💻 computer science

Physics-Informed Sensitivity Analysis for Enhanced Structural Health Assessment: Test-Case for a Mixed Steel-Concrete Bridge

Cet article présente un modèle numérique physique de haute fidélité d'un pont mixte acier-béton à l'Université de la Bundeswehr de Munich, utilisant une analyse de sensibilité au sein d'un cadre de surveillance de l'état de santé structurelle pour identifier les paramètres influents, quantifier l'incertitude et améliorer les capacités de pronostic pour les infrastructures vieillissantes.

Auteurs originaux : Jacopo Bonari, Francesca Marsili, Max von Danwitz, Alexander Popp

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jacopo Bonari, Francesca Marsili, Max von Danwitz, Alexander Popp

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un pont non pas comme un simple empilement d'acier et de béton, mais comme un instrument de musique géant et complexe. Tout comme une corde de guitare vibre différemment selon son épaisseur, sa tension et le bois auquel elle est attachée, un pont « chante » à des fréquences spécifiques lorsque le vent ou le trafic le frappe.

Ce document traite de la création d'un jumeau virtuel ultra-précis d'un vrai pont situé dans une université en Allemagne, puis de la mise en pratique d'un jeu de « Et si ? » pour déterminer quelles parties de ce pont sont les plus importantes lorsqu'il commence à vibrer.

Voici la décomposition de leur travail en termes courants :

1. Le jumeau virtuel (L'ombre numérique)

Les chercheurs ont construit un modèle informatique hautement détaillé d'un vrai pont à deux travées, composé d'un mélange d'acier et de béton. Considérez ce modèle comme une « ombre numérique » ou une réplique de jeu vidéo de la chose réelle.

Pourquoi construire cela ? Les vrais ponts sont difficiles à tester. On ne peut pas facilement modifier les boulons d'acier ou la résistance du béton sur un vrai pont sans le briser. Dans l'ordinateur, on peut tout modifier instantanément.
L'objectif : Créer un système « informé par la physique ». Cela signifie que l'ordinateur ne se contente pas de deviner ; il suit les lois réelles de la physique pour prédire comment le pont se comporte.

2. Le jeu du « Et si ? » (Analyse de sensibilité)

Une fois qu'ils avaient eu le pont virtuel, ils ont demandé : « Si nous changeons une toute petite chose, à quel point le "chant" (la vibration) du pont change-t-il ? »

Ils ont choisi trois « boutons » spécifiques pour tourner sur leur pont virtuel :

La rigidité du béton ( $E_c$ ) : Le tablier en béton est-il dur ou mou ? (Comme changer le bois d'une guitare).
La taille des boulons ( $d_b$ ) : Quelle est l'épaisseur des vis qui maintiennent le béton à l'acier ? (Comme serrer ou desserrer les clés d'accordage).
La rigidité des joints ( $k_{eq}$ ) : À quel point les dalles de béton communiquent-elles entre elles ? (Comme la colle entre les frettes d'une guitare).

Ils n'ont pas seulement tourné ces boutons une seule fois ; ils les ont tournés des milliers de fois avec des variations aléatoires pour voir lequel provoquait le plus grand changement dans la vibration du pont.

3. La magie mathématique (La « recette » des réponses)

Pour faire cela sans attendre des années que l'ordinateur termine, ils ont utilisé une astuce mathématique spéciale appelée Expansion de Chaos Polynomial Généralisé (gPCE).

L'analogie : Imaginez que vous vouliez savoir quel goût a un gâteau si vous changez le sucre, la farine et les œufs. Au lieu de cuire 10 000 gâteaux, vous en cuisez quelques-uns, vous les goûtez, et vous utilisez une formule intelligente pour prédire le goût de chaque combinaison possible instantanément.
Le résultat : Cette mathématique leur a permis de calculer des indices de Sobol'. Considérez ces indices comme un « score de responsabilité ». Si la vibration du pont change de 100 %, quelle part de ce changement est la faute du béton ? Quelle part est la faute des boulons ?

4. Ce qu'ils ont trouvé (Les résultats surprenants)

Lorsqu'ils ont examiné les « scores de responsabilité », ils ont trouvé des modèles très clairs :

Les boulons sont les chefs : Pour la plupart des vibrations du pont (comme la flexion latérale ou verticale), la taille des boulons était le facteur le plus important. Si vous vous trompez sur la taille des boulons dans votre modèle, votre prédiction est fausse.
Le béton compte (Mais seulement parfois) : Pour le mouvement de torsion du pont, la rigidité du béton était le facteur le plus important. Cependant, pour un mode de vibration spécifique (le Mode 5), la rigidité du béton n'avait aucune importance.
Les joints sont invisibles : De manière surprenante, la rigidité des connexions entre les dalles de béton (la « colle » ou les ressorts) n'avait presque aucun effet sur la façon dont le pont vibrait. C'était comme si ces joints n'existaient pas pour la vibration.

5. Pourquoi cela importe

Le document conclut qu'en utilisant ce « jumeau virtuel » et la mathématique du « score de responsabilité », les ingénieurs peuvent :

Arrêter de deviner : Ils savent exactement quelles parties d'un pont nécessitent la surveillance la plus attentive.
Économiser de l'argent : Ils n'ont pas besoin de gaspiller des capteurs sur des parties qui ne comptent pas (comme les joints de béton dans ce cas précis).
Construire de meilleurs modèles : Ils savent où concentrer leur attention d'ingénieur pour que le modèle informatique corresponde parfaitement à la réalité.

En bref, ils ont transformé un pont complexe en un puzzle gérable, ont découvert quelles pièces font réellement bouger l'aiguille, et ont prouvé que parfois, les plus petites vis (les boulons) comptent plus que les plus gros blocs (le béton).

Résumé Technique : Analyse de Sensibilité Informée par la Physique pour une Évaluation Améliorée de la Santé Structurelle

Énoncé du Problème
Les infrastructures civiles, en particulier les ponts, sont confrontées à des défis croissants dus au vieillissement des matériaux, à l'augmentation des charges de trafic et aux événements météorologiques extrêmes induits par le climat. Des cadres de surveillance de la santé structurelle (SHM - Structural Health Monitoring) efficaces sont nécessaires pour évaluer la performance structurelle face à l'incertitude. Bien que les modèles de éléments finis (FE) de haute fidélité basés sur la physique servent de « ombres numériques » ou de « jumeaux numériques » cruciaux pour la prise de décision, leur capacité prédictive dépend fortement de la précision des paramètres d'entrée. Il existe un fossé important dans la compréhension de la manière dont les incertitudes liées à des paramètres structurels spécifiques — tels que les propriétés des matériaux et les détails géométriques — se propagent à la réponse dynamique de la structure. Sans quantifier ces sensibilités, les campagnes de surveillance peuvent s'avérer inefficaces et les décisions fondées sur le modèle peuvent manquer de la rigueur physique nécessaire.

Méthodologie
L'étude utilise un modèle numérique de haute fidélité, basé sur la physique, d'un pont mixte acier-béton à deux travées à pleine échelle situé à l'Université de la Bundeswehr de Munich. Le modèle, initialement codé sous ANSYS APDL et porté vers PyAnsys pour l'automatisation, utilise des éléments de coque pour les composants en acier et en béton, ainsi que des éléments de poutre avec des ressorts distribués pour simuler les connexions boulonnées et le transfert de contraintes entre segments.

Pour quantifier l'influence des incertitudes d'entrée sur la sortie du modèle, les auteurs mettent en œuvre un cadre d'analyse de sensibilité (SA) basé sur la méthode de l'expansion de chaos polynomial généralisé (gPCE). Le processus comprend :

Caractérisation des entrées : Trois paramètres incertains ont été identifiés et modélisés comme des variables aléatoires log-normales :
- $E_c$ : Module de Young du béton.
- $d_b$ : Diamètre de la tige de vis représentant la rigidité de la connexion boulonnée.
- $k_{eq}$ : Rigidité des ressorts distribués modélisant la connexion entre les segments de dalle de béton.
Sélection des sorties : La sortie du modèle consiste en quatre fréquences propres correspondant à des modes de vibration spécifiques : flexion transversale principale ( $f_1$ ), première flexion hors plan ( $f_5$ ), torsion principale ( $f_6$ ) et seconde flexion hors plan ( $f_{10}$ ).
Modélisation de substitution (Surrogate Modeling) : Une méthode de régression non intrusive est utilisée pour construire un substitut polynomial du modèle FE. Des polynômes de Hermite sont employés, supposant des entrées normalement distribuées après une transformation de l'espace log-normal.
Quantification de la sensibilité : Les indices de Sobol' sont dérivés analytiquement des coefficients polynomiaux. Cette approche décompose la variance de la sortie en contributions des variables d'entrée individuelles (indices de premier ordre) et de leurs interactions (indices d'ordre supérieur), offrant une alternative efficace en termes de calcul par rapport aux méthodes de Monte Carlo.

Contributions Clés

Développement d'une réplique virtuelle : La création d'un modèle FE de haute fidélité validé agissant comme une ombre numérique d'un pont de test réel, intégré à des flux de travail de science des données de pointe via PyAnsys.
Application de la gPCE à la SHM : La démonstration de l'utilisation de la gPCE pour calculer analytiquement les indices de Sobol' pour la dynamique structurelle, fournissant une base rigoureuse pour la quantification de l'incertitude dans les modèles informés par la physique.
Identification des paramètres critiques : L'évaluation systématique de la manière dont des hypothèses de modélisation spécifiques (ex: rigidité des boulons vs rigidité du béton) influencent la réponse dynamique d'un pont mixte.

Résultats
L'analyse de sensibilité a produit des informations distinctes concernant l'influence des trois paramètres d'entrée sur les quatre modes de vibration :

Dominance de la rigidité des boulons : Pour le mode de flexion dans le plan ( $f_1$ ), le premier mode de flexion hors plan ( $f_5$ ) et le second mode de flexion hors plan ( $f_{10}$ ), la rigidité de la connexion boulonnée ( $d_b$ ) est le paramètre le plus influent, expliquant la vaste majorité de la variance de la sortie (ex: ~84 % pour $f_1$ et ~98 % pour $f_5$ ).
Sensibilité du mode de torsion : En revanche, le mode de torsion principale ( $f_6$ ) est principalement piloté par le module de Young du béton ( $E_c$ ), qui explique environ 63 % de la variance, tandis que la rigidité des boulons contribue à environ 36 %.
Influence négligeable de la rigidité des joints : La rigidité des ressorts distribués ( $k_{eq}$ ), représentant la connexion entre les segments de béton, a présenté une influence négligeable sur tous les modes analysés. Les indices de Sobol' pour ce paramètre étaient pratiquement nuls, suggérant que l'approche de modélisation actuelle pour le transfert de contraintes inter-segments a un impact minimal sur la réponse dynamique globale.
Comportement du modèle : Les surfaces de réponse ont confirmé que les modèles sont très sensibles aux variations de $d_b$ et, dans une moindre mesure, de $E_c$ , tout en restant presque entièrement indépendants de $k_{eq}$ .

Signification et Revendications
L'article soutient que l'intégration des indices de sensibilité de Sobol' avec des modèles numériques de haute fidélité fournit une base robuste pour la prise de décision informée par la physique dans la gestion des infrastructures. La signification primaire réside dans la capacité de :

Optimiser les stratégies de surveillance : En identifiant quels paramètres pilotent la variabilité de la réponse structurelle, les campagnes de surveillance peuvent être mieux conçues, en concentrant les réseaux de capteurs sur les quantités les plus critiques.
Guider le raffinement des modèles : L'identification de paramètres négligeables (comme $k_{eq}$ ) permet la simplification des modèles, tandis que la mise en évidence de paramètres dominants (comme $d_b$ ) oriente l'attention vers des approches de modélisation plus précises pour ces composants spécifiques.
Soutenir la maintenance proactive : Le cadre contribue au développement de systèmes de jumeaux numériques plus robustes, permettant des stratégies de maintenance proactive et de gestion des risques pour les infrastructures critiques.

Les auteurs concluent que, bien que cette étude se concentre sur un cas de test unique, le cadre proposé offre une approche évolutive qui pourrait éventuellement être étendue à des analyses de population de structures similaires, soutenant ainsi une gestion holistique des réseaux d'infrastructures critiques.