calcul en fonction de
la stabilité des fluctuations des paramètres statistiques de l'estimation de la probabilité de
défaillance retenue pour cette loi de probabilité.

On a étudié l'influence des fluctuations des valeurs des fréquences sur celle de la réponse
sismique. On remarque que plus la fluctuation de la fréquence augmente, plus que la fréquence
de la réponse augmente et ça quelle que soit la fonction de densité de probabilité et l'action
sismique considérés.

Cette étude a montré l'importance de la prise en considération des incertitudes sur les
caractéristiques structurales dans la conception et le design des structures, il a été montré que les
fluctuations de la réponse peuvent atteindre des valeurs de coefficient de variation dans l'ordre de
0.3 % à 46 %. Ces fluctuations peuvent engendres des désordres certains dans la non-prise en
compte de ces fluctuations peut conduire à la conception des structures non fiable pour un niveau
d'excitation donnée.

Les valeurs spectrales varient sensiblement avec la fréquence de l'oscillateur, notamment dans
le domaine des hautes fréquences. Cette variation est d'autant plus sensible que la valeur de la
fréquence est plus faible.

De façon générale, les résultats numériques obtenus montrent que même de petites
incertitudes dans les caractéristiques dynamiques peuvent avoir une incidence significative sur
les amplitudes spectrales. En général, pour une incertitude sur la fréquence, l’influence décroît
avec une augmentation de la fréquence.

On remarque que la variation de la fréquence peut engendrer de grandes variations sur la

réponse des structures, où on observe des valeurs plus grands de coefficients de variations de
réponse peut atteindre 46 % pour log normal.

La simulation en utilisant la méthode de Monte Carlo fournit une méthode simple et pratique
pour l'évaluation de la variabilité des amplitudes de la réponse spectrale induite par de petites
incertitudes sur les paramètres dynamiques.

L'influence de variation de la fréquence dépend de période propre de structure, où on a

observé pour la même variation de celle-ci une différence de variation de réponse pour chaque
fréquence.

67
 Conclusion générale

CONCLUSION GENERALE
Dans le cadre de ce mémoire de master, nous avons été amenés à étudier l’effet des
incertitudes des fréquences propres de vibrations sur la réponse dynamique des structures.

En se basant sur des considérations physiques du problème, nous avons testé quatre lois de
densité de probabilité et les résultats ont montré que la physique du problème n’était restituée
que par une loi de distribution de probabilité seulement, qui est la loi Log normal. Une seule loi a
été retenue pour la suite de notre travail, ce qui est la loi Log normal.

Pour l’estimation probabiliste de la réponse sismique, la technique de simulation de Monte

Carlo a été utilisé, pour la génération des valeurs de la fréquence, il a été nécessaire de
déterminer le nombre optimal d’échantillons sur la base d’une procédure de calcul basé sur la
stabilité des fluctuations des paramètres statistiques de l’estimateur de la probabilité de
défaillance retenue pour la loi de probabilité.

Une fois les paramètres de simulations retenus, il a été procédé à l’étude de l’effet des
fonctions de densité de probabilité de la fréquence sur la réponse structurale. Il a été constaté que
pour la loi de log normal, la convergence de la Méthode de Monte Carlo a été obtenue pour un
nombre minimal N d’échantillons égal à 30000.

L’effet des fluctuations des valeurs de la fréquence sur celles de la réponse sismique montre
que plus les fluctuations de la fréquence augmentent, plus celles de la réponse augmente et ceci
quelque soit la fonction de densité de probabilité et l’action sismique considérées.

Les spectres de réponse obtenus constituent une information synthétique extrêmement utile,
ils comportent en général trois parties :

Une zone à basse fréquence où la réponse de l’oscillateur est contrôlée essentiellement

par le déplacement du support. En passant à la limite (ressort infiniment souple), la masse ne
bouge pas dans les axes absolus et il y a une égalité stricte entre ces déplacements maximaux
(relatif pour la masse, absolu pour le support), indépendamment de la fréquence.

Une zone en hautes fréquences, où la réponse de l’oscillateur est contrôlée

essentiellement par l’accélération du support, dans laquelle on remarque que l’influence de la
variation de la fréquence est moindre.

Une zone de fréquences intermédiaires située entre les deux zones précédentes, dans
laquelle, les valeurs de la réponse spectrale présente des extrema distribués de façon

69
 Conclusion générale

apparemment aléatoire. Ces extrema sont obtenus quelque soit la valeur de la fréquence choisie
dans l’intervalle 1 % à 20 %. On remarque une grande sensibilité des valeurs de la réponse
spectrale aux fluctuations de la fréquence ; en effet, des petites variations de la fréquence
engendrent de relativement importantes variations de la réponse.

Cette étude a montré l’importance de la prise en considération des incertitudes sur les
caractéristiques structurales dans la conception et le design des structures, il a été montré que les
valeurs du coefficient de variation des fluctuations de la réponse et de l’ordre de 10 %. Cette
variabilité très importante de la réponse structurale n’exclue pas l’occurrence de niveaux de
sollicitation très important rendant la structure très vulnérable si celle-ci a été dimensionnée pour
des seuils moyens de réponse.

Cette étude peut être étendue en vue de prendre en considération les effets des incertitudes
systématiques induites en général par l’ingénieur dans les valeurs adoptées pour les paramètres
dynamiques (masse, rigidité, fréquence propre de vibration), et à l’intégration des aspects
fiabilistes dans la conception des structures vis-à-vis des tremblements de terre.

L’étude peut être aussi étendue à l’étude de l’influence de variations de la fréquence sur la
réponse dynamique de structure en considérant les aspects relatifs aux différents règlements
parasismiques.

Dans le cadre de cette thèse, une investigation de la réponse stochastique des structures sous
excitations sismiques aléatoires, a été menée, et trois volets de recherches qui concernent
essentiellement : (i) La génération d’une densité spectrale de puissance compatible avec un
spectre de réponse cible, prenant en compte les effets de la nonstationnarité du mouvement fort
et de la nature transitoire de la réponse structurale ; (ii) investigation analytique et numérique de
l’effet des incertitudes des valeurs d’amortissement critique et de fréquences naturelles sur la
réponse sismique maximale des systèmes à caractéristiques aléatoires ; (iii) étude de la
performance relative de quelques méthodes de superposition modalospectrales pour
l’estimation de la réponses sismique maximale des structures, ont été explorés.

L’utilisation de la DSP définie à partir du spectre de Fourier et de la durée stationnaire du

mouvement fort ne permet d’obtenir une réponse précise que pour les structures rigides. En
revanche, l’utilisation d’une DSP compatible avec un spectre de réponse cible présentée dans
cette thèse, permet non seulement d’obtenir des résultats précis pour une gamme de fréquences
plus large, mais aussi une meilleure estimation des pics de la réponse les plus significatifs
correspondant à la phase forte du mouvement sismique. En outre, cette approche permet de

70
 Conclusion générale

fournir un mode de représentation réaliste des caractéristiques du séisme, et de prendre

également en considération les effets de nonstationnarité du mouvement fort et du caractère
transitoire de la réponse sismique des structures. Le calcul précis de la DSP compatible avec un
spectre de réponse permet d’entrevoir des perspectives présentant un intérêt considérable,
notamment pour une estimation probabiliste plus réaliste de la réponse sismique des ouvrages à
risque, pour une magnitude, une distance épicentrale et des conditions géologiques et locales de
site données.

Dans cette thèse, une approximation de premier ordre autour des valeurs moyennes des
paramètres incertains est utilisée en vue d’obtenir la variance des amplitudes spectrales
moyennes quadratiques en déplacement des systèmes à caractéristiques dynamiques aléatoires.
Les équations nécessaires pour l’extension de la formulation théorique en vue du calcul des
moyennes et écarts types des spectres de réponse à paramètres incertains en pseudo vitesse et
pseudo accélération sont également développées. L’approche stochastique décrite dans la
présente thèse fournit une méthode simple et pratique pour l’évaluation de la variabilité des
amplitudes de la réponse spectrale induite par de petites incertitudes sur les paramètres
dynamiques. Les principaux résultats numériques obtenus pour diverses combinaisons des
incertitudes sur les valeurs des caractéristiques dynamiques et pour des excitations sismiques
différentes, permettent de tirer les conclusions suivantes :

Le facteur de pic (qui représente la valeur statistique de l’amplitude du plus grand pic de
réponse normalisée par l’amplitude moyenne quadratique de la réponse pour un oscillateur
donné) est pratiquement insensible aux variations des caractéristiques dynamiques. Cette
observation est valide indépendamment des excitations sismiques considérées.

L’amplitude moyenne quadratique varie sensiblement avec la fréquence de l’oscillateur,

notamment dans le domaine des basses fréquences. Cette variation est d’autant plus sensible que
la valeur de l’amortissement est plus faible et que le contenu fréquentiel de l’excitation est à
bande large. Il en résulte que les variations de l’amplitude du spectre de réponse probabiliste sont
essentiellement gouvernées par celles de l’amplitude du RMS.

De façon générale, les résultats numériques obtenus montrent que même de petites
incertitudes dans les caractéristiques dynamiques peuvent avoir une incidence significative sur
les amplitudes spectrales. En général, pour une incertitude sur l’amortissement, l’influence
décroît avec une augmentation de la fréquence. En revanche, pour une incertitude sur la
fréquence propre, l’influence décroît légèrement avec une diminution de la fréquence. On

71
 Conclusion générale

constate aussi que de manière générale, l’influence des incertitudes décroît avec une
augmentation de la raideur du sol.

Les méthodes modalospectrales proposées par différents investigateurs pour le calcul de la

réponse des structures à plusieurs degrés de libertés caractérisés par des modes de vibration
rapprochés, prennent en compte l’effet de l’interaction modal à travers des coefficients de
corrélation, définis sous différentes hypothèses simplificatrices et différentes approximations de
l’excitation sismique. La méthode probabiliste qui utilise une DSP compatible avec un spectre de
réponse cible, représente une approche plus précise libre de toutes ces hypothèses. En calculant
les réponses en déplacement, l’effort tranchant et le moment de renversement à chaque étage
d’un bâtiment asymétrique à cinq niveaux, excité par deux enregistrements accélérométriques
réels représentant des caractéristiques du mouvement de sol largement différentes, on constate
que la méthode probabiliste donne des résultats proches de la solution exacte comparativement
aux autres méthodes approximatives. Il est donc plus approprié d’utiliser la méthode probabiliste
pour le calcul des structures présentant une interaction importante entre ces modes de vibration.

En outre, la méthode probabiliste permet de déterminer la réponse sismique maximale pour

une probabilité de nondépassement donnée, et d’estimer également les différents pics de
réponse d’ordre supérieur les plus significatifs, et pas seulement le pic maximal contrairement
aux autres méthodes de superposition. La connaissance des pics les plus importants de la réponse
peut s’avérer d’une grande utilité pour l’interprétation de la progression de l’endommagement
des structures sous l’effet des séismes (Basu et Gupta, 1995).

72
 Références bibliographique

REFERENCES BIBLIOGRAPHIQUE
1. Amini, A. and M.D. Trifunac (1985). Statistical extension of response spectrum
superposition. Soil Dynam. & Earthquake Eng., 4, 5463.
2. Basu, B., V.K. Gupta and D. Kundu (1996). Ordered peak statistics through digital
simulation. Earthq. Eng. Struct. Dyn. , 25, 10611074.
3. Basu, B., V.K. Gupta and D. Kundu (1996a), A Markovian approach to ordered peak
statistics. Earthq. Eng. Struct. Dyn., 25, 13351351.
4. Ben Ahmed, B (2009). Effet de l’incertitude inhérent à l’amortissement sur la réponse des
structures sous excitations sismiques. Mémoire de magister ENP Alger.
5. Bendat, J.S. and A.G. Piersol (1986). Random Data Analysis and Measurement
Procedures. John Wiley & Sons, mc. New York.
6. Bozorgnia, Y. and V. Bertero (2004). Earthquake engineering, CRC Press, New York, NY.
7. Gupta, I.D., R.G. Joshi and V.K. Pandit (1994). A note on design power spectral density
function of strong earthquake ground motion. Proc. 10th Symp. On Erthquake Eng., Nov.
16-18, Roorkee, 843852.
8. Gupta, I.D. and M.D. Trifunac (1988). Order statistics of peaks in earthquake response. J.
Engng. Mech. Div., ASCE, 114(10), 16051627.
9. Gupta, I.D. and M.D. Trifunac (1998a). Defining equivalent stationary PSDF to account
for nonstationarity of earthquake ground motion. Soil Dynam. & Earthquake Eng., 17,
8999.
10. Gupta, I.D. and M.D. Trifunac (1998b). A note on the statistics of ordered peaks in
stationary stochastic processes. Soil Dynam. & Earthquake Eng., 17, 317328.
11. Hammoutene, M. (1995). Simulation nonstationnaire et bidimensionnelle des
enregistrements de tremblements de terre. Thèse de doctorat d’état ENP Alger.
12. Hammoutene, M., B. Tiliouine, P.Y. Bard (2000). On the phase content modelling of
earthquake strong ground motions. Europ. Earthquake Eng., 2, 2734.
13. Lai, S.P. (1982). Statistical characteristics of strong ground motions using power spectral
density function. Bull. Seism. Soc. Amer., 72, 259—274.
14. McCann, M.W., H.C. Shah (1979). Determining strong-motion duration of earthquake.
Bull. Seism. Soc. Amer., 69, 1253-1265.
15. Novikova, E.I., M.D. Trifunac (1994). Duration of strong ground motion in terms of
earthquake magnitude, epicentral distance, site conditions and site geometry. Earthquake
Eng. & Struct. Dynam., 23, 1023-1043.
16. Patricia B (2001) .Eléments de conception parasismique à l’usage des techniciens du
bâtiment. cours de construction parasismique volume [Link] Martinique SECQUIP.
17. Paultre, P. (2005). Dynamique des structures application aux ouvrages de genie civil.
Lavoisier, Paris.
18. Preumont, A. (1980). A Method for the generation of artificial earthquake accelerograms,
Nuclear Engineering and design, 59, 357-368.
19. Preumont, A. (1990). Vibrations aléatoires et analyse spectrale. Presses Polytechniques et
Universitaires Romandes, CH-1015 Lausanne.

73
 Références bibliographique

20. Règles Parasismiques Algériennes RPA2003, (2003).Centre National de Recherches

Appliquées en Génie Parasismique, D.T.R.-B.C.-2.48, Alger.
21. Sabetta, F., A. Pugliese (1996). Estimation of response spectra and simulation of
nonstationary earthquake ground motions. Bull. Seism. Soc. Amer., 86, 337-352.
22. Şafak, E. (1988). Analytical approach to calculation of response spectra from
seismological models of ground motion. Earthquake Eng. & Struct. Dynam., 16, 121134.
23. Seed, H.B., C. Ugas and J. Lysmer (1976). Site-dependent spectra for earthquake resistant
design. Bull. Seism. Soc. Amer., 66, 221234.
24. Sibson, R.H. (1989). Earthquake faulting as a structural process. Journal of structural
geology, 11, 1-14.
25. Smith, K. Shust, W.C (2004). Bounding Natural Frequencies in Structures I: Gross
Geometry, Material and Boundary Conditions. Proceedings of the XXII International
Modal Analysis Conference, Society of Experimental Mechanics,
26. Shust, W.C. Smith, K. Bounding Natural Frequencies in Structures II: Local Geometry,
Manufacturing and Preload Effects. Proceedings of the XXII International Modal Analysis
Conference, Society of Experimental Mechanics,
27. Tiliouine, B., M. Hammoutene, P.Y. Bard (1992). A two dimensional nonstationary
optimized accelerogram scaled for magnitude, distance and soil conditions. Proc. 10th
World Conference on Earthquake Engineering. 817-821.
28. Tiliouine, B., S. Zermout, A. Mebarki et C. Soize (2003). Génération de spectre de
puissance pour l'analyse stochastique de la réponse sismique des structures. Proc. VIe
Colloque National AFPS, Génie parasismique : Aspects dynamiques et vibratoires en
Génie Civil, Palaiseau, France, 1, 107114.
29. Tiliouine, B. et S. Zermout (2003). Sur les spectres de réponse des systèmes à paramètres
incertains. Proc. Colloque international, Risque vulnérabilité et fiabilité dans la
construction : Vers une réduction des désastres, Alger, 1, 253267.
30. Trifunac, M.D. and A.G. Brady (1975). A study on the duration of strong earthquake
ground motion. Bull. Seism. Soc. Amer., 65(3), 581626.
31. Trifunac, M.D. (1978). Response spectra for earthquake ground motion. J. Engng. Mech.
Div., ASCE, (EM5), 1081-1097.
32. U.S. Nuclear Regulatory Commission (1973). Design response spectra for seismic design
of nuclear power plants. Regulatory guide 1.60, Washington D.C.
33. Vanmarcke, E.H., S.P. Lai (1980). Strong-motion duration and RMS amplitude of
earthquake records. Bull. Seism. Soc. Amer., 70, 1293-1307.
34. Zermout, S. (2004). Investigation de la réponse stochastique des structures sous excitations
sismiques. Thèse de magister ENP Alger.
35. Zerva, A., T. Harada (1997). Effet of surface layer stochasticity on seismic ground motion
coherence and strain estimates. Soil Dynam. & Earthq. Eng., 16, 445-457.

74