134
Université d’Oran 2 Institut de Maintenance et de Sécurité Industrielle THÈSE Pour l’obtention du diplôme de Doctorat « L.M.D » En Sécurité Industrielle et Environnement Analyse, Évaluation et Réduction des Risques d’un Parc Éolien Présentée et soutenue publiquement par : M. ZIANE Khaled Le: 02 Juillet 2017 Devant le jury composé de : LOUNIS Zoubida Professeur Université d’Oran 2 Présidente ZEBIRATE Soraya Professeur Université d’Oran 2 Directrice de Thèse BOUKEZZI Larbi Professeur Université de Djelfa Examinateur TOUATI Said Maitre de Recherche A Centre de Recherche Nucléaire de Birine Examinateur HASSINI Abdelatif Professeur Université d’Oran 2 Examinateur Année 2016/2017

Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

  • Upload
    others

  • View
    10

  • Download
    0

Embed Size (px)

Citation preview

Page 1: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Université d’Oran 2 Institut de Maintenance et de Sécurité Industrielle

THÈSE

Pour l’obtention du diplôme de Doctorat « L.M.D » En Sécurité Industrielle et Environnement

Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Présentée et soutenue publiquement par :

M. ZIANE Khaled Le: 02 Juillet 2017

Devant le jury composé de :

LOUNIS Zoubida Professeur Université d’Oran 2 Présidente

ZEBIRATE Soraya Professeur Université d’Oran 2 Directrice de Thèse

BOUKEZZI Larbi Professeur Université de Djelfa Examinateur

TOUATI Said Maitre de Recherche A Centre de Recherche Nucléaire de Birine

Examinateur

HASSINI Abdelatif Professeur Université d’Oran 2 Examinateur

Année 2016/2017

Page 2: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

« Analyse, évaluation et réduction des risques d’un parc éolien »

Résumé :

Comme tout système industriel, l'éolienne comporte de nombreux dangers et facteurs aggravants pour les travailleurs,

l'environnement et les riverains. Ainsi, elle est susceptible de générer des risques de nature variée. Dans cette perspective, on

s'intéresse plus particulièrement au risque de projection de tout ou partie de pale, qui est dû généralement à la fatigue des

matériaux de cette dernière. Cette fatigue est l'un des problèmes posés par les aérogénérateurs en termes d'ingénierie, qui réside

dans la charge variable à laquelle les pales de rotor sont soumises. Dans le cadre de cette thèse, nous avons utilisé les méthodes

d’intelligence artificielle en particulier les réseaux de neurones artificiels (RNA) afin de prévenir le comportement en fatigue

des pales d’éoliennes. Cela nous a permis de créer un modèle capable de prédire la durée de vie ainsi que la tenue en fatigue de

plusieurs matériaux composites stratifiés sous l’effet de plusieurs facteurs (environnement, orientation de fibres…). En outre,

les résultats obtenus par les RNA nous ont aidés à proposer quelques types de matériaux composites de point de vue durabilité

et durées de vie pour une éventuelle conception des pales d’éoliennes.

Mots clés : Energie éolienne, analyse des risques, comportement en fatigue, pale d’éolienne, matériaux composites, réseau de

neurone artificiel

« Analysis, assessment and risk reduction of a wind farm »

Abstract :

Like any industrial system, the wind turbine has many aggravating factors and hazards to workers, environment and riparians.

Thus, it is liable to generate risks of varied nature. In this perspective, we are particularly interested in projection of all or part

of the blade which is usually due to the fatigue of the latter. This fatigue is one of problems posed by wind turbines in terms of

engineering, who resides in the variable load at which the rotor blades are subjected. In the context of this thesis, we used the

methods of artificial intelligence in particular artificial neural networks (ANN) to prevent the fatigue behavior of wind turbine

blades. This allowed us to create a model able to predict the lifetime and the fatigue strength of several composite laminates

under the effect of many factors (environment, fiber orientation...). Furthermore, the results obtained by the ANN helped us to

propose some types of composite materials standpoint durability and lifetime for an eventual design of wind turbine blades.

Keywords: Wind energy, risk analysis, fatigue behavior, wind turbine blade, composite materials, artificial neural network

الريـاح حقـلالحد من مخــاطر تقييم و تحليل، » »

: ملخص خاطرلم تدتم أن جدا الممكن ومن ا،به المحيطين والسكان البيئة العمال، على المخاطر من بالكثير الرياح توربينات تتسبب صناعي، نظام أي مثل

المواد تعب بسبب يكون ما عادة الذي الرياح توربينات مراوح من "أجزاء أو كل" تطاير بخطر خاص بشكل اىتممنا المنظور، ىذا من. أخرى مروحة لو تتعرض الذي المتغير ملالح وىو الهندسية، الناحية من توربيناتال ىذه مع الكبيرة المشاكل من واحد ىو التعب ىذا. منها المصنوعة في التعب سلوك من للوقاية الاصطناعية العصبية الشبكات وخصوصا صطناعيالا الذكاء أساليب استخدمنا الأطروحة، ىذه طارإ فــي. الدوران (امستعلمة لصناعتها خصيص ) حةومصف مركبة مواد عدة في ياةال ومدة بقوة التنبؤ يمكنو نموذج بإنجاز لنا سمح ما وىذا. الرياح توربينات مراوحمن خلال عليها لص المح النتائج فإن ذلك، لىإ ضافةبالإ...(. الألياف اتجاه البيئة،) منها عوامل، ةعد تأثير تحت وىذا التعب، ذاله تعرضها خلال

"محتملة" مستقبلية صناعة جلأ من الياة ومدة الصلابة ناحية من المركبة المواد نواعأ بعض اقتراح على ساعدتنا الاصطناعية العصبية الشبكات . الدوران لمراوح

، المواد المركبة، الشبكة العصبية الاصطناعية الدوران ، مراوحطاقة الرياح، تحليل المخاطر، سلوك التعبكلمات مفتاحية:

Page 3: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Préface

Faire sa thèse est un accomplissement de soi, une chose qui fait appel à

notre inconscience, qui nous pousse à aller toujours plus loin, à ne jamais se

contenter de l’acquis ; comme je le disais souvent « le plus agréable ce n’est

pas d’arriver à son but, mais le chemin parcouru pour y arriver... Surtout

lorsque le chemin n’amène pas et on en laisse sa trace..!! Ne regardes pas

seulement dans la destination, essayes de vivre et profiter du chemin... ».

Page 4: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Je dédie ce travail à mes chers parents,

mes sœurs, mes frères et amis pour

leur soutien incommensurable…

Page 5: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Remerciements

Mes premiers remerciements et les plus vifs, je les adresse à la directrice de ma thèse Pr.

Zebirate Soraya qui m’a honoré d’avoir dirigé ce travail. Je la remercie pour tous les principes

qu’elle n’a cessé de me transmettre, la rigueur scientifique, l’objectivité et l’orientation. Elle a

toute ma gratitude pour m’avoir aidé et encouragé dans les moments difficiles et m’avoir

consacré son temps malgré ses occupations.

Mes vifs remerciements vont aussi au Pr. Lounis Zoubida, de m’avoir accepté dans son

équipe de recherche et son suivi durant toutes ces années d’études. Ainsi, de m’avoir fait

l’honneur de présider le jury de thèse.

Je tiens à remercier Monsieur Boukezzi Larbi, Professeur à l’Université Ziane Achour de

Djelfa de m’avoir fait l’honneur de participer au jury en tant que examinateur.

J’adresse un grand merci à Monsieur Touati Said, Maitre de recherche "A" au Centre de

Recherche Nucléaire de Birine CRNB, pour l’honneur qu’il me fait en acceptant de juger ce

travail.

Je présente aussi mes remerciements à Monsieur Hassini Abdelatif, Professeur à

l’Université d’Oran 2 Mohamed Ben Ahmed, d’avoir accepté d’examiner cette thèse.

L’ami et le co-auteur Adel Zaitri, je te remercie vivement pour ta contribution précieuse

dans la réalisation de nos travaux, de ton côté par l’exploitation des RNA.

J’exprime aussi ma gratitude à Madame Bahmed Lylia, Professeur à l’Université Hadj

Lakhdar de Batna, de m’avoir recommandé et aidé à atteindre mon objectif en soutenant

cette thèse, par son accueil au niveau de son institut IHSI, ainsi, pour son soutien moral.

Un mille mercis à Monsieur Adrian Ilinca, Professeur à l’Université du Québec à

Rimouski UQAR pour son accueil chaleureux durant mon stage, qui m’a fait intégrer avec

souplesse dans son équipe de recherche au sein du Laboratoire qu’il préside « Laboratoire de

Recherche en Énergie Éolienne LREE » ; une expérience vraiment si enrichissante pour moi

au niveau professionnel ainsi qu’au niveau culturel et social. Au plaisir de travailler avec vous

dans les futures recherches et collaborations.

Mes remerciements s’adressent également à tous les membres d’équipe du LISIDD et à

tous les enseignants et le personnel de l’IMSI, ainsi qu’à son Directeur.

Il m’est impossible de ne pas citer mes camarades de la résidence Carthage de

Rimouski, plus particulièrement l’ingénieur et le futur Maitre en sciences Jihed Hayouni, qui

mérite beaucoup de respect. Merci à toutes et à tous chacun par son nom.

Page 6: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Tables des Matières

Liste des tableaux ....................................................................................................................... i

Liste des figures .......................................................................................................................... ii

Abréviations et symboles ........................................................................................................... v

Introduction générale ................................................................................................................. 1

Chapitre I : Etat de l’art des éoliennes

I.1 D’où vient le vent ? ............................................................................................................... 5

I.2 L’énergie éolienne en quelques chiffres................................................................................ 6

I.2.1 Histoire de l’éolien ........................................................................................................ 6

I.2.2 L’énergie éolienne pour quoi faire ? .............................................................................. 8

I.2.3 Développement de l’énergie éolienne ........................................................................... 8

I.2.4 Production éolienne ....................................................................................................... 9

I.2.5 L’éolien dans l’Afrique ............................................................................................... 10

I.2.6 Emplacement des parcs éoliens ................................................................................... 12

I.3 Caractéristiques générales d’un parc éolien ........................................................................ 12

I.3.1 Eléments constitutifs d’une éolienne ........................................................................... 13

I.3.1.1 Mât ..................................................................................................................... 13

I.3.1.2 Moyeu ................................................................................................................ 14

I.3.1.3 Nacelle ............................................................................................................... 14

I.3.1.4 Rotor .................................................................................................................. 14

I.3.1.5 Pales ................................................................................................................... 14

I.3.2 Emprise au sol ............................................................................................................. 17

I.3.3 Principe de fonctionnement d’une éolienne ................................................................ 18

I.4 Raccordement électrique ..................................................................................................... 19

I.4.1. Réseau inter-éolien ..................................................................................................... 19

I.4.2. Poste de livraison ........................................................................................................ 19

I.4.3 Réseau électrique externe ............................................................................................ 20

I.5 Conclusion ........................................................................................................................... 20

Page 7: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapite II : Analyse et évalution des risques d’un parc éolien

II.1 Introduction ........................................................................................................................ 21

II.2 Impact des éoliennes sur l’environnement ......................................................................... 22

II.2.1 Impact sur le paysage ................................................................................................. 22

II.2.2 Impact sur l’avifaune .................................................................................................. 22

II.2.3 Impact de bruit ........................................................................................................... 23

II.2.4 Impact sur les riverains .............................................................................................. 23

II.3 Identification des potentiels dangers de l’installation ........................................................ 24

II.3.1 Dangers liés au milieu naturel .................................................................................... 24

II.3.2 Dangers liés aux produits ........................................................................................... 24

II.3.3 Risques sanitaires ....................................................................................................... 25

II.3.4 Dangers liés aux conditions d’exploitation ................................................................ 25

II.4 Inventaire des accidents et incidents à l’international ....................................................... 26

II.5 Analyse préliminaire des risques APR .............................................................................. 27

II.5.1 Scénarios étudiés dans l’analyse préliminaire des risques ......................................... 28

II.5.2 Effets dominos ........................................................................................................... 32

II.6 Mise en place des mesures de sécurité ............................................................................... 32

II.7 Scénarios génériques issus de l’analyse préliminaire des risques ..................................... 35

II.7.1 Scénarios relatifs aux risques liés à la glace (G01 et G02) ........................................ 35

II.7.1.1 Scénario G01 .................................................................................................... 35

II.7.1.2 Scénario G02 .................................................................................................... 36

II.7.2 Scénarios relatifs aux risques d’incendie (I01 à I07) ................................................. 36

II.7.3 Scénarios relatifs aux risques de fuites (F01 à F02) .................................................. 37

II.7.3.1 Scénario F01 .................................................................................................... 37

II.7.3.2 Scénario F02 .................................................................................................... 38

II.7.4 Scénarios relatifs aux risques de chute d’éléments (C01 à C03) ............................... 38

II.7.5 Scénarios relatifs aux risques de projection de pales ou de fragments de pales (P01 à

P06) ...................................................................................................................................... 38

II.7.5.1 Scénario P01 .................................................................................................... 39

II.7.5.2 Scénario P02 .................................................................................................... 39

Page 8: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

II.7.5.3 Scénarios P03 ................................................................................................... 39

II.7.6 Scénarios relatifs aux risques d’effondrement des éoliennes (E01 à E10) ................ 39

II.8 Conclusion ......................................................................................................................... 39

Chapite III : Fatigue des pales d'éoliennes

III.1 Introduction ...................................................................................................................... 41

III.2 Architecture structurale d’une pale d’éolienne ................................................................. 42

III.3 Pales en matériaux composites ......................................................................................... 42

III.3.1 Classification des matériaux composites .................................................................. 43

III.3.2 Constituants des matériaux composites .................................................................... 43

III.3.2.1 Les fibres ........................................................................................................ 44

III.3.2.2 Les matrices .................................................................................................... 45

III.3.2.3 L’interphase .................................................................................................... 46

III.4 Procédé de fabrication des pales d’éoliennes ................................................................... 46

III.4.1 Matériaux et calcul structural ................................................................................... 47

III.5 Fatigue des pales d’éolienne ............................................................................................. 48

III.5.1 Endommagement en fatigue ..................................................................................... 49

III.5.2 Mécanismes d’endommagement en fatigue .............................................................. 49

III.5.3 Prédiction de la durée de vie en fatigue .................................................................... 50

III.6 Conclusion ........................................................................................................................ 53

Chapite IV : Intelligence artificielle et prédiction

IV.1 Introduction ...................................................................................................................... 54

IV.2 Introduction à l’intelligence artificielle ............................................................................ 55

IV.3 Réseaux de neurones ........................................................................................................ 56

IV.3.1 Neurones biologiques ............................................................................................... 56

IV.3.2 Neurones artificiels (formels) ................................................................................... 57

IV.3.3 Histoire de l’évolution des RNA .............................................................................. 58

IV.3.4 Comportement du neurone artificiel ......................................................................... 59

IV.4 Structure d’interconnexion des RNA ............................................................................... 60

IV.4.1 Réseau multicouche .................................................................................................. 60

IV.4.2 Réseau à connexions locales ..................................................................................... 61

Page 9: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

IV.4.3 Réseau à connexions récurrentes .............................................................................. 61

IV.4.4 Réseau à connexions complexes ............................................................................... 61

IV.5 Architecture des RNA ...................................................................................................... 62

IV.5.1 Réseaux statiques ...................................................................................................... 62

IV.5.2 Réseaux dynamiques ................................................................................................ 62

IV.5.3 Réseaux auto-organisés ............................................................................................ 62

IV.6 Apprentissage des RNA ................................................................................................... 62

IV.6.1 Procédure d’apprentissage ........................................................................................ 63

IV.6.2 Types d’apprentissage .............................................................................................. 63

IV.7 Réseaux de neurones a apprentissage supervisé............................................................... 64

IV.7.1 Perceptron multicouche ............................................................................................ 64

IV.7.2 Perceptron multicouche à rétropropagation .............................................................. 66

IV.7.2.1 Rétro-propagation avec Momentum ................................................................. 66

IV.8 Intelligence en essaim ...................................................................................................... 67

IV.8.1 Optimisation par essaim particulaire (OEP) ............................................................. 67

IV.8.1.1 Description informelle ...................................................................................... 68

IV.8.1.2 Voisinage .......................................................................................................... 69

IV.8.2 Algorithme OEP ....................................................................................................... 70

IV.9 Réseau de neurones optimisé par essaim de particules .................................................... 72

IV.10 Prédiction ....................................................................................................................... 73

IV.10.1 Régression linéaire ................................................................................................. 73

IV.11 Conclusion ...................................................................................................................... 75

Chapitre V : Prédiction de la fatigue des pales d’éoliennes

V.1 Introduction ....................................................................................................................... 76

V.2 Effet d’environnement sur la fatigue des pales d’éoliennes .............................................. 78

V.2.1 Hygro-thermo-mécanique des pales d’éolienne ......................................................... 78

V.2.2 Comportement du gel-coat aux contraintes climatiques ............................................ 79

V.2.3 Procédure expérimentale et échantillons ................................................................... 80

V.2.3.1 Renfort en verre .................................................................................................. 80

V.2.3.2 Matrice en résine ................................................................................................ 80

Page 10: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

V.2.3.3 Préparation des échantillons et géométries ........................................................ 81

V.2.3.4 Conditionnement environnemental .................................................................... 82

V.2.4 Réseaux de neurones artificiels .................................................................................. 82

V.3 Prédiction de la tenue en fatigue sous l’effet de l’environnement..................................... 83

V.3.1 Apprentissage par l’algorithme de Rétropropagation ................................................ 84

V.3.2 Résultats de la prédiction utilisant RNA-RP ............................................................. 85

V.4 Effet d’orientation de fibres sur la fatigue des pales d’éolienne ....................................... 88

V.4.1 Procédure expérimentale et échantillons ................................................................... 89

V.4.1.1 Échantillons et géométrie ................................................................................... 90

V.4.2 Paramètres de fatigue et propriétés ............................................................................ 90

V.5 Prédiction de la tenue en fatigue sous l’effet d’orientation de fibres ................................ 92

V.5.1 Ajustement des paramètres de la topologie RNA ...................................................... 92

V.5.2 Ajustement des paramètres de la topologie OEP ....................................................... 92

V.5.3 Fonction objective ...................................................................................................... 93

V.5.4 Résultats de la prédiction utilisant RNA-OEP ........................................................... 95

V.6 Conclusion ......................................................................................................................... 98

Conclusion générale ................................................................................................................. 99

Bibliographie .......................................................................................................................... 102

Annexes .................................................................................................................................. 111

Page 11: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

i

Liste des Tableaux

Tableau I.1 : Production mondiale d’électricité éolienne en 2011 et 2012 en (TWh) ............ 10

Tableau I.2 : Découpage fonctionnel de l’installation ........................................................... 18

Tableau II.1 : Dangers liés au fonctionnement d’un parc éolien ........................................... 26

Tableau II.2 : Analyse générique des risques potentiels d’un parc éolien ............................. 29

Tableau II.3 : Mise en place des mesures de sécurité des éoliennes ..................................... 33

Tableau V.1 : Différentes résines étudiées ............................................................................. 80

Tableau V.2 : Résumé des données sur la fatigue par compression pour la résine ortho-

polyester « CoRezyn 63-AX-051 » ........................................................................................... 84

Tableau V.3 : MD/UD Matériaux .......................................................................................... 89

Tableau V.4 : Résumé des données des résistances à la traction et les tendances de la fatigue

(R = 0,1) pour divers matériaux de pale .................................................................................. 91

Tableau V.5 : Paramètres de l’algorithme d’entrainement OEP ............................................. 93

Page 12: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

ii

Liste des Figures

Figure I.1a : Rose des vents ..................................................................................................... 5

Figure I.1b : Manche à air ........................................................................................................ 5

Figure I.2a : Éolienne de pompage .......................................................................................... 7

Figure I.2b : Moulins à vent ..................................................................................................... 7

Figure I.3 : Capacité éolienne cumulée en GW dans le monde de 1996 à 2014 ...................... 8

Figure I.4 : Évolution des puissances éoliennes installées en MW dans les 5 pays leaders .... 9

Figure I.5 : Carte annuelle de la vitesse moyenne du vent en (m/s) en Algérie (2009-2010) 11

Figure I.6 : Installation d’éoliennes offshore en Mer du Nord (Photo Gunnar Britse) ........... 12

Figure I.7 : Schéma descriptif d’un parc éolien terrestre ....................................................... 13

Figure I.8 : Éléments constitutifs d’une éolienne ................................................................... 13

Figure I.9 : Montage des pales d’éolienne ............................................................................. 15

Figure I.10 : Conception d’une pale d’éolienne ..................................................................... 16

Figure I.11 : Illustration des emprises au sol d’une éolienne ................................................. 17

Figure I.12 : Raccordement électrique d’un parc éolien ........................................................ 19

Figure II.1 : Impact visuel d’un parc éolien ........................................................................... 22

Figure II.2 : Impact sur l’avifaune ......................................................................................... 22

Figure II.3 : Atténuation du bruit suivant l’éloignement de l’éolienne ................................. 23

Figure II.4 : Projection de glace et circulation des passants .................................................. 23

Figure II.5 : Incendie d’une éolienne à cause de la foudre .................................................... 24

Figure II.6 : Pale brisée par la tempête .................................................................................. 25

Figure II.7 : Répartitions des évènements accidentels dans le monde entre 2000 et 2011 ..... 26

Figure II.8 : Répartitions des causes premières d’effondrement ........................................... 27

Figure II.9 : Répartitions des causes premières de rupture de pale ........................................ 27

Figure II.10 : Répartitions des causes premières d’incendie ................................................. 27

Figure III.1 : Profil standardisé d’une pale d’éolienne .......................................................... 42

Figure III.2 : Classification des matériaux composites .......................................................... 43

Figure III.3 : Constituants d’un matériau composite stratifié ................................................ 46

Figure III.4 : Coupe transversale d’un profil de pale sous moulage par procédé RTM ........ 46

Page 13: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

iii

Figure III.5 : Procédé d’injection séquentielle de la résine dans la technologie RTM .......... 47

Figure III.6 : Différents mécanismes d’endommagement ..................................................... 49

Figure III.7 : Exemple de courbe d’endurance (Wöhler)........................................................ 50

Figure III.8 : Divers types de sollicitations sinusoïdales ....................................................... 51

Figure III.9 : Allure des courbes d’endurance exprimées en fonction de la déformation ..... 51

Figure III.10 : Courbe d’endurance S-N pour un composite carbone époxy de séquence

[0/903/0] ................................................................................................................................... 52

Figure IV.1 : Schéma d’un neurone biologique ..................................................................... 57

Figure IV.2 : Mise en correspondance neurone biologique/neurone artificiel ....................... 57

Figure IV.3 : Fonctionnement de base d’un neurone ............................................................. 58

Figure IV.4 : Différents types de fonctions de transfert pour le neurone artificiel ................ 60

Figure IV.5 : Réseau multicouche classique .......................................................................... 60

Figure IV.6 : Réseau à connexions locales ............................................................................ 61

Figure IV.7 : Réseau à connexions récurrentes ...................................................................... 61

Figure IV.8 : Réseau à connexions complexes ...................................................................... 62

Figure IV.9 : différentes possibilités de classification des réseaux de neurones ................... 64

Figure IV.10 : Structure d’entrainement d’un perceptron linéaire ......................................... 65

Figure IV.11 : Entraînement du réseau par rétropropagation de l’erreur ............................... 66

Figure IV.12: Déplacement d’une particule ........................................................................... 68

Figure IV.13: Règles simples d’application locale utilisées dans un essaim de particules .... 69

Figure IV.14: Voisinage étoile ............................................................................................... 69

Figure IV.15: Voisinage anneau ............................................................................................. 70

Figure IV.16: Voisinage rayon ............................................................................................... 70

Figure IV.17 : Logigramme pour les réseaux de neurones optimisés par OEP ..................... 72

Figure IV.18 : Régression par une ligne droite ...................................................................... 74

Figure V.1 : Vue de dessus d’un segment (AOC 15/50) d’une pale d’éolienne .................... 77

Figure V.2 : Pale soumise à un chargement de type hygro-thermo-mécanique ..................... 79

Figure V.3a : Test de fatigue typique d’une peau-raidisseur ................................................. 81

Figure V.3b : Géométrie et dimensions d’un T-échantillon peau-raidisseur ......................... 81

Figure V.4 : Principe de l’entraînement du réseau par rétropropagation de l’erreur ............. 82

Page 14: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

iv

Figure V.5 : Prédiction de la tenue en fatigue de la résine ortho-polyester (CoRezyn 63-AX-

051) pour les conditions sec/humide (coupons humides dans 1.0 % d’eau distillée) .............. 85

Figure V.6 : Prédiction de la tenue en fatigue de la résine iso-polyester (CoRezyn 75-AQ-

010) pour les conditions sec/humide (coupons humides dans 0.55 % d’eau distillée) ............ 85

Figure V.7 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 411C-50)

pour les conditions sec/humide (coupons humides dans 0.52 % d’eau distillée) ..................... 86

Figure V.8 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 8084) pour les

conditions sec/humide (coupons humides dans 0.56 % d’eau distillée)................................... 86

Figure V.9 : Prédiction de la tenue en fatigue des quatre résines pour T=50 °C humide ...... 87

Figure V.10 : Prédiction de la tenue en fatigue des quatre résines pour T=20 °C sec ........... 87

Figure V.11: Prédiction de la tenue en fatigue des quatre résines pour T=20 °C humide ..... 88

Figure V.12 : Section typique d’une pale d’éolienne ............................................................. 88

Figure V.13 : Schéma du procédé d’infusion de résine .......................................................... 89

Figure V.14 : Géométrie de coupon d’Os de Chien ............................................................... 90

Figure V.15 : Particules d’OEP dans l’espace de recherche .................................................. 93

Figure V.16 : Position de la particule 9 en fonction d’itération de dim1 à dim91 .................. 94

Figure V.17 : Évolution de la fonction objective selon les 25 particules ............................... 95

Figure V.18 : Prédiction de la tenue en fatigue de « PPG1200-EP1 fibre de verre/Époxy »

pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................. 95

Figure V.19 : Prédiction de la tenue en fatigue de « PPG1200-UP5 fibre de verre/Polyester »

pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................ 96

Figure V.20 : Prédiction de la tenue en fatigue de « PPG1200-VE4 fibre de verre/Vinylester »

pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................ 96

Figure V.21 : Prédiction de la tenue en fatigue de « PPG1200-VE5 fibre de verre/Vinylester »

pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................. 97

Figure V.22 : Prédiction de la tenue en fatigue de « PPG1200-VE6 fibre de verre/Vinylester »

pour des stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2 ............................ 97

Figure V.23 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de

[0]2 ........................................................................................................................................... 97

Figure V.24 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de

[(±45)2/(0)2]S ............................................................................................................................ 98

Page 15: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

v

Abréviations et Symboles

ANN Artificial Neural Network APR Analyse Préliminaire des Risques

AOC Atlantic Orient Corporation

BP Backpropagation

CEEG Compagnie de l’Engineering de l’Électricité et du Gaz

CDER Centre de Développement des Énergies Renouvelables

DOE Department of Energy

EP Epoxy

GDM Gradient Descent avec Momentum

IA Intelligence Artificielle

ISO International Standards Organization

IEC International Electrotechnical Commission

LM Levenberg-Marquardt

MD Multidirectionnel

MSE Mean Square Error

MSU Montana State University

MLP Multilayer Perceptron

MEF Méthodes des Éléments Finis

OEP Optimisation par Essaim de Particules

PSO Particle Swarm Optimization

RTM Resin Transfer Molding

RNA Réseau de Neurones Artificiels

RP Rétropropagation

SVM Support Vector Machine

UD Unidirectionnel

UCS Ultimate Compressive Stress

UTS Ultimate Tensil Stress

UP Unsaturated Polyester

VE Vinyl Ester

Page 16: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

vi

Moments de flexion par rapport aux axes x et y

Moment de torsion

Efforts normaux par rapport aux axes x et y

Effort de cisaillement

Efforts de cisaillement transverse

Déformation

Coefficient de rigidité

Stress (Contrainte)

Nombre de cycles

Nombre de cycles à la rupture

Rapport de contrainte

Contrainte maximale

Contrainte minimale

Limite d’endurance ou de fatigue

Résistance en traction

Logarithme décimal

Valeur absolue

Amplitude de contrainte

Weight (poids)

Bias (biais)

Entrée (Input)

Sortie (Output)

Désirée (desired)

Network

Taux d’apprentissage

Matrice de poids synaptiques

Meilleur particule

Meilleur voisinage

Page 17: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

vii

Nombre d’itérations

Meilleur position

Meilleur position de voisinage

Coefficients d’accélération

Position d’une particule

Variation de température

Variation d’humidité

Cost function

Vélocité maximale

Vélocité minimale

( ) Fonction objective

Sortie obtenue par RNA

Sortie désirée

Page 18: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

1

Introduction générale “Of All the Forces of Nature, I Should Think the Wind Contains the

Largest Amount of Motive Power…That Is, Power to Move Things”

…Abraham Lincoln

Depuis son existence sur terre, L’homme a commencé par exploiter les animaux dans ses

déplacements, pour entrainer les roues des moulins, puis il s’est orienté vers l’utilisation de

l’énergie emmagasinée dans les fleuves, les ruisseaux et les chutes d’eau avant de découvrir et

de se servir de l’énergie du vent pour faire pousser les navires.

Au fil des ères et jusqu’à nos jours, l’homme a réussi à accumuler des expériences très

riches en matière d’exploitation et de conversion des énergies. Au début de notre ère, et grâce

aux progrès spectaculaires connus par les différentes disciplines de la science telles que la

chimie, la mécanique, les mathématiques, etc. l’homme a pu développer des procédés très

complexes révélant ainsi son génie. Au début du XXe siècle, et grâce au développement des

sciences de l’ingénierie et surtout de l’économie, une mutation radicale a marqué la science,

l’homme est passé du stade de la construction et de la création au stade de l’optimisation et de

l’amélioration des performances, de ce fait, il est arrivé à une maitrise quasi totale de

l’énergie.

Page 19: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Introduction générale

2

Cette énergie qui est dites renouvelable est utilisée depuis l’antiquité et son utilisation a

continué à exister jusqu’à l’arrivée de la révolution industrielle, époque à laquelle, étant donné

le bas prix du pétrole, elle a été abandonnée. Cependant, depuis ces dernières années au vu

l’accroissement du coût les combustibles fossiles et des problèmes environnementaux dérivés

de leur exploitation, nous assistons à un à renouveau des énergies renouvelables.

Malgré la maîtrise des techniques, la question de l’énergie apparaît aujourd’hui comme

l’une de nos préoccupations majeures. Certaines de ses sources s’épuisent, d’autres polluent

notre environnement. Nos besoins augmentant chaque jour, que faut-il utiliser ? Quelles sont

les énergies que l’on appelle renouvelables, et sont-elles vraiment propres ? L’histoire de

l’énergie, et tout particulièrement des énergies renouvelables, est donc d’actualité.

Depuis plusieurs décennies, l’homme est devenu de plus en plus convaincu de la

nécessité de nouvelles sources plus propres et plus rentables d’énergie. Ceci a pour but soit de

renforcer celles déjà existantes, soit de les remplacer carrément. Dans ce contexte, il ne

trouvera pas mieux que l’énergie éolienne.

Cette dernière aussi présente un impact sur l’environnement et les riverains, que ce soit

au niveau des éléments constitutifs des éoliennes, des produits contenus dans l’installation,

des modes de fonctionnement, etc. En outre, l’ensemble des causes externes à l’installation

pouvant entraîner un phénomène dangereux, qu’elles soient de nature environnementale,

humaine ou matérielle.

À cet effet, il existe plusieurs notions permettant une optimisation des systèmes

industriels qui s’intègrent à la discipline de la sécurité, fiabilité, maintenabilité et maîtrise de

risques.

À l’issue de l’analyse détaillée des risques ; les risques potentiels retenus pour les

installations d’un parc éolien sont les suivants: l’effondrement des éoliennes, la chute

d’élément, la chute de glace, la projection de tout ou partie de pale et la projection de glace.

Comme la pale est un élément structurel essentiel dans l’éolienne, elle est sujette au

risque de « projection partielle ou totale », qui est dû à la fatigue des matériaux destinés à la

conception de cette dernière. Car elle est exposée, selon la climatologie de la région, à des

contraintes d’ordre climatique telles que les vents violents, les variations de température et

d’humidité, les grains de sable liés aux tempêtes, etc.

Cela nous a conduits à comprendre le comportement des matériaux composites vis-à-vis

ce type de sollicitations et de défaillances. Cette défaillance qui est la fatigue, est l’un des

sérieux problèmes pouvant entraver le bon fonctionnement de l’éolienne. Par conséquent, elle

peut avoir un impact négatif sur les performances et peut même entraîner des pannes

prématurées.

Ce travail de thèse est réparti en cinq chapitres. Dans le premier, une description de la

naissance du phénomène du vent, suivie par l’histoire de l’évolution des éoliennes durant les

Page 20: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Introduction générale

3

dernières décennies. Des statistiques sont données montrant l’évolution de la production et la

consommation de l’énergie éolienne dans le monde et l’Afrique en particulier, puis une

description détaillée des différentes structures d’un parc éolien, et leur principe de

fonctionnement.

Le deuxième chapitre est composé de deux sections: la première est consacrée à l’impact

des éoliennes sur l’environnement, tel que le paysage, la faune et la flore et les riverains. La

deuxième section est sur l’identification des différents potentiels de danger liés à

l’installation, incluant : les risques liés au milieu naturel, aux produits, aux conditions

d’exploitations et en fin les risques sanitaires qui sont les plus dangereux. La deuxième

section présente aussi le résultat d’une analyse des risques, qui peut être considéré comme

représentatif des scénarios d’accident pouvant potentiellement se produire sur les éoliennes.

Et à la fin de ce chapitre, une identification des barrières de sécurité installées sur les

aérogénérateurs "éoliennes" et qui interviennent dans la prévention et/ou la limitation des

phénomènes dangereux listés dans le tableau de l’analyse préliminaire des risques APR et de

leurs conséquences.

Les pales d’un aérogénérateur sont exposées durant leur fonctionnement à des

chargements cycliques complexes, dus à des conditions environnementales sévères et très

variables, comme le cas des vents forts et des rafales qui engendrent des efforts extrêmes,

favorisant ainsi la fatigue des pales. Ces notions sont le cœur du troisième chapitre, qui

commence à donner un aperçu sur la conception des pales d’éoliennes en matériaux

composites, et de leur classification et leur constitution. Puis, une description sur le procédé

de fabrication des pales d’éoliennes par le Moulage par Transfert de Résine « Resin transfer

Molding RTM ». Après toutes ces définitions, il est donc nécessaire de bien comprendre les

mécanismes d’endommagent en fatigue, et de savoir comment prendre en compte au mieux

les différents facteurs dont dépend la fatigue des matériaux composites (la nature des fibres et

des résines, du drapage, de la qualité des interfaces...).

Les travaux présentés dans le quatrième chapitre portent sur la prédiction de la rupture

des matériaux composites des pales d’éoliennes. Rappelons que lors des tests de fatigue, les

éprouvettes testées ont des durées de vie largement différentes, cela rend les données

brouillées ou manquantes, par conséquent, les résultats seront compliqués et non linéaires.

Pour résoudre cette problématique, nous nous sommes tournés vers l’intelligence artificielle

(IA) en particulier les réseaux de neurones artificiels (RNA), qui ont été conçus pour apporter

des réponses à des problèmes complexes et qui peuvent avoir un grand nombre de solutions

possibles. En fait, ils sont considérés comme éligibles à tout problème qui se présente sous

forme d’une fonction de mise en correspondance entre un espace d’entrée et un espace de

sortie.

Les réseaux de neurones utilisés dans le cinquième chapitre sont employés pour prédire le

comportement en fatigue (résistance et durée de vie) des matériaux composites destinés à la

conception des pales d’éoliennes. La phase expérimentale sur ces matériaux a été réalisée par

Page 21: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Introduction générale

4

les laboratoires nationaux de SNADIA (USA), et les données ont été collectées à partir d’une

variété de leur base de données. Après plusieurs tests de topologie (architecture du réseau),

algorithme d’apprentissage et d’entrainement, des fonctions d’activations...; le choix s’arrête

sur le réseau feedforward à une seule couche cachée « Tow-layer feedforward neural

network » entrainé par deux algorithmes qui sont : l’algorithme de rétropropagation

« Levenberg-Marquardt (LM) » utilisé dans la première section de ce chapitre (l’effet de

l’environnement sur la fatigue des pales d’éoliennes) ; et l’algorithme d’Optimisation par

Essaim de Particules OEP « Paticle swarm optimazation PSO » utilisé dans la deuxième

section du même chapitre (l’effet d’orientation de fibres sur la fatigue des pales d’éoliennes).

Sachant que le réseau exploité est d’un apprentissage supervisé utilisant l’erreur quadratique

moyenne « Mean square error MSE » comme critère à optimiser, ce qu’on appelle « The

fitness function ».

Page 22: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

5

Chapitre I

État de l’art des éoliennes

I.1 D’où vient le vent ?

Le vent est en fait la résultante de plusieurs phénomènes qui engendrent différents types

de forces, à l’origine de mouvements d’air. Pour être tout à fait rigoureux, il y a même trois

forces différentes, qui sont [1] :

Forces de pression

Force de Coriolis

Forces de frottement.

Dans un premier temps, il faut savoir que le vent est indissociable du soleil. En effet,

c’est grâce au soleil que les principaux mouvements d’air peuvent avoir lieu.

Fig. I.1a : Rose des vents Fig. I.1b : Manche à air

Page 23: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

6

La terre reçoit 1.75x1014

kW de puissance du soleil sous forme de rayons solaires, ces

rayons réchauffent l’air atmosphérique [2]. Cette atmosphère est constituée de gaz, qui au

passage sont principalement de l’azote et de l’oxygène. Ces gaz qui constituent notre air vont

être chauffés par les rayons du soleil, mais de façon non uniforme, principalement à cause de

la forme sphérique de la terre. Car l’inclinaison des rayons du soleil par rapport au sol

terrestre aura tendance à plus chauffer l’air qui se trouve au niveau de l’équateur qu’au niveau

des pôles. Mais cette non-uniformité est aussi due à la présence d’océans ou de continents,

ainsi qu’à l’épaisseur des nuages [1]. Donc une fois l’air chauffé, celui-ci va chercher à

occuper un plus grand volume, il va se dilater et être à l’origine d’une force de pression qui va

s’exercer sur une partie de l’atmosphère sous forme de mouvements de convection de

l’équateur vers les pôles (les volumes de gaz pris en compte étant quand même importants).

C’est ce phénomène qui va être à l’origine de notre première force nécessaire à la

« naissance » du vent : la force de pression [3].

A ce phénomène d’échange thermique s’ajoute l’effet de la force de Coriolis générée par

la rotation de la Terre et qui accélère la descente de ces masses d’air chaud. Dans ces zones il

y a la création de hautes pressions (anticyclone), alors qu’inversement à l’équateur l’ascension

de l’air chaud crée une zone de basses pressions attirant les masses d’air des pôles [1, 4]. Ces

vents correspondent à des phénomènes globaux géostrophiques [5].

Enfin, voici notre troisième force, qui correspond aux frottements. Il s’agit des frictions

entre le sol et les masses d’air déplacées, ou encore entre les différentes masses d’air elles-

mêmes qui auront modifié leurs trajectoires aux abords des reliefs rencontrés [1]. En effet, on

comprendra facilement qu’il se forme des turbulences, quand par exemple, se dresse devant

ces masses d’air une chaîne de montagnes [6].

La force du vent est mesurée en km/h ou en nœud. Les nœuds étant en fait des miles par

heure. Cette force correspond à la vitesse du vent à une hauteur standard de 10 mètres au-

dessus d’un terrain plat et découvert. Une échelle de valeurs a été mise en place vers 1805 par

un contre-amiral anglais Francis Beaufort [5]. Graduée de 0 à 17, l’échelle anémométrique de

Beaufort décrit le vent du premier souffle à l’ouragan.

I.2 L’énergie éolienne en quelques chiffres

I.2.1 Histoire de l’éolien

Parmi toutes les énergies renouvelables, à part l’énergie du bois, c’est l’énergie du vent

qui a été exploitée en premier par l’homme. Depuis l’antiquité, elle fut utilisée pour la

propulsion des navires et ensuite les moulins à blé et les constructions permettant le pompage

d’eau. Les premières utilisations connues de l’énergie éolienne remontent à 2000 ans avant J.-

C environ. Hammourabi, fondateur de la puissance de Babylone, avait conçu tout un projet

d’irrigation de la Mésopotamie utilisant la puissance du vent. La première description écrite

de l’utilisation des moulins à vent en Inde date d’environ 400 ans avant J.-C. Les Chinois ont

également exploité la puissance du vent pour les systèmes de pompage de l’eau [7].

Page 24: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

7

Le début du Moyen-Âge a vu l’apparition des moulins en Europe avec comme

application l’assèchement des lacs et terrains inondés aux Pays-Bas ainsi que la moudre de

grains.

Fig. I.2a : Éolienne de pompage Fig. I.2b : Moulins à vent

La génération d’énergie électrique par le vent a débuté à la fin du XIXème siècle. Parmi

les pionniers, on peut citer Paul La Cour au Danemark qui a associé une dynamo à une

éolienne en 1891. Dans les années 1950, Johannes Juul (élève de Paul La Cour) devint aussi

un pionnier dans l’utilisation de l’énergie éolienne en construisant les premières éoliennes

produisant du courant alternatif.

La première crise pétrolière en 1973 contribua à éveiller l’intérêt pour l’énergie éolienne

dans plusieurs pays. Ainsi plusieurs pays commencèrent à investir de l’argent pour améliorer

notamment la technologie des aérogénérateurs.

L’industrie espagnole de l’énergie éolienne a remporté des victoires remarquables tant

dans la conception que dans la fabrication des aérogénérateurs. Les États-Unis d’Amérique

ont notamment lancé en Californie une opération à grande échelle au début des années 1980

en passant de 7 MW en 1981 à 386 MW en 1985 à 16 813 MW en 2007 à 25 170 MW en

2008 et en 2009 35 159 MW qui occupe la première place en production d’énergie éolienne.

En 1991, l’Espagne avait seulement 7 MW de puissance installée ; à la fin de 2008, elle

cumulait 16 689 MW de puissance installée et se hissait au troisième rang, et au quatrième

rang en 2009 avec 19 149 MW, de tous les pays du monde en matière de production d’énergie

éolienne [7].

Aujourd’hui, les études portent sur l’amélioration des matériaux ainsi que sur la chaîne de

conversion de l’énergie du vent en énergie électrique exploitable par le réseau. Les premières

éoliennes mettent en œuvre une génératrice asynchrone liée aux pales par l’intermédiaire

d’une boîte de vitesse, fonctionnent à vitesse fixe et sont directement reliées au réseau (pas

d’interface électronique). Cette technologie était surtout employée au Danemark dans les

années 1970. Les systèmes les plus récents se dirigent d’une part vers la vitesse variable pour

Page 25: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

8

maximiser la puissance captée du vent avec l’insertion d’interface d’électronique entre la

génératrice et le réseau [8].

I.2.2 L’énergie éolienne pour quoi faire ?

L’énergie éolienne est utilisée par l’homme depuis très longtemps déjà. Elle remplaça les

rames pour faire avancer les navires, elle fut utilisée pour actionner les meules des moulins,

elle permet encore le pompage d’eau pour abreuver les bêtes dans les champs. Depuis plus de

100 ans, elle est utilisée pour produire de l’électricité, source d’énergie fondamentale dans

notre société actuelle. En effet, on utilise l’électricité pour la plupart de notre activité, que ce

soit dans le domaine domestique ou industriel [9].

Ainsi l’homme a souvent besoin d’énergie électrique dans des proportions faibles ou

importantes selon l’utilisation qu’il a faite :

Pour faire fonctionner des stations météo ou toutes autres installations électriques

isolées à faible consommation, une éolienne de petite taille peut fournir cette énergie

tout au long de l’année.

Pour alimenter en éclairage des maisons ou villages dans des contrées isolées

exposées au vent, des installations d’éoliennes de quelques mètres de diamètres sont

choses courantes.

Pour alimenter en électricité des villes tout en produisant une énergie propre, on

utilise des éoliennes de plusieurs dizaines de mètres de diamètres pouvant produire

jusqu’à 4.5 MW [10].

I.2.3 Développement de l’énergie éolienne

Depuis ces dernières années, la production d’électricité par l’énergie éolienne s’est

considérablement développée dans le monde entier. Ceci est principalement dû à deux

raisons :

Produire une énergie propre ;

Trouver une source d’énergie durable alternative aux combustibles fossiles.

Fig. I.3 : Capacité éolienne cumulée en GW dans le monde de 1996 à 2014 [11]

Page 26: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

9

À la fin 2014, le total mondial de la puissance éolienne installée atteignait 369.6 GW, en

augmentation de 51.5 GW en un an. La Chine a installé à elle seule 23.35 GW, soit 45.2 % du

total 2014, et représente 31 % du parc mondial fin 2014.

Fig. I.4 : Évolution des puissances éoliennes installées en MW dans les 5 pays leaders [11]

Les États-Unis et la Chine représentent ensemble 38.4 % du total mondial installé. Les

cinq premiers pays (États-Unis, Chine, Allemagne, Espagne et Inde) représentent 72.9 % du

total, légèrement plus que les 72.4 % de 2008.

Pour la première fois, l’Europe représente moins de la moitié de la Capacité totale : lors

des années passées, la part de l’Europe est tombée de 65.5 % en 2006 à 61 % en 2007, 54.6 %

en 2008 puis 47.9 % en 2009.

Alors qu’il y a cinq ans l’Europe dominait le marché mondial des éoliennes avec 70.7 %

de la nouvelle capacité installée, l’Europe est descendue à la troisième place en 2009 avec

seulement 27.3 % de la capacité installée en 2009 (2008 : 32.8 %), juste derrière l’Amérique

du Nord (28.4 %, après 32.6 % en 2008) [11]. L’Asie est devenue le continent leader,

représentant 40.4 % des nouvelles éoliennes installées (31.5 % en 2008).

L’Amérique latine (1.5 %, 0.6 % auparavant) et l’Afrique (constante à 0.5 %) restent des

parts mineures de la capacité totale. Les deux continents ont augmenté leur part dans les

nouvelles installations à 1.5 % pour l’Amérique Latine (2008 : 0.4 %) et 0.4 % pour l’Afrique

(2008 : 0.3 %).

I.2.4 Production éolienne

En 2012, la production mondiale d’électricité éolienne a atteint 534.3 TWh, en

augmentation de 18.3 % par rapport à 2011 ; son taux moyen annuel d’accroissement depuis

10 ans a été de 26.1 % ; elle représente 11.4 % de la production totale d’électricité

renouvelable et 2.4 % de la production mondiale d’électricité [12].

Page 27: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

10

Tab. I.1 : Production mondiale d’électricité éolienne en 2011 et 2012 en (TWh)

Pays 2011 2012 % 2012

États-Unis 120.5 140.9 26.4

Chine 88.6 118.1 22.1

Espagne 42.4 49.1 9.2

Allemagne 48.9 46.0 8.6

Inde 24.9 30.0 5.6

Royaume-Uni 15.5 19.6 3.7

France 12.2 14.9 2.8

Italie 9.9 13.4 2.5

Canada 10.2 11.8 2.2

Danemark 9.8 10.3 1.9

Total mondial / 534.3 100

L’énergie éolienne est la deuxième source d’électricité renouvelable après l’hydraulique.

L’Europe de l’Ouest est en 2012 la première région productrice avec 36.8 %, devant

l’Amérique du Nord (28.6 %) et l’Asie de l’Est et du Sud-Est (23.3 %) ; l’Asie du Sud

(5.6 %), l’Europe centrale (2.1 %) et l’Océanie (1.5 %) ont amorcé leur démarrage depuis

quelques années ; l’Amérique centrale (0.7 %), l’Afrique du Nord (0.4 %), l’Afrique

Subsaharienne (0.04 %) et le Moyen-Orient (0.04 %) sont encore peu impliqués [12]. La

production a été multipliée par dix en une décennie ; les taux moyens de croissance sur 10 ans

sont particulièrement élevés en Asie de l’Est et du Sud-Est (+57.5 % par an) et en Amérique

du Nord (+30.4 %), qui rattrape rapidement l’Europe de l’Ouest (+18.4 %). En 2012, la filière

éolienne a été, après l’hydraulique, la seconde par sa contribution à la croissance de la

production d’électricité renouvelable (30 %).

I.2.5 L’éolien dans l’Afrique

La puissance éolienne installée en Afrique a progressé de 58 % en 2014, passant de

1612 MW fin 2013 à 2545 MW fin 2014 ; le Maroc a pris la première place sur le continent

africain en termes de puissance installée avec 1157 MW répartis en 15 parcs ; l’Égypte se

place au deuxième rang en Afrique par 610 MW fin 2014, en progression de 60 MW [5].

L’Afrique du Sud se place au troisième rang avec 570 MW installés fin 2014, après avoir mis

une décennie pour installer ces premiers 10 MW d’éoliennes, elle est en train de développer

3000 MW à 5000 MW de projets éoliens, dont 636 MW en construction et 562 MW proches

de leur bouclage financier ; le plan directeur énergétique (Power Sector Integrated Resource

Plan 2010-2030) prévoit 9000 MW éoliens d’ici 2030.

L’Algérie présente un potentiel éolien considérable qui peut être exploité pour la

production d’énergie électrique, surtout dans le sud où les vitesses de vents sont élevées et

Page 28: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

11

peuvent dépasser 4 m/s (6 m/s dans la région de Tindouf), et jusqu’à 7 m/s dans la région

d’Adrar [13, 14, 15].

Fig. I.5 : Carte annuelle de la vitesse moyenne du vent en (m/s) en Algérie (2009-2010)

Les ressources énergétiques de l’Algérie ont déjà été estimées par le CDER (Centre de

Développement des Énergies Renouvelable) depuis les années 90 à travers la production des

Atlas de la vitesse du vent et du potentiel énergétique éolien disponible en Algérie.

Ceci a permis l’identification de huit zones ventées susceptibles de recevoir des

installations éoliennes [16] :

Deux zones sur le littoral

Trois zones sur les hauts plateaux

Trois zones en sites sahariens.

La réalisation de la première ferme éolienne en Algérie, d’une puissance de 10 MW à

Adrar (sud-ouest), a été confiée Janvier 2010 au groupe français VERGNET. Ce dernier a été

retenu par la Compagnie de l’Engineering de l’Électricité et du Gaz (CEEG), filiale du groupe

SONELGAZ [17].

Le potentiel éolien de ces régions a été estimé à 172 TWh/an dont 37 TWh/an

économiquement exploitable soit l’équivalent de 75 % des besoins nationaux en 2007 [17].

Les trois régions situées au sud-ouest du Sahara (Tindouf, In Salah et Adrar) semblent être les

plus favorables à l’installation de fermes éoliennes, car elles cumulent à elles seules un

potentiel économique approchant les 24 TWh/an.

La figure (I.5) présente la carte des vents en Algérie établie par le centre de

développement des énergies renouvelables CDER, division énergie éolienne [13].

Page 29: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

12

I.2.6 Emplacement des parcs éoliens

Les parcs éoliens se situent naturellement là où il y a un niveau de vent suffisant tout au

long de l’année pour permettre une production maximale. Les côtes, les bords de mer et les

plateaux offrent des conditions intéressantes en termes de vent, mais il faut aussi tenir compte

de l’impact sur le paysage [9]. Pour ces raisons, lorsque c’est possible, des parcs éoliens

offshores sont construits. Ces derniers comportent des dizaines d’éoliennes comme on peut le

voir sur la figure I.6.

Fig. I.6 : Installation d’éoliennes offshore en Mer du Nord (Photo Gunnar Britse)

I.3 Caractéristiques générales d’un parc éolien

Un parc éolien est une centrale de production d’électricité à partir de l’énergie du vent

[18]. Il est composé de plusieurs aérogénérateurs et de leurs annexes :

Plusieurs éoliennes fixées sur une fondation adaptée, accompagnée d’une aire

stabilisée appelée « plateforme » ou « aire de grutage »

Un réseau de câbles électriques enterrés permettant d’évacuer l’électricité produite

par chaque éolienne vers le ou les poste(s) de livraison électrique (appelé « réseau

inter-éolien »)

Un ou plusieurs poste(s) de livraison électrique, concentrant l’électricité des

éoliennes et organisant son évacuation vers le réseau public d’électricité au travers

du poste source local (point d’injection de l’électricité sur le réseau public)

Un réseau de câbles enterrés permettant d’évacuer l’électricité regroupée aux postes

de livraison vers le poste source (appelé « réseau externe » et appartenant le plus

souvent au gestionnaire du réseau de distribution d’électricité)

Un réseau de chemins d’accès

Éventuellement des éléments annexes type mât de mesure de vent, aire d’accueil du

public, aire de stationnement, etc.

Page 30: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

13

Fig. I.7 : Schéma descriptif d’un parc éolien terrestre

I.3.1 Eléments constitutifs d’une éolienne

L’éolienne (ou aérogénérateur) est définie comme un dispositif mécanique destiné à

convertir l’énergie du vent en électricité, composé des principaux éléments suivants : un mât,

une nacelle, le rotor auxquels sont fixées les pales, ainsi que, le cas échéant, un

transformateur. Les aérogénérateurs se composent de ces cinq principaux éléments [18, 19].

Fig. I.8 : Éléments constitutifs d’une éolienne

I.3.1.1 Mât

Le mât, pylône ou tour a pour rôle, d’une part de supporter l’ensemble rotor plus nacelle

pour éviter que les pales ne touchent le sol, et d’autre part, de placer le rotor à une hauteur

Page 31: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

14

suffisante, de manière à sortir autant que possible le rotor du gradient de vent qui existe à

proximité du sol, améliorant ainsi la captation de l’énergie. La tour cylindrique est une

structure en acier d’une hauteur comprise entre 60 et 100 mètres, à l’intérieur de laquelle se

trouvent l’échelle d’accès et les câbles électriques de raccordement au réseau.

I.3.1.2 Moyeu

En général c’est une pièce d’acier moulé, il reçoit les pales sur des brides normalisées et

se monte sur l’arbre lent du multiplicateur. Pour sa conception on utilise des éléments finis. Il

est souvent protégé par une coupe en polyester en forme d’obus qui a une forme

aérodynamique (plus esthétique que fonctionnelle)

I.3.1.3 Nacelle

Située en haut de la tour et qui comporte toute l’installation de production d’électricité :

le multiplicateur, le (ou les) générateur(s), les systèmes de frein et d’orientation de l’éolienne

et tous les équipements automatisés d’asservissement de l’ensemble des fonctions de

l’éolienne. La nacelle est une structure en acier ou en fonte à laquelle tous ces éléments sont

attachés.

I.3.1.4 Rotor

Fait tourner le mécanisme d’entraînement et le générateur. Les pales doivent être légères,

solides et durables, pour résister à l’action des éléments. On les construit habituellement en

matériaux composites à base de fibre de verre, en plastique renforcé ou en bois. Le rotor ne

tourne pas trop vite [19]. C’est le diamètre des pales qui détermine la quantité d’électricité

produite par le système. L’éolienne compte habituellement deux ou trois pales, le rotor à trois

pales réduit les contraintes mécaniques que subit le système, mais son coût est plus élevé.

Les rotors à pas variable : le mécanisme est presque idéal, car on optimise la vitesse

de rotation et la puissance (presque constante), en fonction du vent disponible. Mais

un tel dispositif est complexe et coûteux [20].

Les rotors à pas fixe : ralentir automatiquement à partir d’une certaine vitesse. La

conception des pales conduit à un effet aérodynamique qui réduit l’efficacité du rotor.

Cette technologie entraîne néanmoins une variation plus importante des vitesses du

rotor et exige de réguler davantage le courant de sortie [20]. En outre, par vents forts,

et bien que la turbine ralentisse, les pales, toujours face au vent, exercent de fortes

pressions sur la nacelle et le mât.

I.3.1.5 Pales

Le rotor, et tout particulièrement les pales, constituent la partie mécanique la plus importante

de l’éolienne. L’efficacité globale de l’aérogénérateur dépend fortement de celle-ci [19].

Plusieurs éléments caractérisent ces dernières tels que : la longueur, la largeur, le profil, le

matériau et le nombre.

Page 32: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

15

Fig. I.9 : Montage des pales d’éolienne

Parmi ces éléments, certains sont déterminés par des hypothèses de calcul, puissance et

couple et d’autres sont choisis en fonction du critère tels que : couts, résistance au climat.

I.3.1.5.1 Longueur

Le diamètre de l’hélice est en fonction de la puissance désirée, la détermination de ce

diamètre fixe aussi la fréquence de rotation maximum, que l’hélice ne devra pas dépasser pour

limiter les contraintes en bout de pales dues à la force centrifuge. Il est essentiel de prendre en

compte le travail des pales en fatigue et les risques de vibration, surtout pour les très longues

pales. Pour les roues à marche lente, ayant une inertie importante, le diamètre reste limité à

8 m à cause de leur comportement lors de rafales du vent. Pour les roues à marche rapide, la

longueur des pales peut être grande, supérieure à 30 m.

I.3.1.5.2 Largeur

La largeur des pales intervint pour le couple de démarrage qui sera d’autant meilleur que

la pale sera large. Mais pour obtenir des vitesses de rotation élevées, on préférera des pales

fines et légères. Le résultat sera donc un compromis.

I.3.1.5.3 Profil

Il est choisi en fonction du couple désiré. Pour la plupart des aérogénérateurs de moyenne

et de faible puissance, les pales ne sont pas vrillées. Par contre, pour la plupart des machines

de grande puissance (≥ 100 KW), elles le sont, c’est-à-dire qu’elles prennent la forme d’une

hélice. Les caractéristiques des différents profils sont déterminées en soufflerie. Ils ont en

général été étudiés pour l’aviation (ailes ou hélices)

I.3.1.5.4 Matériaux

Les matériaux choisis doivent répondre aux objectifs techniques d’assurance qualité avec

la prise en compte des nouvelles réglementations vis-à-vis du respect de l’environnement. Il

est donc important de choisir avec prudence : la classe des fibres, la classe de la matrice et la

mousse constituant le sandwich (mousse adaptée à la mise en œuvre) [21].

Page 33: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

16

Les caractéristiques mécaniques des matériaux sélectionnés sont déterminées après

plusieurs essais de traction, compression, flexion, torsion, délaminage, flambage, fatigue,

contrôle de fibres en volume, etc. [21].

Les valeurs obtenues seront comparées aux valeurs calculées en tenant compte des

aspects environnementaux et sanitaires qui peuvent être caractérisés par une approche d’éco-

caractérisation et des éco-coefficients représentatifs de la fonction d’éco-conception.

Fig. I.10 : Conception d’une pale d’éolienne

On rencontre plusieurs types de matériaux :

Le bois : il est simple, léger, facile à travailler et il résiste bien à la fatigue, mais il est

sensible à l’érosion, peut se déformer et est réservé pour des pales assez petites.

Le lamellé-collé : c’est un matériau composite constitué d’un empilement de lamelles

de bois collées ensemble. Il est possible de réaliser des pales jusqu’à 5 à 6 m de

longueur ayant un bonne tenue à la fatigue.

Les alliages d’aluminium : pour des pales allant principalement jusqu’à 20 m de

longueur.

Les matériaux composites : Leur intérêt est de permettre la réalisation de toutes les

formes et dimensions, ainsi que d’obtenir les caractéristiques mécaniques exactes

recherchées : pale vrillée, corde évolutive et changement de profil [22].

I.3.1.5.5 Nombre de pales

Les éoliennes à marche lente ont généralement entre 20 et 40 ailettes et ont un couple de

démarrage proportionnel au nombre de pales et au diamètre ; leur rendement par rapport à la

limite de Betz (voir Annexe A) est faible, car leur vitesse en bout de pale est limitée. Les

éoliennes à marche rapide sont généralement bipales ou tripales. La roue bipale est la plus

économique et la plus simple, mais elle est génératrice de vibrations qui peuvent être

importantes. La roue tripale présente moins de risque de vibration, d’où fatigue et bruit plus

faibles, mais elle est plus compliquée et plus lourde.

Page 34: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

17

I.3.2 Emprise au sol

Plusieurs emprises au sol sont nécessaires pour la construction et l’exploitation des parcs

éoliens [18] :

La surface de chantier est une surface temporaire, durant la phase de construction,

destinée aux manœuvres des engins et au stockage au sol des éléments constitutifs

des éoliennes.

La fondation de l’éolienne est recouverte de terre végétale. Ses dimensions exactes

sont calculées en fonction des aérogénérateurs et des propriétés du sol.

La zone de surplomb ou de survol correspond à la surface au sol au-dessus de

laquelle les pales sont situées, en considérant une rotation à 360° du rotor par rapport

à l’axe du mât.

La plateforme correspond à une surface permettant le positionnement de la grue

destinée au montage et aux opérations de maintenance liées aux éoliennes. Sa taille

varie en fonction des éoliennes choisies et de la configuration du site d’implantation.

Fig. I.11 : Illustration des emprises au sol d’une éolienne [18]

Si les éoliennes ont évolué en taille et en puissance dans le monde entier, leur technologie

actuelle est également sensiblement différente des premières éoliennes installées. Les

technologies sont aujourd’hui plus sûres et plus fiables grâce à de nombreuses évolutions

technologiques telles que :

les freins manuels (sur le moyeu) de rotor qui ont été remplacés par des systèmes de

régulation aérodynamiques (pitch), évitant l’emballement et assurant des vitesses de

rotation nominales constantes ;

l’évolution des matériaux des pales vers des fibres composites ;

le développement de nouveaux systèmes de communication par fibres optiques,

satellites, etc. qui ont permis d’améliorer la supervision des sites et la prise de

commande à distance ;

Page 35: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

18

l’installation de nouveaux systèmes de sécurité (détection de glace, vibrations, arrêt

automatiques, etc.).

I.3.3 Principe de fonctionnement d’une éolienne

Les instruments de mesure de vent placés au-dessus de la nacelle conditionnent le

fonctionnement de l’éolienne. Grâce aux informations transmises par la girouette qui

détermine la direction du vent, le rotor se positionnera pour être continuellement face au vent.

Les pales se mettent en mouvement lorsque l’anémomètre (positionné sur la nacelle)

indique une vitesse de vent d’environ 10 km/h et c’est seulement à partir de 12 km/h que

l’éolienne peut être couplée au réseau électrique. Le rotor et l’arbre dit « lent » transmettent

alors l’énergie mécanique à basse vitesse (entre 5 et 20 tr/min) aux engrenages du

multiplicateur, dont l’arbre dit « rapide » tourne environ 100 fois plus vite que l’arbre lent.

Certaines éoliennes sont dépourvues de multiplicateur et la génératrice est entraînée

directement par l’arbre « lent » lié au rotor. La génératrice transforme l’énergie mécanique

captée par les pales en énergie électrique [19, 23].

La puissance électrique produite varie en fonction de la vitesse de rotation du rotor. Dès

que le vent atteint environ 50 km/h à hauteur de nacelle, l’éolienne fournit sa puissance

maximale. Cette puissance est dite « nominale ».

Tab. I.2 : Découpage fonctionnel de l’installation

Élément de

l’installation Fonction

Fondation Ancrer et stabiliser l’éolienne dans le sol

Mât Supporter la nacelle et le rotor

Nacelle

Supporter le rotor

Abriter le dispositif de conversion de l’énergie

mécanique en électricité (génératrice, etc.) ainsi

que les dispositifs de contrôle et de sécurité

Rotor/pales Capter l’énergie mécanique du vent et la

transmettre à la génératrice

Transformateur Élever la tension de sortie de la génératrice avant

l’acheminement du courant électrique par le réseau

Poste de

livraison

Adapter les caractéristiques du courant électrique à

l’interface entre le réseau privé et le réseau public

Pour un aérogénérateur de 2,5 MW par exemple, la production électrique atteint

2500 kWh dès que le vent atteint environ 50 km/h. L’électricité produite par la génératrice

correspond à un courant alternatif de fréquence 50 Hz avec une tension de 400 à 690 V. La

Page 36: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

19

tension est ensuite élevée jusqu’à 20 000 V par un transformateur placé dans chaque éolienne

pour être ensuite injectée dans le réseau électrique public.

Lorsque la mesure de vent, indiquée par l’anémomètre, dépasse les 100 km/h (variable

selon le type d’éoliennes), l’éolienne cesse de fonctionner pour des raisons de sécurité. Deux

systèmes de freinage permettront d’assurer la sécurité de l’éolienne :

Le premier par la mise en drapeau des pales, c’est-à-dire un freinage aérodynamique :

les pales prennent alors une orientation parallèle au vent.

Le second par un frein mécanique sur l’arbre de transmission à l’intérieur de la

nacelle.

I.4 Raccordement électrique

Le raccordement d’éoliennes au réseau global de distribution électrique (sans stockage

local de l’énergie) nécessite, comme pour les autres centrales de production électrique, des

lignes haute tension [23, 24]. La concentration des éoliennes en parcs terrestres, côtiers ou

maritimes correspond à une logique de centralisation de l’offre de courant.

Fig. I.12 : Raccordement électrique d’un parc éolien [24]

I.4.1 Réseau inter-éolien

Le réseau inter-éolien permet de relier le transformateur, intégré ou non dans le mât de

chaque éolienne, au point de raccordement avec le réseau public. Ce réseau comporte

également une liaison de télécommunication qui relie chaque éolienne au terminal de

télésurveillance. Ces câbles constituent le réseau interne de la centrale éolienne, ils sont tous

enfouis à une profondeur minimale de 80 cm.

I.4.2 Poste de livraison

Le poste de livraison est le nœud de raccordement de toutes les éoliennes avant que

l’électricité ne soit injectée dans le réseau public. Certains parcs éoliens, par leur taille,

peuvent posséder plusieurs postes de livraison, voire se raccorder directement sur un poste

Page 37: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre I État de l’art des éoliennes

20

source, qui assure la liaison avec le réseau de transport d’électricité (lignes haute tension). La

localisation exacte des emplacements des postes de livraison est fonction de la proximité du

réseau inter-éolien et de la localisation du poste source vers lequel l’électricité est ensuite

acheminée.

I.4.3 Réseau électrique externe

Le réseau électrique externe relie le ou les postes de livraison avec le poste source

(réseau public de transport d’électricité). Ce réseau est réalisé par le gestionnaire du réseau de

distribution. Il est lui aussi entièrement enterré.

I.5 Conclusion

Ce chapitre donne une idée générale sur l’énergie éolienne et son intérêt. Cette énergie

renouvelable a suivi son chemin depuis plusieurs années avec une croissance annuelle

d’utilisation très importante dans le monde. La production d’électricité par l’énergie éolienne

intéresse de plus en plus les pays afin de produire une énergie propre et durable.

Son développement va progresser grâce aux recherches effectuées sur les moyens de

conversion de l’énergie. Une éolienne faisant appel à de nombreux domaines de compétences,

allant de la mécanique classique au génie électrique en passant par la résistance des

matériaux. Elle nécessite une communication et un travail en commun entre de nombreux

corps de métiers.

Utilisant les matériaux et les procédés technologiques les plus novateurs, l’industrie

éolienne devrait pouvoir produire des aérogénérateurs permettant de limiter, voire même

supprimer l’utilisation de nos centrales thermiques. Les grands parcs de production donnent

de bons résultats et se développent de plus en plus avec des éoliennes toujours plus

puissantes.

L’état avancé des recherches dans le domaine éolien montre une volonté de développer

des éoliennes capables de capter au mieux la puissance disponible dans le vent. Beaucoup de

recherches sont faites en ce moment sur les stratégies des différentes chaînes de conversion

utilisées pour la production d’électricité éolienne.

Page 38: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

21

Chapitre II

Analyse et évaluation des risques d’un parc éolien

II.1 Introduction

Tout système industriel est susceptible de générer des risques de nature variée. Dans le

domaine de la sécurité, on s’intéresse plus particulièrement aux conséquences négatives, qui

se traduisent, par exemple, par un dommage causé à un élément vulnérable. Dans ce cas le

risque est défini comme « la combinaison de la probabilité d’un dommage et de sa gravité ».

La gestion des risques est une des composantes fondamentales de la gestion de la

production de l’énergie éolienne. Gérer un risque est un processus itératif qui a pour objectif

d’identifier, d’analyser et de réduire au maximum ce dernier ou de le maintenir dans des

limites acceptables.

Ce chapitre a pour objectif de mettre en évidence les éléments de l’installation pouvant

constituer un danger potentiel, au niveau des éléments constitutifs des éoliennes, des produits

contenus dans l’installation, des modes de fonctionnement, etc. L’ensemble des causes

externes à l’installation pouvant entraîner un phénomène dangereux, qu’elles soient de nature

environnementale, humaine ou matérielle, seront traitées dans l’analyse des risques.

Page 39: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

22

II.2 Impact des éoliennes sur l’environnement

Le développement des projets éoliens, qui permettra d’atteindre ces objectifs, doit être

réalisé de manière à prévenir les atteintes aux paysages, au patrimoine et à la qualité de vie

des riverains. Dans cette perspective, l’étude d’impact constitue le seul moyen de fonder la

décision [25]. Elle facilite l’élaboration de projets prenant en compte les enjeux

environnementaux locaux, et contribue à un débat social enrichi.

II.2.1 Impact sur le paysage

Quoique l’esthétique d’une éolienne soit une affaire de gout qu’on ne peut objectivement

trancher, les riverains craignent généralement une dégradation visuelle des sites concernés.

Fig. II.1 : Impact visuel d’un parc éolien [26]

La présence d’une éolienne ou d’un parc éolien dans le paysage ne laisse jamais

indifférent. C’est souvent l’argument premier des mouvements anti-éoliens qui se forment et

qui déclenchent des débats animés lors de l’annonce de l’implantation d’un parc éolien. Pour

s’affranchir de toute subjectivité, il faut considérer l’éolienne comme une nouvelle

déclinaison du motif bâti, de très grande taille donc visible de loin. Cette échelle

monumentale contraste avec l’échelle humaine des éléments courants du paysage. Un projet

éolien doit déterminer le meilleur parti d’aménagement en fonction des caractéristiques du

lieu étudié pour contribuer à son acceptation.

II.2.2 Impact sur l’avifaune

Fig. II.2 : Impact sur l’avifaune

Page 40: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

23

Les impacts des parcs éoliens sur la biodiversité touchent principalement les oiseaux et

les chauves-souris et varient en fonction des espèces, des saisons, des milieux, de la taille du

parc éolien et des éoliennes qui peuvent engendrer : la mortalité, le dérangement et la perte

d’habitat [26].

II.2.3 Impact de bruit

Le bruit est l’un des problèmes environnementaux les plus importants. Les turbines

éoliennes sont bruyantes en fonctionnement, principalement au niveau des pales et de la

chaîne de transmission mécanique [27, 28]. La distance à respecter doit garantir que le bruit

au niveau des résidences les plus proches ne dépasse pas les valeurs seuils définies par les

normes en vigueur.

Fig. II.3 : Atténuation du bruit suivant l’éloignement de l’éolienne [26]

En plus des tests sonores et de l’aspect visuel, la plupart des autorités exigent des études

de risques et de sécurité, ainsi que des études de projection d’ombre. De plus, la rotation des

pales exposées au soleil provoque un effet stroboscopique des ombres lorsque ces dernières

cachent le soleil (environ une fois par seconde). Les effets de projection d’ombre et de

stroboscopie causent des nuisances fortes sur les personnes résidant à proximité des éoliennes.

II.2.4 Impact sur les riverains

Il est interdit de placer des éoliennes au-dessus de routes ou de voies ferrées. La

formation de glace sur les pales et sur la nacelle est une source de danger pour les personnes

et les propriétés situées dans un environnement proche et il convient de prendre des mesures

de sécurité particulières [28].

Fig. II.4 : Projection de glace et circulation des passants [28]

Page 41: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

24

Une mesure possible est l’arrêt des rotors en cas de gel et redémarrage des éoliennes

après contrôle visuel d’absence de glace.

II.3 Identification des potentiels dangers de l’installation

II.3.1 Dangers liés au milieu naturel

Les dangers liés au milieu naturel incluant des risques pour les éoliennes sont les

suivants [29] :

Fig. II.5 : Incendie d’une éolienne à cause de la foudre [30]

La structure du sol, qui peut conduire à l’effondrement de l’éolienne ;

Les phénomènes sismiques, qui peuvent conduire à l’effondrement de l’éolienne ;

Les vents violents, qui peuvent conduire à la détérioration de la structure, à la chute du

mât ou à la projection de pales ;

Le dépôt de neige et de glace sur les pales, qui peut conduire à la chute ou à la

projection de neige et de glace ;

La foudre et l’incendie qui peuvent endommager l’éolienne ;

La pluie, qui peut conduire à l’érosion de matériaux et revêtements.

II.3.2 Dangers liés aux produits

Compte tenu de la nature des éléments stockés sur le site et de leur quantité, aucune

précaution particulière ne sera prise. Il n’y a pas de problèmes d’incompatibilité des produits

entre eux ou bien vis-à-vis des matériaux utilisés pour leur stockage [29, 30]. Les produits

identifiés dans le cadre d’un parc éolien sont utilisés pour le bon fonctionnement des

éoliennes, leur maintenance et leur entretien :

Produits nécessaires au bon fonctionnement des installations (graisses et huiles de

transmission, huiles hydrauliques pour systèmes de freinage…), qui une fois usagés

sont traités en tant que déchets industriels spéciaux.

Page 42: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

25

Produits de nettoyage et d’entretien des installations (solvants, dégraissants,

nettoyants…) et les déchets industriels banals associés (pièces usagées non souillées,

cartons d’emballage…).

II.3.3 Risques sanitaires

Les risques sanitaires liés aux éoliennes sont les suivants [27, 30] :

La pollution accidentelle, qui peut conduire à la contamination du sol et de la nappe.

Niveau sonore gênant, définit dans l’étude acoustique de chaque parc éolien.

Syndrome éolien : troubles du sommeil, maux de tête, bourdonnements, vertiges,

irritabilité, palpitation…

II.3.4 Dangers liés aux conditions d’exploitation

Les dangers liés aux conditions d’exploitation incluant des risques pour les éoliennes sont

les suivants [29] :

La faiblesse de la structure du mât, qui peut conduire à son effondrement ;

La faiblesse de la structure des pales, qui peut conduire à leur chute ou à leur

projection ;

Le gel qui peut conduire à la formation de glace et à sa projection ;

Les incendies qui peuvent conduire à la chute du mât, à la projection de pales et à la

propagation de l’incendie.

Fig. II.6 : Pale brisée par la tempête [28]

Page 43: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

26

Ces dangers potentiels sont recensés dans le tableau suivant :

Tab. II.1 : Dangers liés au fonctionnement d’un parc éolien [30]

Installation ou

système Fonction

Phénomène

redouté Danger potentiel

Système de

transmission

Transmission

d’énergie

mécanique

Survitesse

Échauffement des

pièces mécaniques et

flux thermique

Pale Prise au vent

Bris de pale ou

chute

de pale

Énergie cinétique

d’éléments de pales

Aérogénérateur

Production d’énergie

électrique à partir

d’énergie éolienne

Effondrement Énergie cinétique de

chute

Poste de

livraison,

intérieur de

l’aérogénérateur

Réseau électrique Court-circuit

interne Arc électrique

Nacelle

Protection des

équipements

destinés à la

production électrique

Chute

d’éléments/Chute

de nacelle

Énergie cinétique de

projection/chute

Rotor

Transformer l’énergie

éolienne en énergie

mécanique

Projection d’objets Énergie cinétique des

objets

II.4 Inventaire des accidents et incidents à l’international

Le graphique suivant montre la répartition des événements accidentels par rapport à la

totalité des accidents analysés.

Fig. II.7 : Répartitions des évènements accidentels dans le monde entre 2000 et 2011 [31]

Ci-après est présenté le recensement des causes premières pour chacun des événements

accidentels recensés (données en répartition par rapport à la totalité des accidents analysés).

Page 44: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

27

Fig. II.8 : Répartitions des causes premières d’effondrement

Fig. II.9 : Répartitions des causes premières de rupture de pale

Fig. II.10 : Répartitions des causes premières d’incendie [32]

II.5 Analyse préliminaire des risques APR

L’analyse des risques a pour objectif principal d’identifier les scénarios d’accident

majeurs et les mesures de sécurité qui empêchent ces scénarios de se produire ou en limitent

les effets. Cet objectif est atteint grâce à une identification de tous les scénarios d’accident

potentiels pour une installation (ainsi que des mesures de sécurité) basée sur un

Page 45: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

28

questionnement systématique des causes et conséquences possibles des événements

accidentels, ainsi que sur le retour d’expérience disponible [32].

Les scénarios d’accident sont ensuite hiérarchisés en fonction de leur intensité et de

l’étendue possible de leurs conséquences. Cette hiérarchisation permet de filtrer les scénarios

d’accident qui présentent des conséquences limitées et les scénarios d’accident majeurs. Ces

derniers pouvant avoir des conséquences sur les personnes.

Le tableau d’analyse des risques proposé dans ce chapitre constitue une analyse

générique pour les éoliennes. Lors de la réalisation de son étude de dangers, l’exploitant

veillera à vérifier son applicabilité à son site et si nécessaire à le compléter et/ou à l’amender.

II.5.1 Scénarios étudiés dans l’analyse préliminaire des risques

Après avoir recensé, dans un premier temps, les potentiels dangers des installations,

qu’ils soient constitués par des substances dangereuses ou des équipements dangereux, l’APR

doit identifier l’ensemble des séquences accidentelles et phénomènes dangereux associés

pouvant déclencher la libération du danger.

Le tableau (II.2) présente une proposition d’analyse générique des risques. Celui-ci est

construit de la manière suivante [33] :

une description des causes et de leur séquençage (événements initiateurs et

événements intermédiaires) ;

une description des événements redoutés centraux qui marquent la partie incontrôlée

de la séquence d’accident ;

une description des fonctions de sécurité permettant de prévenir l’événement redouté

central ou de limiter les effets du phénomène dangereux ;

une description des phénomènes dangereux dont les effets sur les personnes sont à

l’origine d’accident ;

Les différents scénarios listés dans le tableau générique de l’APR sont regroupés et

numérotés par thématique, en fonction des typologies d’événements redoutés centraux

identifiés grâce au retour d’expérience, tels que (« G » pour les scénarios concernant la glace,

« I » pour ceux concernant l’incendie, « F » pour ceux concernant les fuites, « C » pour ceux

concernant la chute d’éléments de l’éolienne, « P » pour ceux concernant les risques de

projection, « E » pour ceux concernant les risques d’effondrement).

Ce tableau présentant le résultat d’une analyse des risques peut être considéré comme

représentatif des scénarios d’accident pouvant potentiellement se produire sur les éoliennes.

Page 46: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

29

Tab. II.2 : Analyse générique des risques potentiels d’un parc éolien [31, 33]

N° Événement

initiateur

Événement

Intermédiair

e

Événement

redouté

central

Fonction de

sécurité

Phénomène

dangereux

G01

Conditions

climatiques

favorables à

la formation

de glace

Dépôt de

glace sur les

pales, le mât

et la nacelle

Chute de

glace lorsque

les éoliennes

sont arrêtées

Prévenir l’atteinte

des personnes par la

chute de glace

Impact de

glace sur les

alentours

G02

Conditions

climatiques

favorables à

la formation

de glace

Dépôt de

glace sur les

pales

Projection de

glace lorsque

les éoliennes

sont en

mouvement

Prévenir la mise en

mouvement de

l’éolienne lors de la

formation de glace

Impact de

glace sur les

alentours

I01 Humidité/Gel Court-circuit

Incendie de

tout ou partie

de l’éolienne

Prévenir les courts-

circuits

Chute/projecti

on d’éléments

enflammés

Propagation de

l’incendie

I02

Dysfonctionn

ement

électrique

Court-circuit

Incendie de

tout ou partie

de l’éolienne

Prévenir les courts-

circuits

Chute/projecti

on d’éléments

enflammés

Propagation de

l’incendie

I03 Survitesse

Échauffemen

t des parties

mécaniques

et

inflammation

Incendie de

tout ou partie

de l’éolienne

Prévenir

l’échauffement

significatif des

pièces mécaniques

Prévenir la

survitesse

Chute/projecti

on d’éléments

enflammés

Propagation de

l’incendie

I04

Désaxage de

la génératrice

/ Pièce

défectueuse /

Défaut de

lubrification

Échauffemen

t des parties

mécaniques

et

inflammation

Incendie de

tout ou partie

de l’éolienne

Prévenir

l’échauffement

significatif des

pièces mécaniques

Chute/projecti

on d’éléments

enflammés

Propagation de

l’incendie

I05

Conditions

climatiques

humides

Surtension Court-circuit

Prévenir les courts-

circuits

Protection et

intervention

incendie

Incendie poste

de livraison

(flux

thermiques +

fumées

toxiques SF6)

Propagation de

l’incendie

I06 Rongeur Surtension Court-circuit Prévenir les courts-

circuits Incendie poste

de livraison

Page 47: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

30

Protection et

intervention

incendie

(flux

thermiques +

fumées

toxiques)

Propagation de

l’incendie

I07 Défaut

d’étanchéité

Perte de

confinement

Fuites

d’huile

isolante

Prévention et

rétention des fuites

Incendie au

poste de

transformation

Propagation de

l’incendie

F01

Fuite système

lubrification

Fuite

convertisseur

Fuite

transformateu

r

Écoulement

hors de la

nacelle et le

long du mât,

sur le sol

avec

infiltration

Infiltration

d’huile dans

le sol

Prévention et

rétention des fuites

Pollution

environnement

F02

Renversement

de fluides lors

des opérations

de

maintenance

Écoulement

Infiltration

d’huile dans

le sol

Prévention et

rétention des fuites

Pollution

environnement

C01 Défaut de

fixation

Chute de

trappe

Chute

d’élément de

l’éolienne

Prévenir les erreurs

de maintenance

Impact sur

cible

C02

Défaillance

fixation

anémomètre

Chute

anémomètre

Chute

d’élément de

l’éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

(construction-

exploitation)

Impact sur

cible

C03

Défaut

fixation

nacelle-pivot

central-mât

Chute nacelle

Chute

d’élément de

l’éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

(construction-

exploitation)

Impact sur

cible

P01 Survitesse

Contraintes

trop

importantes

sur les pales

Projection de

tout ou partie

pale

Prévenir la

survitesse

Impact sur

cible

P02 Fatigue

Corrosion

Chute de

fragment de

Projection de

tout ou partie

Prévenir la

dégradation des

Impact sur

cible

Page 48: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

31

pale pale équipements

P03

Serrage

inapproprié

Erreur

maintenance-

desserrage

Chute de

fragment de

pale

Projection de

tout ou partie

pale

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

(construction-

exploitation)

Impact sur

cible

E01

Effets

dominos

autres

installations

Agression

externe et

fragilisation

structure

Effondremen

t éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

(construction-

exploitation)

Projection/chut

e fragments et

chute mât

E02 Glissement de

sol

Agression

externe et

fragilisation

structure

Effondremen

t éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

Projection/chut

e fragments et

chute mât

E05 Crash

d’aéronef

Agression

externe et

fragilisation

structure

Effondremen

t éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

Projection/chut

e fragments et

chute mât

E07

Effondrement

engin de

levage

travaux

Agression

externe et

fragilisation

structure

Effondremen

t éolienne

Mises en œuvre de

prévention

Chute

fragments et

chute mât

E08 Vents forts Défaillance

fondation

Effondremen

t éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

Prévenir les risques

de dégradation de

l’éolienne en cas de

vent fort dans les

zones cycloniques,

mettre en place un

système de

prévision

cyclonique et

équiper les

éoliennes d’un

dispositif d’abattage

et d’arrimage au sol

Projection/chut

e

fragments et

chute mât

Page 49: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

32

E09 Fatigue Défaillance

mât

Effondremen

t éolienne

Prévenir la

dégradation de l’état

des équipements

Projection/chut

e fragments et

chute mât

E10

Désaxage

critique du

rotor

Impact pale-

mât

Effondremen

t éolienne

Prévenir les défauts

de stabilité de

l’éolienne et les

défauts

d’assemblage

Prévenir les erreurs

de maintenance

Projection/chut

e fragments et

chute mât

II.5.2 Effets dominos

Lors d’un accident majeur sur une éolienne, il est possible que les effets de cet accident

endommagent d’autres installations. Ces dommages peuvent conduire à un autre accident. Par

exemple, la projection de pale touchant les canalisations d’une usine à proximité peut

conduire à des fuites de substances dangereuses. Ce phénomène est appelé « effet domino »

[33].

Les effets dominos susceptibles de ce produire sont décrits dans le tableau d’analyse des

risques générique présenté ci-dessus.

II.6 Mise en place des mesures de sécurité

L’étape suivante de l’analyse préliminaire des risques consiste à identifier les barrières de

sécurité installées sur les aérogénérateurs et qui interviennent dans la prévention et/ou la

limitation des phénomènes dangereux listés dans le tableau APR et de leurs conséquences.

Les tableaux suivants ont pour objectif de synthétiser les fonctions de sécurité identifiées

sur les éoliennes [34, 35]. Ces tableaux sont génériques et constituent un « cahier des

charges » des mesures typiques mises en œuvre sur les aérogénérateurs. Les fonctions de

sécurité sont détaillées selon les critères suivants :

Fonction de sécurité : Il est proposé ci-dessous un tableau par fonction de sécurité.

Cet intitulé décrit l’objectif de la ou des mesure(s) de sécurité : il s’agira

principalement de « empêcher, éviter, détecter, contrôler ou limiter » et sera en relation

avec un ou plusieurs événements conduisant à un accident majeur identifié dans

l’analyse des risques. Plusieurs mesures de sécurité peuvent assurer une même

fonction de sécurité.

Mesures de sécurité : Cette ligne permet d’identifier les mesures assurant la fonction

concernée. Dans le cas de systèmes instrumentés de sécurité, tous les éléments de la

chaîne de sécurité sont présentés (détection + traitement de l’information + action).

Description : Cette ligne permet de préciser la description de la mesure de maîtrise

des risques, lorsque des détails supplémentaires sont nécessaires.

Page 50: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

33

Tab. II.3 : Mise en place des mesures de sécurité des éoliennes

Fonction de

sécurité

Prévenir la mise en mouvement de l’éolienne lors de la formation de

glace

Mesures de

sécurité

Aérogénérateurs équipés d’un système de pales chauffantes permettant la

suppression du dépôt de glace. Procédure adéquate de redémarrage.

Description

Système de détection redondant du givre permettant, en cas de détection

de glace, une mise à l’arrêt rapide de l’aérogénérateur.

Le redémarrage peut ensuite se faire soit automatiquement après

disparition des conditions de givre, soit manuellement après inspection

visuelle sur site.

Fonction de

sécurité Prévenir l’atteinte des personnes par la chute de glace

Mesures de

sécurité

Panneautage en pied de machine

Éloignement des zones habitées et fréquentées

Description Mise en place de panneaux informant de la possible formation de glace en

pied de machines

Fonction de

sécurité Prévenir l’échauffement significatif des pièces mécaniques

Mesures de

sécurité

Capteurs de température des pièces mécaniques

Définition de seuils critiques de température pour chaque type de

composant avec alarmes

Mise à l’arrêt ou bridage jusqu’à refroidissement

Fonction de

sécurité Prévenir la survitesse

Mesures de

sécurité

Détection de survitesse et système de freinage.

Description

Systèmes de coupure s’enclenchant en cas de dépassement des seuils de

vitesse prédéfinis, indépendamment du système de contrôle commande.

N.B. Le système de freinage est constitué d’un frein aérodynamique

principal (mise en drapeau des pales) et/ou d’un frein mécanique auxiliaire.

Fonction de

sécurité Prévenir les courts-circuits

Mesures de

sécurité

Coupure de la transmission électrique en cas de fonctionnement anormal

d’un composant électrique.

Description

Les organes et armoires électriques de l’éolienne sont équipés d’organes de

coupures et de protection adéquats et correctement dimensionnés. Tout

fonctionnement anormal des composants électriques est suivi d’une

coupure de la transmission électrique et à la transmission d’un signal

d’alerte vers l’exploitant qui prend alors les mesures appropriées.

Fonction de

sécurité Prévenir les effets de la foudre

Mesures de

sécurité Mise à la terre et protection des éléments de l’aérogénérateur.

Page 51: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

34

Description Dispositif de capture + mise à la terre

Parasurtenseurs sur les circuits électriques

Fonction de

sécurité Protection et intervention incendie

Mesures de

sécurité

Capteurs de températures sur les principaux composants de l’éolienne

pouvant permettre la mise à l’arrêt de la machine

Système de détection incendie relié à une alarme transmise à un poste de

contrôle

Intervention des services de secours.

Description

Détecteurs de fumée qui lors de leur déclenchement conduisent à la mise

en arrêt de la machine et au découplage du réseau électrique. De manière

concomitante, un message d’alarme est envoyé au centre de

télésurveillance.

L’éolienne est également équipée d’extincteurs qui peuvent être utilisés par

le personnel d’intervention

En cas de déclenchement d’incendie, de l’azote sera libéré dans la nacelle

afin de supprimer le comburant et étouffer l’incendie

Fonction de

sécurité Prévention et rétention des fuites

Mesures de

sécurité

Détecteurs de niveau d’huiles

Procédure d’urgence

Kit antipollution

Description

Nombreux détecteurs de niveau d’huile permettant de détecter les

éventuelles fuites d’huile et d’arrêter l’éolienne en cas d’urgence.

Les opérations de vidange font l’objet de procédures spécifiques.

Des kits de dépollution d’urgence composés de grandes feuilles de textile

absorbant pourront être utilisés

Fonction de

sécurité

Prévenir les défauts de stabilité de l’éolienne et les défauts

d’assemblage (construction-exploitation)

Mesures de

sécurité

Contrôles réguliers des fondations et des différentes pièces d’assemblage

(ex : brides, joints, etc.)

Procédures qualité et attestation du contrôle technique

Description La nacelle, le nez, les fondations et la tour répondent au standard IEC 61

400-1. Les pales respectent le standard IEC 61 400-1 ; 12 ; 23.

Les éoliennes sont protégées contre la corrosion due à l’humidité de l’air,

selon la norme ISO 9223.

Fonction de

sécurité Prévenir les erreurs de maintenance

Mesures de

sécurité Procédure maintenance

Description Préconisations du manuel de maintenance et formation du personnel

Fonction de

sécurité Prévenir les risques de dégradation de l’éolienne en cas de vent fort

Page 52: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

35

Mesures de

sécurité

Classe d’éolienne adaptée au site et au régime de vents.

Détection et prévention des vents forts et tempêtes

Arrêt automatique et diminution de la prise au vent de l’éolienne

Description L’éolienne est mise à l’arrêt si la vitesse de vent mesurée dépasse la vitesse

maximale pour laquelle elle a été conçue.

Fonction de

sécurité

Prévenir les risques de dégradation de l’éolienne en cas de cyclones

dans les zones cycloniques

Mesures de

sécurité

Mise en place d’une procédure de veille cyclonique et d’intervention + mise

en œuvre d’éoliennes équipées de dispositifs anticycloniques permettant

abattage et arrimage au sol des éléments les plus sensibles, en particulier les

pales

Description

L’ensemble de la structure [mât et/ou nacelle + hélice] peut être rabattu et

arrimé au sol

Détection des cyclones

Formation des opérateurs

Mise en place d’une procédure d’intervention suivant les niveaux d’alerte

II.7 Scenarios génériques issus de l’analyse préliminaire des risques

Cette section apporte un certain nombre de précisions par rapport à chacun des scénarios

étudiés dans le cadre de l’analyse préliminaire des risques.

Le tableau générique issu de l’analyse préliminaire des risques est présenté dans la

section (II.5.1). Il peut être considéré comme représentatif des scénarios d’accident pouvant

potentiellement se produire sur les éoliennes et pourra par conséquent être repris à l’identique

dans les études de dangers [33, 34, 35, 37].

La numérotation des scénarios ci-dessous reprend celle utilisée dans le tableau de

l’analyse préliminaire des risques, avec un regroupement des scénarios par thématique, en

fonction des typologies d’événements redoutés centraux identifiés grâce au retour

d’expérience.

II.7.1 Scénarios relatifs aux risques liés à la glace (G01 et G02)

II.7.1.1 Scénario G01

En cas de formation de glace, les systèmes de préventions intégrés stopperont le rotor. La

chute de ces éléments aboutira donc dans l’aire surplombée par le rotor, le déport induit par le

vent étant négligeable. Plusieurs procédures/systèmes permettront de détecter la formation de

glace :

Système de détection de glace.

Arrêt préventif en cas de déséquilibre du rotor.

Arrêt préventif en cas de givrage de l’anémomètre.

Page 53: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

36

II.7.1.2 Scénario G02

La projection de glace depuis une éolienne en mouvement se produira lors d’éventuel

redémarrage de la machine encore « glacée », ou en cas de formation de glace sur le rotor en

mouvement simultanément à une défaillance des systèmes de détection de givre et de balourd.

Aux faibles vitesses de vents (vitesse de démarrage ou « cut in »), les projections

resteront limitées au surplomb de l’éolienne. À vitesse de rotation nominale, les éventuelles

projections seront susceptibles d’atteindre des distances supérieures au surplomb de la

machine.

II.7.2 Scénarios relatifs aux risques d’incendie (I01 à I07)

Les éventuels incendies interviendront dans le cas ou plusieurs conditions seraient réunies

(ex : Foudre + défaillance du système parafoudre = Incendie).

Le moyen de prévention des incendies consiste en un contrôle périodique des

installations. La méthodologie suivante pourra aider à déterminer l’ensemble des scénarios

devant être examinés :

Découper l’installation en plusieurs parties : rotor, nacelle, mât, fondation et poste de

livraison ;

Déterminer à l’aide de mot clé les différentes causes (cause 1, cause 2) d’incendie

possibles.

L’incendie peut aussi être provoqué par l’échauffement des pièces mécaniques en cas

d’emballement du rotor (survitesse). Plusieurs moyens sont mis en place en matière de

prévention :

Concernant le défaut de conception et fabrication : Contrôle qualité

Concernant le non-respect des instructions de montage et/ou de maintenance :

Formation du personnel intervenant, Contrôle qualité (inspections)

Concernant les causes externes dues à l’environnement : Mise en place de solutions

techniques visant à réduire l’impact. Suivant les constructeurs, certains dispositifs

sont de série ou en option. Le choix des options est effectué par l’exploitant en

fonction des caractéristiques du site.

L’emballement peut notamment avoir lieu lors de pertes de certaines fonctions. Ces

pertes peuvent être la conséquence de deux phénomènes :

Perte de réseau électrique : l’alimentation électrique de l’installation est nécessaire

pour assurer le fonctionnement des éoliennes (orientation, appareils de mesures et de

contrôle, balisage…) ;

Perte de communication : le système de communication entre le parc éolien et le

superviseur à distance du parc peut être interrompu pendant une certaine durée.

Page 54: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

37

Concernant la perte du réseau électrique, celle-ci peut être la conséquence d’un défaut

dans le réseau d’alimentation du parc éolien au niveau du poste source. En fonction de leurs

caractéristiques techniques, le comportement des éoliennes face à une perte de foction peut

être différent (fonction du constructeur). Cependant, deux systèmes sont couramment

rencontrés :

Déclenchement au niveau du rotor du code de freinage d’urgence, entrainant l’arrêt

des éoliennes ;

Basculement automatique de l’alimentation principale sur l’alimentation de secours

(batteries) pour arrêter les aérogénérateurs et assurer la communication vers le

superviseur.

Concernant la perte de communication entre le parc éolien et le superviseur à distance,

celle-ci n’entraîne pas d’action particulière si elle est de courte durée.

En revanche, en cas de perte de communication pendant une longue durée, le superviseur

du parc éolien concerné dispose de plusieurs alternatives, dont deux principales :

Mise en place d’un réseau de communication alternatif temporaire (faisceau hertzien,

agent technique local…) ;

Mise en place d’un système autonome d’arrêt à distance du parc par le superviseur.

Les solutions aux pertes de foctions étant diverses, les porteurs de projets pourront

apporter dans leur étude de danger une description des protocoles qui seront mis en place.

II.7.3 Scénarios relatifs aux risques de fuites (F01 à F02)

Les fuites éventuelles interviendront en cas d’erreur humaine ou de défaillance

matérielle.

Une attention particulière est à porter aux mesures préventives des parcs présents dans

des zones protégées au niveau environnemental, notamment en cas de présence de périmètres

de protection de captages d’eau potable (identifiés comme enjeux dans le descriptif de

l’environnement de l’installation). Dans ce dernier cas, un hydrogéologue agréé devra se

prononcer sur les mesures à prendre en compte pour préserver la ressource en eau, tant au

niveau de l’étude d’impact que de l’étude de danger. Plusieurs mesures pourront être mises en

place (photographie du fond de fouille des fondations pour montrer que la nappe phréatique

n’a pas été atteinte, comblement des failles karstiques par des billes d’argile, utilisation de

graisses végétales pour les engins…).

II.7.3.1 Scénario F01

En cas de rupture de flexible, perçage d’un contenant ..., il peut y avoir une fuite d’huile

ou de graisse, alors que l’éolienne est en fonctionnement. Les produits peuvent alors s’écouler

hors de la nacelle, couler le long du mât et s’infiltrer dans le sol environnant l’éolienne.

Page 55: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

38

Plusieurs procédures/actions permettront d’empêcher l’écoulement de ces produits

dangereux :

Vérification des niveaux d’huile lors des opérations de maintenance

Détection des fuites potentielles par les opérateurs lors des maintenances

Procédure de gestion des situations d’urgence

Deux événements peuvent être aggravants :

Écoulement de ces produits le long des pales de l’éolienne, surtout si celle-ci est en

fonctionnement. Les produits seront alors projetés aux alentours.

Présence d’une forte pluie qui dispersa rapidement les produits dans le sol.

II.7.3.2 Scénario F02

Lors d’une maintenance, les opérateurs peuvent accidentellement renverser un bidon

d’huile, une bouteille de solvant, un sac de graisse, etc. Ces produits dangereux pour

l’environnement peuvent s’échapper de l’éolienne ou être renversés hors de cette dernière et

infiltrer les sols environnants.

Plusieurs procédures/actions permettront d’empêcher le renversement et l’écoulement de

ces produits :

Kits anti-pollution associés à une procédure de gestion des situations d’urgence

Sensibilisation des opérateurs aux bons gestes d’utilisation des produits

Ce scénario est à adapter en fonction des produits utilisés.

II.7.4 Scénarios relatifs aux risques de chute d’éléments (C01 à C03)

Les scénarios de chutes concernent les éléments d’assemblage des aérogénérateurs : ces

chutes sont déclenchées par la dégradation d’éléments (corrosion, fissures…) ou des défauts

de maintenance (erreur humaine). Les chutes sont limitées à un périmètre correspondant à

l’aire de survol.

II.7.5 Scénarios relatifs aux risques de projection de pales ou de fragments de pales (P01

à P06)

Les événements principaux susceptibles de conduire à la rupture totale ou partielle de la

pale sont liés à 3 types de facteurs pouvant intervenir indépendamment ou conjointement :

Défaut de conception et de fabrication

Non-respect des instructions de montage et/ou de maintenance

Causes externes dues à l’environnement : glace, tempête, foudre…

Si la rupture totale ou partielle de la pale intervient lorsque l’éolienne est à l’arrêt on

considère que la zone d’effet sera limitée au surplomb de l’éolienne.

Page 56: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

39

L’emballement de l’éolienne constitue un facteur aggravant en cas de projection de tout

ou partie d’une pale.

II.7.5.1 Scénario P01

En cas de défaillance du système d’arrêt automatique de l’éolienne à cause de survitesse,

les contraintes importantes exercées sur la pale (vent trop fort) pourraient engendrer la rupture

de la pale et sa projection.

II.7.5.2 Scénario P02

Les contraintes exercées sur les pales sont des :

Contraintes mécaniques (vents violents, variation de la répartition de la masse due à

la formation de givre…),

Conditions climatiques (averses violentes de grêle, foudre…) peuvent entraîner la

dégradation de l’état de surface et à terme l’apparition de fissures sur la pale.

Prévention : Maintenance préventive (inspections régulières des pales, réparations si

nécessaire)

Facteur aggravant : Infiltration d’eau et formation de glace dans une fissure, vents

violents, emballement de l’éolienne

II.7.5.3 Scénarios P03

Un mauvais serrage de base ou le desserrage avec le temps des goujons des pales pourrait

amener au décrochage total ou partiel de la pale, dans le cas de pale en plusieurs tronçons.

II.7.6 Scénarios relatifs aux risques d’effondrement des éoliennes (E01 à E10)

Les événements pouvant conduire à l’effondrement de l’éolienne sont liés à 3 types de

facteurs pouvant intervenir indépendamment ou conjointement :

Erreur de dimensionnement de la fondation : Contrôle qualité, respect des

spécifications techniques du constructeur de l’éolienne, étude de sol, contrôle

technique de construction ;

Non-respect des instructions de montage et/ou de maintenance : Formation du

personnel intervenant ;

Causes externes dues à l’environnement : séisme, cyclone…

II.8 Conclusion

L’analyse des risques liés aux installations et équipements du site est basée sur un

recensement des accidents possibles, de l’évaluation de leurs conséquences, de leur

probabilité de se réaliser en prenant en compte les moyens de secours et de prévention adaptés

notamment à la vitesse d’apparition de l’accident.

Page 57: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre II Analyse et évaluation des risques d’un parc éolien

40

À l’issue de l’analyse détaillée des risques effectués dans ce chapitre ; les risques

potentiels retenus pour les installations du site sont les suivants : l’effondrement des

éoliennes, la chute d’élément, la chute de glace, la projection de tout ou partie de pale et la

projection de glace.

En conclusion, d’après ces données, les éoliennes ne devraient pas être implantées à

moins de quelques kilomètres des habitations. Ceci tout en sachant qu’il y aura toujours des

problèmes de santé et de qualité de vie causés par les éoliennes au-delà de cette distance.

Page 58: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

41

Chapitre III

Fatigue des pales d’éoliennes

III.1 Introduction

La pale d’une éolienne est en réalité le véritable capteur de l’énergie présente dans le

vent. De ses performances dépend la production d’énergie de l’installation, puis par

conséquent l’intérêt économique de la machine.

La conception d’une pale doit faire appel à un compromis délicat entre le rendement

aérodynamique, la légèreté, la résistance statique et les conditions de vent (vitesses, taux de

turbulence) qui influent sur la conception (charges extrêmes, tenue en fatigue).

On s’aperçoit donc aisément que la conception d’une pale est en fait un procédé itératif

avec de nombreux paramètres et de nombreuses contraintes. Les matériaux utilisés

actuellement pour la fabrication des pales d’éolienne sont des composites à base de polymères

thermodurcissables. Ces derniers présentent une maturité technologique éprouvée et des

facilités de mise en œuvre dans les étapes de fabrication (grande fluidité de la résine, bonne

adhésion aux fibres de renfort du composite). Néanmoins, leurs performances mécaniques, en

particulier la fatigue, sont limitées, et ces matériaux ne sont pas recyclables.

Page 59: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

42

Les pales d’un aérogénérateur sont exposées, durant leur fonctionnement, à des

chargements cycliques complexes dus à des conditions environnementales sévères et très

variables, comme le cas des vents forts et des rafales qui engendrent des efforts extrêmes,

favorisant ainsi la fatigue des pales. Cette fatigue est l’un des problèmes sérieux pouvant

entraver le bon fonctionnement de l’éolienne [38].

III.2 Architecture structurale d’une pale d’éolienne

En collaboration avec les institutions spécialisées en mécanique de fluide et

aérodynamique, le profil standardisé de la pale pourra être déterminé et validé. Ce dernier est

défini par son bord d’attaque, son bord de fuite et sa corde (figure III.1) [38].

Fig. III.1 : Profil standardisé d’une pale d’éolienne [38]

L’évolution de la loi de vrillage le long de l’envergure (rotation du profil par rapport à un

axe d’articulation) pourra être améliorée par l’organisme compétent. Toutefois, la

terminologie techno-scientifique entre la position du centre élastique et le centre de gravité

doit faire l’objet d’une distinction claire et précise. Vient ensuite, la taille de la pale qui doit

répondre à un cahier de charges donné. La détermination de l’épaisseur relative à chaque

tronçon, l’orientation adéquate des fibres et la séquence d’empilement pour chaque tronçon

font appel à un calcul de vérification de la tenue mécanique de la pale.

III.3 Pales en matériaux composites

Dans l’industrie moderne de fabrication des pales d’éoliennes, les matériaux composites à

base de fibres occupent une place prépondérante, car ils présentent des avantages attractifs

résidant principalement dans les bonnes caractéristiques mécaniques, thermiques et

hygrométriques associées aux exigences de légèreté, de coût et de meilleure durée de vie [39].

En plus de ces critères techniquement qualitatifs, s’ajoute l’imposition d’une méthode de

fabrication sûre et respectueuse de l’environnement et de la santé.

Un matériau composite peut être défini comme une combinaison d’au moins deux

matériaux différents à l’échelle macroscopique. Les composites utilisés pour leurs propriétés

structurales se limitent à ceux qui contiennent des renforts réunis en une seule masse par une

matrice [40]. Typiquement, un matériau composite contient une phase discontinue de renfort

plus rigide et plus résistante que la phase continue de la matrice.

Page 60: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

43

III.3.1 Classification des matériaux composites

La classification des composites peut être effectuée selon diverses façons. Une manière

simple consiste à les classer par les formes des renforts. Les composites sont donc divisés en

quatre catégories (figure III.2) [41] :

Composites à renforts de particules : Le renfort est considéré comme une particule

si toutes ses dimensions sont approximativement égales et petites devant les autres

dimensions du matériau. Les particules dures sont dispersées aléatoirement dans la

matrice moins rigide.

Composites à renforts de paillettes : Les paillettes ont une dimension très faible par

rapport aux autres. La dispersion de ces « particules minces » est généralement

aléatoire. Cependant, les paillettes peuvent être rangées parallèlement l’une à l’autre

afin d’avoir des propriétés plus uniformes dans le plan.

Composites à renforts de fibres : Une fibre a une longueur bien supérieure aux

dimensions de la section transversale. Ce type de composites peut être divisé selon les

renforts : en fibres discontinues (courtes) ou fibres continues (longues).

Composites stratifiés : Un stratifié se compose d’au moins deux couches minces de

matériau. Les couches peuvent être constituées de différents matériaux monolithiques

comme dans les métaux plaqués ou du même matériau composite empilé selon

différentes orientations comme pour des stratifiés composites à renforts de fibres

longues. Ce dernier devient une classe hybride du composite comportant à la fois le

composite à renfort de fibres et la technique de stratification.

Fig. III.2 : Classification des matériaux composites

III.3.2 Constituants des matériaux composites

Dans la suite de la présentation, nous nous intéresserons uniquement aux composites à

renfort de fibres longues et stratifiés utilisés, couramment rencontrés dans l’industrie éolienne.

Page 61: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

44

Ces matériaux seront parfois appelés « composites fibreux » ou même « composites » par

simplicité.

Les propriétés mécaniques des composites fibreux sont directement liées aux

caractéristiques mécaniques de leurs constituants : la fibre, la matrice, ainsi que l’interphase.

La résistance et la rigidité d’un composite sont assurées principalement par les fibres qui

possèdent des caractéristiques mécaniques beaucoup plus élevées que la matrice. Cette

dernière, quant à elle, réunit les fibres et donne la forme géométrique de la structure. La

matrice sert également à transférer les efforts mécaniques entre les fibres et les protéger

contre l’environnement. L’interphase est la zone créée par l’adhérence et la réaction entre les

fibres et la matrice [41]. Elle possède des caractéristiques chimiques et mécaniques différentes

de celles des fibres et de la matrice.

La disponibilité d’un grand choix de fibres et de matrices permet de réaliser des

composites ayant diverses propriétés. Nous présenterons rapidement quelques-uns des

constituants les plus couramment utilisés [42, 43].

III.3.2.1 Les fibres

La rupture des matériaux hautes résistances ou hauts modules est généralement

provoquée par la propagation des défauts. Les matériaux en forme de fibre sont

intrinsèquement plus résistants à la rupture qu’en forme massive, car la taille des défauts est

limitée par le diamètre faible. Dans un composite fibreux, la tenue mécanique est assurée

principalement par les fibres. Par sa nature filamenteuse, la rupture de quelques fibres a pour

résultat la redistribution du chargement sur les autres fibres, ce qui empêche la rupture

catastrophique de la structure. Les fibres les plus souvent rencontrées dans les composites

sont les suivantes [41] :

Fibres de verre : La connaissance des matériaux composites fibreux à matrice de

polymères est initialement basée sur des études des composites à fibres de verre. Ces

fibres sont très répandues dans des applications basses performances ainsi que des

applications hautes performances telles que les réservoirs de propulseurs de fusée.

Leurs avantages incluent prix compétitif, disponibilité, et résistance élevée.

Cependant, à cause de leur rigidité relativement faible, les fibres de verre sont

progressivement remplacées par les fibres aramides ou les fibres de carbone dans les

applications hautes performances.

Fibres de carbone : Actuellement, les fibres de carbone sont le renfort le plus

répandu pour les matériaux composites hautes performances. Deux avantages

principaux de ces fibres sont leur fabrication plus adaptée à la production à grande

échelle que d’autres fibres hautes performances et leurs excellentes propriétés

mécaniques plus facilement transférables aux matériaux composites. Leur prix reste

toutefois prohibitif pour les produits grand public.

Page 62: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

45

Fibres aramides : Ces fibres appartiennent à la famille des fibres polyamides

aromatiques. Les versions commerciales disponibles incluent le Kevlar (nom déposé)

et le Nomex (nom déposé). Elles possèdent une résistance élevée et une rigidité

considérablement supérieure à celle des fibres de verre. La tolérance aux dommages

est très bonne également. Leurs désavantages incluent une résistance en compression

inférieure à celle des fibres de carbone et une adhésion relativement faible aux

matrices.

III.3.2.2 Les matrices

La matrice réunit les fibres par ses propriétés cohésive et adhésive. Elle maintient les

fibres dans leur orientation et leur position prévues pour les charges appliquées. Ses autres

rôles consistent à distribuer les efforts entre les fibres, fournir une résistance à la propagation

de fissure, et fournir toutes les résistances en cisaillement du composite. La matrice détermine

en général la limite de la température d’utilisation et l’environnement de service du matériau.

Il existe un grand nombre de polymères pouvant servir de matrice aux matériaux

composites. Ceux parmi les plus utilisés sont les suivants [42] :

Les thermodurcissables :

Les résines polyesters insaturées (UP) peu onéreuses qui sont généralement

utilisées avec les fibres de verre et que l’on retrouve dans de nombreuses

applications de la vie courante ;

Les résines époxy (EP) qui possèdent de bonnes caractéristiques mécaniques.

Elles sont généralement utilisées avec les fibres de carbone pour la réalisation de

pièces de structure et d’aéronautique ;

Les résines vinylester (VE) sont surtout utilisées pour des applications où les

résines polyester ne sont pas suffisantes. Elle est issue d’une modification d’une

résine époxyde et est excellente pour des applications de résistance chimique ;

Les résines phénoliques (PF) utilisées dans les applications nécessitant des

propriétés de tenue aux feux et flammes imposées par les normes dans les

transports civils ;

Les résines polyimides thermodurcissables (PIRP) pour des applications à

haute température (~300 °C) et polybismaleimides (BMI) pour des applications à

température intermédiaire (~225 °C).

Les thermoplastiques comme le polypropylène ou le polyamide ou comme le

polyéther imide (PEI), le sulfure de polyphénylène (PPS) et la polyétheréthercétone

(PEEK) sont pour la réalisation de pièces de structure et d’aéronautique.

Page 63: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

46

Fig. III.3 : Constituants d’un matériau composite stratifié

III.3.2.3 L’interphase

La nature de l’adhésion fibre/matrice inclut le verrouillage mécanique, l’attraction

électrostatique, l’enchevêtrement moléculaire, et la réaction chimique. L’interphase est

constituée de la surface de contact (interface) fibre/matrice ainsi que de la région d’un volume

fini prolongée dans la matrice. Elle peut être considérée comme un constituant du composite,

car elle possède des propriétés chimiques, physiques, et mécaniques différentes de celles de la

fibre et de la matrice [41]. L’interphase assure la liaison fibre/matrice et permet le transfert

des contraintes de l’une à l’autre sans déplacement relatif. Cependant, l’hypothèse que

l’interphase n’a pas d’épaisseur est souvent faite pour faciliter l’analyse micromécanique des

composites.

III.4 Procédé de fabrication des pales d’éoliennes

Le procédé traditionnel exploité actuellement pour la fabrication des pales d’éolienne est

caractérisé principalement par une opération d’assemblage de demi-coquilles par un joint de

collage. Cette technique de collage est susceptible de poser des problèmes de résistance

mécanique au cours du temps. Alternativement, le procédé de moulage par transfert de résine

(Resin Transfer Molding RTM) vient positivement pallier cette problématique (Annexe B).

Fig. III.4 : Coupe transversale d’un profil de pale sous moulage par procédé RTM [38]

Fibres

Matrice

Couche (Pli individuel) Stratifié

Orientation des fibres Référentiel

Page 64: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

47

Il présente une solution industrielle à la production des pales d’éoliennes avec une

excellente qualité de finition, de meilleures caractéristiques mécaniques, un faible coût et une

cadence de production modeste [44].

En outre, il participe à la réduction des quantités d’émission de Composés Organiques

Volatils (COV), tels que le styrène. La figure (III.4) illustre la technologie RTM light

appliquée au profil d’une pale d’éolienne.

En ce qui concerne les grandes pales d’éoliennes, l’injection se fera d’une manière

séquentielle. Les points d’injection sont situés sur le bord de fuite, les points d’aspiration, par

contre, sont situés sur le bord d’attaque. La figure (III.5) schématise la méthode d’injection

séquentielle, et ce, en commençant par le pied de pale (partie travaillante et fortement

sollicitée).

Fig. III.5 : Procédé d’injection séquentielle de la résine dans la technologie RTM [38]

III.4.1 Matériaux et calcul structural

La conception des pales d’éoliennes en matériaux composites doit répondre aux

exigences normatives définies dans le document ISO 2394 [45] en termes de calcul de

structures (charges, résistance, vibrations, fatigue, sécurité…) et des tests de vérification

statique et dynamique.

Les matériaux choisis doivent répondre aux objectifs techniques d’assurance qualité avec

la prise en compte des nouvelles réglementations vis-à-vis du respect de l’environnement. Il

est donc important de choisir avec prudence [46] :

La classe des fibres.

La classe de la matrice.

La mousse constituant le sandwich (mousse adaptée à la mise en œuvre).

Les caractéristiques mécaniques des composites sélectionnés sont déterminées après

plusieurs essais de traction, compression, flexion, torsion, délaminage, flambage, fatigue,

contrôle de fibres en volume, etc.

Page 65: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

48

Les valeurs obtenues seront comparées aux valeurs calculées analytiquement en se basant

sur les équations constitutives gouvernant le comportement d’un panneau sandwich avec faces

(extrados, intrados) en composite stratifié. Ces équations sont généralement exprimées par la

forme matricielle compacte [46]:

{

}

[

] {

}

( )

Où,

* + {

} * + {

} * + {

}

* + {

} {

⁄⁄

}

* + {

} {

}

* + {

} {

⁄ ⁄

⁄ ⁄}

Les moments de flexion ( ), le moment de torsion ( ), les efforts normaux

( ) et l’effort de cisaillement ( ) sont appliqués sur les faces extrados et intrados ; par

contre les efforts de cisaillement transverse ( ) sont appliqués au cœur (âme).

III.5 Fatigue des pales d’éolienne

Lors de son service, la pale est sujette à des problèmes de variation de contraintes d’un

cycle à un autre. Cette variation peut avoir pour conséquence une dégradation de la résistance

structurale à travers les phénomènes d’accumulation de contraintes et de fatigue.

Cependant, un certain nombre d’échantillons (tronçons) doit être réalisé conformément

aux principes de construction de la pale. Ces échantillons seront ensuite testés à un niveau

suffisant jusqu’à rupture sous un chargement alterné. Un banc d’essai et des jauges de

déformation pour effectuer de tels essais sont nécessaires. Les résultats expérimentaux

obtenus permettront de chiffrer la durée de vie de la pale avec un degré de confiance

suffisamment admissible. En moyenne, cette durée de vie est estimée à 20 ans [38, 39, 44].

Il est donc nécessaire de bien comprendre les mécanismes d’endommagent en fatigue, et

de savoir comment prendre en compte au mieux les différents facteurs dont dépend la fatigue

des matériaux composites (la nature des fibres et des résines, du drapage, de la qualité des

interfaces...).

Page 66: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

49

III.5.1 Endommagement en fatigue

La fatigue est un processus (succession de mécanismes) qui sous l’action de contraintes

ou déformations variables dans le temps modifie les propriétés locales d’un matériau. Ces

dernières peuvent entraîner la formation de fissures et éventuellement la rupture de la

structure. La fatigue est notamment caractérisée par une étendue de variation de contrainte qui

peut être bien inférieure à la limite d’élasticité du matériau. Les étapes principales de la ruine

par fatigue d’un assemblage sont l’amorçage de fissures (si des défauts ne sont pas déjà

présents dans le matériau), la propagation de fissures et la rupture finale [43].

Les paramètres souvent utilisés pour prédire le comportement en fatigue et ainsi le

nombre de cycles à la rupture d’une structure sont: l’amplitude de la sollicitation (chargement

ou déformation imposée), sa valeur moyenne, l’état de surface et le milieu dans lequel la

structure sera utilisée.

Même si l’étude de la fatigue s’appuie sur des considérations théoriques (en particulier

mécanique de la rupture), c’est essentiellement un domaine expérimental. La caractérisation

d’un matériau, d’une pièce, d’un ensemble, d’une structure… nécessite de nombreux essais et

mesures.

III.5.2 Mécanismes d’endommagement en fatigue

La ruine des matériaux composites n’est pas initiée par un unique mécanisme

d’endommagement, mais elle est la conséquence de l’accumulation de plusieurs modes de

dégradations. En effet, par endommagement on entend le développement plus ou moins

progressif de micro-défauts (micro-vides, micro-fissures...) qui conduisent par coalescence à

des macro-défauts (fissures, dé-cohésions...) menant ainsi à la ruine de la structure [47].

Fig. III.6 : Différents mécanismes d’endommagement

Les mécanismes d’endommagement dans les composites stratifiés à fibres longues sont

aujourd’hui clairement identifiés. Différents facteurs peuvent influencer l’apparition et le

développement de ces dégradations: la séquence d’empilement (ply-orientations) [41], la

nature de la matrice, le procédé de fabrication... Ainsi, soumis à des sollicitations externes, les

matériaux composites sont le siège de dégradations au niveau des fibres (ruptures de fibres),

de la matrice (micro-vides, fissures intra-laminaires) ou encore au niveau des interfaces

Page 67: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

50

fibre/matrice (dé-cohésions fibre/matrice) ou des interfaces inter-plis (délaminage). La figure

(III.6) présente de façon schématique les différents mécanismes d’endommagement.

III.5.3 Prédiction de la durée de vie en fatigue

L’utilisation croissante des matériaux composites à hautes performances tient sans doute

à leur résistance exceptionnelle à la fatigue. Encore plus légers que les alliages d’aluminium,

ils sont nettement meilleurs que ces derniers lorsqu’ils sont soumis à des sollicitations

cycliques. Comme critère, on a l’habitude d’évaluer le rapport ( ⁄ ) de la limite

d’endurance (ou limite de fatigue) à la résistance en traction [47, 48].

Fig. III.7 : Exemple de courbe d’endurance (Wöhler)

Le critère le plus utilisé pour évaluer la durée de vie des matériaux est celui de la courbe

d’endurance ou de Wöhler (Stress-Number of cycles). Le principe en est simple, il

s’agit de reporter les sollicitations appliquées (contraintes, déformations, amplitude des

contraintes ou des déformations…) en fonction du nombre de cycles à la rupture du matériau

sollicité. Cette courbe définit une relation entre la contrainte appliquée (sigma parfois notée

) et le nombre de cycles à la rupture (en fait nombre de cycles pour lequel on observe

de ruptures) [47].

Pour la tracer, on réalise généralement des essais simples qui consistent à soumettre

chaque éprouvette à des cycles d’efforts périodiques, d’amplitude de chargement constante Sa

fluctuant autour d’une valeur moyenne fixée et à noter le nombre de cycles au bout duquel

l’amorçage d’une fissure est observé, appelé ici nombre de cycles à rupture ; ceci est fait

pour plusieurs valeurs de l’amplitude alternée et de R ; le rapport de charge est le rapport

de la contrainte minimum à la contrainte maximum du cycle périodique ( ⁄ ).

Pour plus de commodité, ce nombre est reporté en abscisse sur une échelle logarithmique,

et l’amplitude de contrainte Sa est reportée en ordonnée sur une échelle linéaire ou

logarithmique pour plusieurs valeurs de . correspond à un cycle symétrique alterné,

correspond à un cycle répété, correspond à des contraintes ondulées [49].

Page 68: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

51

Fig. III.8 : Divers types de sollicitations sinusoïdales [49]

Lorsque la plasticité est généralisée, la durée de vie en fatigue caractérisée par le nombre

de cycles à la rupture de l’échantillon est donnée par les relations de Manson-Coffin et

Basquin (figure III.9) [47] :

⁄ ( )

⁄ ( ) ( )

Avec : α, β, b et c paramètres déterminés par l’expérience;

, et déformations élastiques, plastiques et totales.

Fig. III.9 : Allure des courbes d’endurance exprimées en fonction de la déformation

Pour les métaux, la concavité de la courbe d’endurance est attribuée à la plasticité. Pour

les matériaux composites, dont le comportement monotone est quasi linéaire (absence notable

de plasticité), en coordonnées logarithmiques l’allure de la courbe est assez plate. Considérant

négligeable, la durée de vie peut alors s’exprimer par la relation simplifiée:

⁄ ( ) ( )

Page 69: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

52

Ce type de courbe d’endurance est généralement assez bien vérifié pour les matériaux

composites unidirectionnels à hautes performances (figure III.10), que la durée de vie soit

exprimée en fonction de l’amplitude de la déformation ou de celle de la contrainte appliquée.

Pour les composites stratifiés à plis croisés, l’allure de la courbe dépend de l’orientation du

drapage. Toutefois, la courbe d’endurance reste encore assez plate comparée à celle obtenue

pour des matériaux métalliques. Il apparaît qu’une fonction logarithmique permet de

représenter le phénomène en première approximation [47, 48] :

( )

Avec: Limite d’endurance;

F et m paramètres dépendant du matériau

Les résultats précédents amènent cependant quelques réflexions. Si les courbes

d’endurance ou le rapport ( ⁄ ) font figure de caractéristiques intrinsèques pour les

matériaux métalliques homogènes et isotropes, c’est plus difficilement le cas pour les

matériaux composites qui par conception ne sont plus vraiment des matériaux, mais déjà des

structures. En face du mot rupture, il convient d’associer des modes de dégradations qui

comme nous l’avons vu précédemment peuvent intervenir dans les plis et aux interfaces. Les

limites de fatigue et d’endurance varient avec les constituantes fibres et matrice, les

orientations et les épaisseurs des plis.

De même la viscosité ou la ductilité de la matrice sont des facteurs importants dans les

processus de fatigue. Pour les stratifiés croisés, une plus grande ductilité matricielle donne des

limites d’endurance supérieures.

Fig. III.10 : Courbe d’endurance S-N pour un composite carbone époxy de séquence [0/903/0]

Un autre facteur important pour bien comprendre les modes de ruine en fatigue, est l’état

local des contraintes, engendré par la sollicitation appliquée.

Page 70: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre III Fatigue des pales d’éoliennes

53

Si les matériaux composites ont de bonnes performances en traction cyclée comparés aux

matériaux métalliques, ils s’endommagent beaucoup plus sévèrement que les métaux sous des

sollicitations de compression ou de cisaillement. Il en résulte qu’au cours d’une flexion

cyclique un matériau composite peut s’endommager à la fois en traction, en compression et en

cisaillement, ce qui rend l’analyse complexe.

III.6 Conclusion

L’un des problèmes posés par les éoliennes en termes d’ingénierie réside dans la charge

variable à laquelle les pales de rotor sont soumises. Ceci peut avoir un impact négatif sur leurs

performances et peut même entraîner des pannes prématurées. De tels défauts peuvent faire

obstacle à l’adoption des éoliennes pour la production d’électricité, en particulier sur les

installations au large (offshore) qui sont difficiles d’accès.

L’analyse du comportement dynamique des pales a un rôle primordial dans la conception

des aérogénérateurs, car ces pales sont soumises à des forces de vent très variables favorisant

ainsi le cumul de la fatigue, sachant que ce phénomène est l’un des problèmes majeurs qui

entravent le bon fonctionnement des éoliennes.

Page 71: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

54

Chapitre IV

Intelligence artificielle et prédiction

IV.1 Introduction

Les travaux présentés dans ce chapitre portent sur la prédiction de la rupture des

matériaux composites des pales d’éoliennes en utilisant des techniques d’intelligence

artificielle (IA), qui ont été conçues pour apporter des réponses à des problèmes complexes et

qui peuvent avoir un grand nombre de solutions possibles. Cela est dû à la variété des

méthodes utilisées pour la résolution de ce problème. Les chercheurs en IA ont proposé des

méthodes ingénieuses qui permettent de trier parmi les solutions possibles, appelées les

heuristiques, afin d’accélérer le processus de sélection de la meilleure solution.

Page 72: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

55

Les méthodes d’intelligence artificielle (réseaux de neurones artificiels RNA, la logique

floue, machine à vecteurs de support SVM…) et les algorithmes métaheuristiques

(optimisation par essaim de particules OEP, algorithmes génétiques…) ont été développés à

partir de la compréhension de phénomènes biologiques et naturels. Ils suivent souvent des lois

stochastiques, ce qui les rend plus proches de la réalité, car la plupart des phénomènes

physiques suivent le hasard.

IV.2 Introduction à l’intelligence artificielle

L’augmentation de puissance dans les ordinateurs ne permet pas de résoudre toujours les

problèmes d’une application informatique dans un domaine particulier. L’idée qui s’est donc

installée, est que le problème n’était peut-être pas tant le matériel que le logiciel. La

construction de logiciels s’appuie sur plusieurs approches. Deux parmi les plus utilisées sont

l’approche algorithmique et l’approche basée sur la connaissance [51].

Une approche algorithmique nécessite l’écriture (avant la transcription dans un

quelconque langage de programmation) du processus à suivre pour résoudre le problème. Les

ordinateurs sont des machines complètement logiques (et même binaires) qui suivent à la

lettre chacune des instructions du programme. C’est un avantage lorsque tous les cas ont été

prévus à l’avance par l’algorithmicien.

La seconde approche possible est celle de l’intelligence artificielle (IA), avec pour

applications les plus connues les systèmes experts. Ici, la résolution du problème est confiée à

un ensemble de règles données par l’expert humain du domaine. Il n’en demeure pas moins

que toutes les règles doivent avoir été exprimées préalablement au traitement, et que le

programme demeure binaire dans son exécution. Les cas qui n’ont pas été prévus par l’expert

ne seront pas correctement traités. L’introduction de la logique floue ne change pas la nature

des limitations d’emploi du programme : l’exécution reste totalement déterministe.

En fait, l’approche basée sur la connaissance se limite à des domaines d’application où la

modélisation de la connaissance, par exemple sous forme de règles, est possible. Ces

domaines sont souvent ceux des sciences dites « exactes » comme l’électronique, la physique,

etc., par opposition aux sciences dites « humaines » comme la médecine, la psychologie, etc.,

où la connaissance est plus empirique. L’IA se révèle donc être un moyen commode de

stocker de la connaissance sous forme explicite [52].

Ces deux approches ne suffisent pas à répondre à tous les problèmes existants. Citons les

domaines de la reconnaissance de formes (images ou signaux), du diagnostic, du contrôle, de

la traduction automatique, de la compréhension du langage, depuis longtemps explorés à

l’aide des approches algorithmiques et à base de connaissances, qui n’ont pas rencontré le

succès escompté.

Une troisième approche au traitement de l’information semble donc s’offrir à nous, où

l’on cherche à s’inspirer du traitement de l’information effectué par le cerveau.

Page 73: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

56

L’hypothèse principale est que le comportement intelligent est sous-tendu par un

ensemble de mécanismes mentaux. L’hypothèse proposée par de nombreux biologistes est :

pour recréer le comportement intelligent du cerveau, il faut s’appuyer sur son architecture, en

fait, tenter de l’imiter.

Les réseaux de neurones artificiels sont dotés de propriétés qui, comme l’apprentissage à

partir d’exemples, semblent prometteuses dans certains domaines d’applications. Ils sont

d’usage de citer la reconnaissance de formes, le diagnostic, la prédiction, etc. En fait, ils sont

considérés comme éligibles à tout problème qui se représente sous la forme d’une fonction de

mise en correspondance entre un espace d’entrée et un espace de sortie, dès lors que l’on ne

dispose que d’exemples de comportement de cette fonction [51].

IV.3 Réseaux de neurones

Le cerveau, ce principal organe avec lequel on pense, on réfléchit, on raisonne et j’en

passe des termes qualifiant ces fonctionnalités, mais que bon nombre, même les spécialistes

ne savent pas avec précision comment le cerveau fait tout cela. Le cerveau est sans doute le

membre de l’être humain le moins maîtrisé par les spécialistes du point de vue de son

fonctionnement et ses capacités [53].

Nous n’avons pas l’intention ici de répondre à la question de son fonctionnement, loin de

là, nous allons juste essayer d’exposer un modèle de fonctionnement assez rudimentaire qui a

fait ses preuves dans un grand nombre d’applications et notamment en ingénierie, le terme

« rudimentaire » a été utilisé dans le sens où on a simplifié au maximum le fonctionnement

supposé du réseau de neurones biologique.

Les réseaux de neurones biologiques réalisent facilement un certain nombre

d’applications telles que la reconnaissance de formes, le traitement du signal, l’apprentissage

la mémorisation et surtout la généralisation [53]. Ces applications sont pourtant, malgré tous

les efforts déployés en algorithmique et en intelligence artificielle, à la limite des possibilités

actuelles. C’est à partir de l’hypothèse que le comportement intelligent émerge de la structure

complexe et du comportement actif des éléments de base du cerveau que les réseaux de

neurones artificiels se sont développés.

IV.3.1 Neurones biologiques

Le cerveau humain contient près de 86 milliards de neurones, et il existe environ 200

types de neurones [54]. Dans un neurone nous pouvons distinguer trois régions principales

(figure IV.1) : le corps cellulaire qui contient le noyau du neurone ainsi que la machine

biochimique nécessaire à la synthèse d’enzymes ; les dendrites, qui se divisent comme les

branches d’un arbre, recueillent l’information d’autres neurones et l’acheminent vers le corps

de la cellule ; l’axone, généralement très long et unique, il conduit l’information du corps

cellulaire vers d’autres neurones avec qui il fait des connexions appelées synapses.

Page 74: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

57

Fig. IV.1 : Schéma d’un neurone biologique [55, 56]

Au niveau des synapses, la transmission de l’information se fait par l’intermédiaire de

molécules chimiques : les neuromédiateurs. Quand un signal électrique arrive au niveau de la

synapse, il provoque l’émission de neuromédiateurs excitateurs ou inhibiteurs qui vont se

fixer sur les récepteurs dendritiques de l’autre côté de l’espace inter-synaptique. Lorsque

suffisamment de molécules excitatrices se sont fixées, un signal électrique est émis dans les

dendrites. Le neurone compare alors la somme de tous ces signaux à un seuil. Si la somme

excède ce seuil, le neurone émet un signal électrique (émission d’un potentiel d’action) le

long de son axone [51, 55, 56]. Sinon, il reste inactif et ne stimule pas les neurones auxquels il

est connecté.

IV.3.2 Neurones artificiels (formels)

Un réseau de neurones artificiels RNA est à l’origine une tentative de modélisation

mathématique du cerveau humain. Ainsi, il représente un modèle de calcul dont la conception

est très schématiquement inspirée du fonctionnement des neurones biologiques [57].

La figure (IV.2) montre la structure d’un neurone artificiel. Chaque neurone artificiel est

un processeur élémentaire. Il reçoit un nombre variable d’entrées en provenance de neurones

amont. À chacune de ces entrées est associée un poids w abréviation de weight (en anglais)

représentatif de la force de la connexion. Chaque processeur élémentaire est doté d’une sortie

unique, qui se ramifie ensuite pour alimenter un nombre variable de neurones aval. À chaque

connexion est associée un poids.

Fig. IV.2 : Mise en correspondance neurone biologique/neurone artificiel [52]

Page 75: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

58

Les RNA sont généralement optimisés par des méthodes d’apprentissage de type

probabiliste, en particulier bayésiennes. Ils sont placés d’une part dans la famille des

applications statistiques, qu’ils enrichissent avec un ensemble de paradigmes permettant de

créer des classifications rapides, et d’autre part dans la famille des méthodes de l’intelligence

artificielle auxquelles ils fournissent un mécanisme perceptif indépendant des idées propres de

l’implémenteur, ainsi que des informations d’entrée au raisonnement logique formel.

Fig. IV.3 : Fonctionnement de base d’un neurone

Le neurone calcule la somme pondérée de ses entrées puis cette valeur passe à travers la

fonction d’activation pour produire sa sortie.

IV.3.3 Histoire de l’évolution des RNA

Une première vague d’intérêt aux RNA a vu le jour après l’introduction par McCulloch et

Pitts en 1943 de la notion des neurones simplifiés (perceptron). Ces neurones ont été

présentés comme un modèle du neurone biologique et comme un élément de base pour des

circuits (réseaux) capables de réaliser des fonctions logiques, arithmétiques et symboliques

complexes. En 1949 Hebb, physiologiste américain, propose une loi de modification des

propriétés des connexions entre les neurones, qui explique en partie le conditionnement

pavlovien chez l’animal [52].

Les premiers succès de cette méthode fut présentés par Rosenblatt en 1957 qui a construit

le premier neuro-ordinateur basé sur le modèle du Perceptron et la appliqué au domaine de la

reconnaissance des formes. En 1960 Widrow un automaticien, a développé le modèle Adaline

qui a amélioré la loi d’apprentissage [58].

Quand Minsky et Papert publièrent en 1969 leur ouvrage qui met en exergue les

limitations théoriques du perceptron, il y a eu abandon financier des recherches dans le

domaine, les chercheurs se tournèrent principalement vers l’IA et les systèmes à bases de

règles [59]. Seuls quelques chercheurs ont continué leurs efforts parmi lesquels on note Teuvo

Kohonen, Stephen Grossberg, James Anderson et Kunihiko Fukushima.

En 1982 Hopfield, un physicien reconnu à qui l’on doit le renouveau d’intérêt pour les

RNA [60] au travers d’un article court, clair et bien écrit, présente une théorie du

fonctionnement et des possibilités des réseaux de neurones. Hopfield fixe préalablement le

comportement à atteindre pour son modèle et construit à partir de là, la structure et la loi

Page 76: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

59

d’apprentissage correspondant au résultat escompté. Ce modèle est aujourd’hui encore très

utilisé pour des problèmes d’optimisation. Notons qu’à cette date, l’IA est l’objet d’une

certaine désillusion, elle n’a pas répondu à toutes les attentes et s’est même heurtée à de

sérieuses limitations. Aussi, bien que les limitations du Perceptron mises en avant par Minsky

ne soient pas levées par le modèle d’Hopfield, les recherches sont relancées.

La machine de Boltzmann (1983) est le premier modèle connu apte à traiter de manière

satisfaisante les limitations recensées dans le cas du perceptron. Mais l’utilisation pratique

s’avère difficile, la convergence de l’algorithme étant extrêmement longue (les temps de

calcul sont considérables) [61].

En 1985 la rétropropagation de gradient apparaît. C’est un algorithme d’apprentissage

adapté aux réseaux de neurones multicouches. A partir de cette découverte, nous avons la

possibilité de réaliser une fonction non linéaire d’entrée/sortie sur un réseau en décomposant

cette fonction en une suite d’étapes linéairement séparables [52]. De nos jours, les réseaux

multicouches et la rétropropagation de gradient restent le modèle le plus étudié et le plus

productif au niveau des applications.

Et depuis les réseaux neuronaux ont connu un grand essor vu les applications potentielles

et la disponibilité de grands calculateurs. En fait les réseaux de neurones sont utilisés dans de

nombreux domaines à cause de leurs propriétés, en particulier, leur capacité d’apprentissage

et de généralisation.

Néanmoins les RNA ont besoin de cas réels servant d’exemples pour leur apprentissage.

Ces cas doivent être d’autant plus nombreux que le problème est complexe et que sa topologie

est peu structurée. Sur un plan pratique, cela n’est pas toujours facile, car les exemples

peuvent être soit en quantité absolument limitée ou trop onéreuse à collecter en nombre

suffisant.

IV.3.4 Comportement du neurone artificiel

On distingue deux phases. La première est habituellement le calcul de la somme pondérée

des entrées (a) selon l’expression suivante [52] :

∑( ) ( )

À partir de cette valeur, une fonction de transfert calcule la valeur de l’état du neurone.

C’est cette valeur qui sera transmise aux neurones en aval. Il existe de nombreuses formes

possibles pour la fonction de transfert. Les plus courantes sont présentées sur la figure IV.4.

On remarquera qu’à la différence des neurones biologiques dont l’état est binaire, la plupart

des fonctions de transfert sont continues, offrant une infinité de valeurs possibles comprises

dans l’intervalle [0, +1] (ou [-1, +1]).

Page 77: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

60

Fig. IV.4 : Différents types de fonctions de transfert pour le neurone artificiel

a : Fonction à seuil (S : la valeur du seuil) ; b : Linéaire par morceaux ; c : Sigmoïde.

Nous constatons que les équations décrivant le comportement des neurones artificiels

n’introduisent pas la notion de temps. En effet, et c’est le cas pour la plupart des modèles

actuels de réseaux de neurones, nous avons affaire à des modèles à temps discret, synchrone,

dont le comportement des composants ne varie pas dans le temps.

IV.4 Structure d’interconnexion des RNA

Les connexions entre les neurones qui composent le réseau décrivent la topologie du

modèle. Elle peut être quelconque, mais le plus souvent il est possible de distinguer une

certaine régularité [52, 53].

IV.4.1 Réseau multicouche

Les neurones sont arrangés par couche. Il n’y a pas de connexion entre neurones d’une

même couche et les connexions ne se font qu’avec les neurones des couches avales (figure

IV.5). Habituellement, chaque neurone d’une couche est connecté à tous les neurones de la

couche suivante et celle-ci seulement. Ceci nous permet d’introduire la notion de sens de

parcours de l’information (de l’activation) au sein d’un réseau et donc définir les concepts de

neurone d’entrée, neurone de sortie. Par extension, on appelle couche d’entrée l’ensemble des

neurones d’entrée, couche de sortie l’ensemble des neurones de sortie. Les couches

intermédiaires n’ayant aucun contact avec l’extérieur sont appelées couches cachées.

Fig. IV.5 : Réseau multicouche classique [62, 63]

Page 78: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

61

IV.4.2 Réseau à connexions locales

Il s’agit d’une structure multicouche, mais qui à l’image de la rétine, conserve une

certaine topologie. Chaque neurone entretien des relations avec un nombre réduit et localisé

de neurones de la couche avale (figure IV.6). Les connexions sont donc moins nombreuses

que dans le cas d’un réseau multicouche classique.

Fig. IV.6 : Réseau à connexions locales [62, 63]

IV.4.3 Réseau à connexions récurrentes

Un réseau de ce type signifie qu’une ou plusieurs sorties de neurones d’une couche aval

sont connectées aux entrées des neurones de la couche amont ou de la même couche. Ces

connexions récurrentes ramènent l’information en arrière par rapport au sens de propagation

défini dans un réseau multicouche.

Les réseaux à connexions récurrentes sont des réseaux plus puissants, car ils sont

séquentiels plutôt que combinatoires comme l’étaient ceux décrits précédemment (figure

IV.7). La rétroaction de la sortie vers l’entrée permet à un réseau de ce type de présenter un

comportement temporel.

Fig. IV.7 : Réseau à connexions récurrentes [62, 63]

IV.4.4 Réseau à connexions complexes

Chaque neurone est connecté à tous les neurones du réseau y compris lui-même, c’est la

structure d’interconnexion la plus générale.

Page 79: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

62

Fig. IV.8 : Réseau à connexions complexes [62, 63]

IV.5 Architecture des RNA

L’architecture d’un réseau de neurones définit son fonctionnement et joue un rôle

important dans son comportement. Elle est en fonction de ses couches et de la structure des

connexions de ses neurones ; ces paramètres permettent de distinguer les différentes classes

et/ou types d’architecture neuronales [51].

IV.5.1 Réseaux statiques

Ce type de réseaux est organisé généralement en couches de neurones. Chaque neurone

d’une couche reçoit ses entrées à partir des neurones de la couche précédente ou tout

simplement de l’entrée du réseau. Dans tels réseaux il n’existe pas de feed-back (boucles de

retour d’informations). Le traitement des données se fait en sens unique et le flux

d’informations circule directement de la couche d’entrée à la couche de sortie ; le traitement

est donc réalisé en boucle ouverte.

Ces réseaux peuvent être utilisés pour les problèmes de classification ou d’approximation

des fonctions.

IV.5.2 Réseaux dynamiques

Les réseaux dynamiques ou bien récurrents, sont les réseaux pouvant comporter des

boucles (feed-back) entre les neurones. En général, la sortie de chaque neurone peut être

envoyée vers l’entrée de tous les autres neurones du réseau. Ainsi, ces boucles ramènent

l’information en provenance de la couche de sortie sur la couche d’entrée simultanément avec

le signal d’entrée présent au même instant.

Un réseau dynamique peut donner une sortie différente en lui présentant la même entrée à

des instants différents, contrairement aux réseaux statiques qui donnent la même sortie pour

une même entrée.

Au début, ces réseaux étaient souvent utilisés pour les problèmes de classification et de

mémorisation. Actuellement, dans plusieurs travaux la structure interne dynamique de ces

réseaux est exploitée pour l’identification ou la commande des systèmes dynamiques.

Page 80: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

63

IV.5.3 Réseaux auto-organisés

Les réseaux de neurones auto-organisés sont des réseaux qui changent leurs structures

internes pendant l’apprentissage. Ainsi les neurones se regroupent topologiquement suivant la

représentation des exemples. Ces réseaux sont des dérivées des modèles de Kohonen.

IV.6 Apprentissage des RNA

L’idée d’apprentissage dans les neurones biologiques a été avancée par Donald Hebb en

1949 [64]. Ce dernier propose l’existence d’un renforcement du lien entre deux neurones qui

sont activés en même temps. L’apprentissage est sans doute la propriété la plus intéressante

des réseaux neuronaux. On peut le définir comme un cycle d’évolution d’un réseau de

neurones durant lequel le comportement du réseau est modifié jusqu’à l’obtention du

comportement désiré. Il faut savoir aussi que l’apprentissage neuronal s’appuie sur des

exemples de comportement.

Dans la plupart des algorithmes modernes, les variables modifiées durant l’apprentissage

sont les poids des liens synaptiques. L’apprentissage est la modification des poids du réseau

dans le but d’accorder la réponse du réseau aux exemples et à l’expérience. À la fin de

l’apprentissage, les poids sont établis : c’est alors la phase d’utilisation. Certains modèles de

réseaux sont improprement désignés à apprentissage permanent. Dans ce cas il est vrai que

l’apprentissage ne s’arrête jamais, cependant on peut toujours distinguer une phase

d’apprentissage et une phase d’utilisation [51, 52, 62].

IV.6.1 Procédure d’apprentissage

En général, une procédure d’apprentissage se compose de quatre étapes principales :

Initialisation de façon aléatoire des poids synaptiques ;

Présentation des conditions et des données qui sert de base d’apprentissage ;

Calcul de l’erreur commise et l’évaluation des performances ;

Calcul de la correction à apporter au poids synaptique.

IV.6.2 Types d’apprentissage

On peut distinguer deux types d’apprentissages :

Apprentissage supervisé : Cet apprentissage se fait en introduisant des couples

d’entrées et leurs sorties désirées, on détermine par la suite les performances du

réseau par l’intermédiaire d’un critère à optimiser.

Apprentissage non supervisé : L’apprentissage non supervisé nécessite la présence

des entrées seulement. Il est basé seulement sur l’information locale existant au

niveau des neurones.

Page 81: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

64

Fig. IV.9 : différentes possibilités de classification des réseaux de neurones

IV.7 Réseaux de neurones à apprentissage supervisé

Un apprentissage est dit supervisé lorsque l’on guide le réseau de neurones vers des

sorties désirées. Ce type d’apprentissage est réalisé à l’aide d’une base d’apprentissage,

constituée de plusieurs exemples de type entrées-sorties (les entrées du réseau et les sorties

désirées ou encore les solutions souhaitées pour l’ensemble des sorties du réseau). La

procédure usuelle dans le cadre de la prévision est l’apprentissage supervisé (ou à partir

d’exemples) qui consiste à associer une réponse spécifique désirée à chaque signal d’entrée.

La modification des poids s’effectue progressivement jusqu’à ce que l’erreur (ou l’écart) entre

les sorties du réseau (ou résultats calculés) et les résultats désirés sont minimisés. Cet

apprentissage n’est performant que si un large jeu de données est disponible et si les solutions

sont connues pour les exemples de la base d’apprentissage.

L’intérêt de cet apprentissage est de trouver des poids synaptiques optimaux afin de

ramener au réseau un comportement désiré à l’aide d’échantillons aléatoires.

On distingue deux approches. La première est basée seulement sur la validité de la

décision. Le superviseur n’a qu’à juger la décision du réseau si elle est correcte ou pas. Cette

approche permet la possibilité de classification de chaque exemple de l’espace d’entrée. La

deuxième approche concerne l’optimisation d’un critère appelé fonction coût. Elle traite en

général les problèmes d’approximation de fonctions [51].

IV.7.1 Perceptron multicouche

Le perceptron a été inventé en 1957 par Rosenblatt au Cornell Aeronautical Laboratory

[65], Dans cette première version le perceptron était alors monocouche et n’avait qu’une seule

sortie à laquelle toutes les entrées sont connectées. C’est un réseau statique capable de

modifier ses poids en fonction des exemples que l’on veut lui faire apprendre. L’information

circule dans un sens unique de la couche d’entrée vers la couche de sortie.

Statique

Dynamique

Évolutive, auto-organisée

Architecture

Réseaux de Neurones

Apprentissage

Supervisé Non-Supervisé

Mémorisation, Classification Filtrage, Complétion Approximation, Optimisation

Fonction

Page 82: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

65

Fig. IV.10 : Structure d’entrainement d’un perceptron linéaire

Tous les réseaux qui traitent de la décision sont basés sur le perceptron. Dans le cas de

perceptron linéaire, l’activité du neurone est définie par l’équation linéaire suivante :

( )

Les représentent les entrées, le poids synaptique en provenance du neurone de

la couche d’entrée vers le neurone de sortie et un paramètre qui agit sur le seuil à la

sortie que nous avons appelé biais.

La sortie du réseau (perceptron) ( ) est définie par la fonction seuil :

( ) {

( )

L’adaptation des poids de ce réseau n’est autre qu’un cas particulier de l’application de la

méthode de descente du gradient que nous présenterons plus loin:

( ) ( ) ( ) ( )

Où: ( ) est la nouvelle valeur adaptée du poids.

Dans le cas de perceptron linéaire on a:

( ) ( ) ( ) ( )

( ( ) ( )) ( ) ( )

Où est le taux d’apprentissage; ( ) et ( ) sont l’entrée et la sortie du réseau, ( ) est

la sortie que nous désirons obtenir et ( ) l’erreur à la sortie à l’instant .

Le perceptron multicouche « Multilayer Perceptron MLP » est un classifieur linéaire, de

type réseau neuronal formel, organisé en plusieurs couches au sein desquelles une information

circule de la couche d’entrée vers la couche de sortie uniquement. Il s’agit donc d’un réseau

de type précompensation (feedforward). Chaque couche est constituée d’un nombre variable

de neurones, les neurones de la couche de sortie correspondant toujours aux sorties du

système.

Page 83: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

66

IV.7.2 Perceptron multicouche à rétropropagation

Les premiers réseaux de neurones n’étaient pas capables de résoudre des problèmes non

linéaires; cette limitation fut supprimée au travers de la rétropropagation du gradient de

l’erreur dans les systèmes multicouches, proposé par Werbos en 1984 et mis au point deux

années plus tard, en 1986 par Rumelhart [66]. Le fait que ces réseaux soient non linéaires,

leurs architectures multicouches leur permettent de traiter des problèmes très complexes

surtout après la mise au point de l’algorithme d’apprentissage de la rétropropagation (Back-

propagation) en 1986.

Dans le perceptron multicouche à rétropropagation, les neurones d’une couche sont reliés

à la totalité des neurones des couches adjacentes. Ces liaisons sont soumises à un coefficient

altérant l’effet de l’information sur le neurone de destination. Ainsi, le poids de chacune de

ces liaisons est l’élément clef du fonctionnement du réseau: la mise en place d’un Perceptron

multicouche pour résoudre un problème passe donc par la détermination des meilleurs poids

applicables à chacune des connexions inter-neuronales. Ici, cette détermination s’effectue au

travers d’un algorithme de rétropropagation, dont l’architecture est donnée dans la figure

(IV.11).

Fig. IV.11 : Entraînement du réseau par rétropropagation de l’erreur

est la matrice de poids synaptiques liant l’entrée avec la couche cachée, et la

matrice de poids synaptique liant la couche cachée avec la sortie.

IV.7.2.1 Rétro-propagation avec Momentum

Actuellement, la rétropropagation est pratiquement toujours utilisée avec le Momentum.

Rumelhart a proposé une solution très efficace pour accélérer la convergence qui consiste à

utiliser les changements précédents des poids pour la réadaptation des poids actuels [51].

L’équation d’adaptation devient donc :

( )

( ) ( ) ( )

( )

( ) ( )

( ) ( )

Le terme ajouté à l’équation (4.8) est appelé Momentum (élan, quantité de mouvement),

en analogie avec la mécanique classique, où un objet en mouvement garde l’impulsion

Page 84: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

67

acquise grâce à la quantité de mouvement qui lui a été communiquée précédemment pour

accélérer son mouvement.

Le paramètre est utilisé pour pondérer l’effet de ce terme. Sa valeur est généralement

comprise entre 0.1 et 0.8. Des recherches plus poussées ont montré que l’adaptation de sa

valeur, comme c’est le cas pour le taux d’apprentissage, donne des résultats très intéressants.

L’utilisation de cette méthode permet de faire sortir les poids des minima locaux, afin de

chercher d’autres optimums, ce qui donne beaucoup de chances d’aboutir à un minimum

global. Le Momentum tend aussi à éviter les grands « sauts » pendant l’apprentissage, générés

par le changement de la pente dans la surface d’erreur.

IV.8 Intelligence en essaim

Un programme en IA a été modélisé du point de vue d’une personne indépendante et

unique, cela permet de voir ce que sera nos qualités comme étant des espèces, ainsi que notre

tendance associative. Si on veut modéliser l’intelligence humaine, alors ça peut être faisable

par la modélisation des individus dans un contexte social. Le comportement social permet aux

individus d’une espèce de s’adapter à leur environnement, surtout fournir les individus avec

plus d’information que leurs capacités sensorielles peuvent rassembler [67].

De même que pour les paradigmes évolutionnaires, l’intelligence en essaim (Swarm

intelligence) utilise « une population » de solutions candidate pour développer une solution

optimale au problème. Le degré d’optimalité est mesuré par une fonction fitness « aptitude »

définie par l’utilisateur.

L’intelligence en essaim, qui a des racines dans la vie artificielle et la psychologie sociale

tout comme l’engineering et l’informatique, diffère des méthodes de calcul évolutionnaire de

façon que les membres de la population appelés « particules », sont dispersés dans l’espace du

problème.

IV.8.1 Optimisation par essaim particulaire (OEP)

L’OEP a été proposée par Kennedy et Eberhart en 1995 [68]. Elle s’inspire du

comportement social des animaux évoluant en essaim, tels que les nuées d’oiseaux, les bancs

de poissons, etc. Ses deux concepteurs cherchaient à modéliser des interactions sociales entre

des « agents » devant atteindre un objectif donné dans un espace de recherche commun.

Chaque agent ayant une certaine capacité de mémorisation et de traitement de l’information.

La règle de base était qu’il ne devait y avoir aucun chef d’orchestre, ni même aucune

connaissance par les agents de l’ensemble des informations, seulement des connaissances

locales. Un modèle simple fut alors élaboré.

Dès les premières simulations, le comportement collectif de ces agents évoquait celui

d’un essaim d’êtres vivants convergeant parfois en plusieurs sous essaims vers des sites

intéressants. Ce comportement se retrouve dans bien d’autres modèles, explicitement inspirés

des systèmes naturels. La métaphore la plus pertinente est probablement celle de l’essaim

Page 85: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

68

d’abeilles, particulièrement du fait qu’une abeille ayant trouvé un site prometteur sait en

informer certaines de ses consœurs et que celles-ci vont tenir compte de cette information

pour leur prochain déplacement. Finalement, le modèle s’est révélé être trop simple pour

vraiment simuler un comportement social, mais par contre très efficace en tant qu’outil

d’optimisation. Comme nous allons le voir, le fonctionnement de l’OEP fait qu’elle peut être

rangée parmis les méthodes itératives « on approche peu à peu de la solution » et

stochastiques « on fait appel au hasard » [67].

IV.8.1.1 Description informelle

L’algorithme OEP peut être décrit en se plaçant du point de vue d’une Particule. Au

départ de l’algorithme, un essaim est réparti au hasard dans l’espace de Recherche, chaque

particule ayant également une vitesse aléatoire. Ensuite, à chaque pas de temps:

Chaque particule est capable d’évaluer la qualité de sa position et de garder en

mémoire sa meilleure performance, c’est-à-dire la meilleure position qu’elle a atteinte

jusqu’ici (qui peut en fait être parfois la position courante) et sa qualité (la valeur en

cette Position de la fonction à optimiser).

Chaque particule est capable d’interroger un certain nombre de ses congénères (ses

informatrices, dont elle-même) et d’obtenir de chacune d’entre elles sa propre

meilleure performance (et la qualité afférente).

à chaque pas de temps, chaque particule choisit la meilleure des meilleures

performances dont elle a connaissance, modifie sa vitesse en fonction de cette

information et de ses propres données et se déplace en conséquence.

La figure (IV.12) illustre la stratégie de déplacement d’une particule.

Pour réaliser son prochain Mouvement, chaque particule combine trois tendances: suivre

sa vitesse propre, revenir vers sa meilleure performance, aller vers la meilleure performance

de ses informatrices. Une fois la meilleure informatrice détectée, la modification de la vitesse

est une simple combinaison linéaire de trois tendances, à l’aide de coefficients de confiance :

Fig. IV.12: Déplacement d’une particule [69]

La tendance « aventureuse », consistant à continuer selon la vitesse actuelle ;

Page 86: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

69

La tendance « conservatrice », ramenant plus ou moins vers la meilleure position déjà

trouvée ;

La tendance « panurgienne », orientant approximativement vers la meilleure inform-

atrice.

Les termes « plus ou moins » ou « approximativement » font référence au fait que le

hasard joue un rôle, grâce à une modification aléatoire limitée des coefficients de confiance,

ce qui favorise l’exploration de l’espace de recherche [67]. La figure (IV.13) présente un

schéma de principe résumant les explications ci-dessus.

Fig. IV.13: Règles simples d’application locale utilisées dans un essaim de particules

Où : I est l’optimum de l’individu ;

P est l’optimum de la population ;

+ est l’optimum absolu.

IV.8.1.2 Voisinage

Le voisinage constitue la structure du réseau social. Les particules à l’intérieur d’un

voisinage communiquent entre elles. Différents voisinages ont été étudiés [67] :

Topologie en étoile: le réseau social est complet, chaque particule est attirée vers la

meilleure particule notée et communique avec les autres (figure IV.14).

Fig. IV.14: Voisinage étoile

Topologie en anneau: chaque particule communique avec ( ) voisines

immédiates. Chaque particule tend à se déplacer vers la meilleure dans son voisinage

local notée (figure IV.15).

Page 87: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

70

Fig. IV.15: Voisinage anneau

Topologie en rayon: une particule « centrale » est connectée à toutes les autres. Seule

cette particule centrale ajuste sa position vers la meilleure, si cela provoque une

amélioration l’information est propagée aux autres (figure IV.16).

Fig. IV.16: Voisinage rayon

Le choix de la topologie de voisinage a un grand effet sur la propagation de la meilleure

solution trouvée par l’essaim. En utilisant le modèle la propagation est très rapide (c.-à-

d. toutes les particules dans l’essaim seront affectées par la meilleure solution trouvée dans

l’itération , immédiatement dans l’itération ). Cependant, en utilisant les topologies

anneau et rayon ça ralentira la convergence parce que la meilleure solution trouvée doit se

propager par plusieurs voisinages avant d’affecter toutes les particules dans l’essaim. Cette

propagation lente permettra aux particules d’explorer plus les secteurs dans la recherche

espaçant et diminuant ainsi la chance de la convergence.

IV.8.2 Algorithme OEP

Dans un système OEP, un essaim d’individus (particules) volent dans l’espace de

recherche. Chaque particule représente une solution potentielle au problème d’optimisation.

La position d’une particule est influencée par la meilleure position visitée par elle-même (c.-

à-d. ses propres expériences) et la position de la meilleure particule dans son voisinage (c.-à-

d. l’expérience des particules voisines). Quand le voisinage d’une particule est l’essaim entier,

la meilleure position dans le voisinage exprime la meilleure particule globale, et l’algorithme

résultant est désigné sous le nom d’un OEP . Si le voisinage est petit l’algorithme est

généralement connu sous le nom d’un OEP [67].

Page 88: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

71

Dans un espace de recherche de dimension , la particule de l’essaim est modélisée par

son vecteur position ( ) et par son vecteur vitesse ( ) , en

désignant par la transposée d’une matrice . La qualité de sa position est déterminée par la

valeur de la fonction objective en ce point. Cette particule garde en mémoire la meilleure

position par laquelle elle est déjà passée, que l’on note ( ) . La meilleure

position atteinte par ses particules voisines est notée ( ) . Au temps , le

vecteur vitesse est calculé à partir de l’équation (4.9) [69]. Le déplacement d’une particule est

influencé par trois composantes:

Une composante d’inertie: la particule tend à suivre sa direction courante de

déplacement ;

Une composante cognitive: la particule tend à se fier à sa propre expérience et, ainsi, à

se diriger vers le meilleur site par lequel elle est déjà passée ;

Une composante sociale: la particule tend à se fier à l’expérience de ses congénères et,

ainsi, à se diriger vers le meilleur site déjà atteint collectivement par l’essaim.

( ) ( ) . ( ) ( )/ . ( ) ( )/ * + ( )

Où est en général une constante, appelée coefficient d’inertie ; et sont deux

constantes, appelés coefficients d’accélération ; et sont deux nombres aléatoires tirés

uniformément dans , -, à chaque itération et pour chaque dimension.

Il est à noter que le terme « vitesse » est ici abusif, car les vecteurs ne sont pas

homogènes à une vitesse. Cependant, pour respecter l’analogie avec le monde animal, les

auteurs ont préféré utiliser ce terme.

Dans l’équation précédente, ( ) correspond à la composante d’inertie du déplacement.

Le paramètre contrôle l’influence de la direction de déplacement sur le déplacement futur.

L’expression . ( ) ( )/ correspond à la composante cognitive du déplacement. Le

paramètre contrôle le comportement cognitif de la particule. L’expression . ( )

( )/ correspond à la composante sociale du déplacement. Le paramètre contrôle

l’aptitude sociale de la particule.

La combinaison des paramètres , et permet de régler l’équilibre entre les phases

de diversification et d’intensification du processus de recherche. Clerc et Kennedy en 2002

ont démontré qu’une bonne convergence peut être obtenue en rendant dépendants ces

paramètres. L’utilisation d’un facteur de constriction permet de prévenir la divergence de

l’essaim. L’équation (4.9) devient alors [69] :

( ) ( ( ) . ( ) ( )/ . ( ) ( )/) * + ( )

Page 89: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

72

Avec:

√ ( )

La position au temps de la particule est alors définie par (IV.12):

( ) ( ) ( ) * + ( )

Les différentes étapes de l’OEP sont présentées dans les deux algorithmes (C.1 et C.2)

dans l’annexe C.

IV.9 Réseau de neurones optimisé par essaim de particules

Le réseau de neurones RNA optimisé par un algorithme d’essaim de particules est appelé

aussi un algorithme PSO-ANN (Particle swarm optimization-based artificial neural network).

Cet algorithme prend les poids et les biais du réseau de neurones entrainé comme une seule

particule [70].

Fig. IV.17 : Logigramme pour les réseaux de neurones optimisés par OEP [71]

Page 90: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

73

On peut décrire l’idée fondamentale de la méthode RNA-OEP en expliquant mieux le

logigramme (IV.17) selon les étapes suivantes :

Étape 1 : Normaliser la base de données (les données expérimentales) de

l’entrainement ainsi que celle du test.

Étape 2 : Initialiser aléatoirement un groupe de m particules en incluant les positions

et la vitesse.

Étape 3 : Calculer la valeur de la « fitness » de chaque particule et mettre à jour les

valeurs des poids et biais de chaque neurone en utilisant la valeur gbest.

Étape 4 : Mettre à jour la vitesse et la position des particules

Étape 5 : Si la condition d’arrêt n’est pas satisfaite, revenir à l’étape 2 sinon passer à

l’étape 6.

Étape 6 : Mettre les poids et les biais à jour.

Étape 7 : Normaliser les résultats de la prédiction.

IV.10 Prédiction

La prédiction numérique consiste à prédire des valeurs qui caractérisent les données

d’entrée. La méthode la plus largement utilisée pour la prévision numérique (ci-après

dénommée prédiction) est la régression. C’est une méthode statistique qui a été développée

par Galton en 1886. En fait, de nombreuses études ont utilisé les termes « régression » et

« prédiction numérique » comme synonymes. Cependant, comme nous l’avons vu, certaines

techniques de classification (telles que les réseaux de neurones artificiels, l’intelligence en

essaim, etc.) peuvent être adaptées pour la prédiction [50]. Dans cette section, nous présentons

la technique de régression linéaire et la méthodologie qui leur est associée pour la prédiction.

L’analyse par régression peut être utilisée pour modéliser la relation entre une ou

plusieurs variables indépendantes. Dans le cadre de l’exploration de données, les variables

explicatives sont les attributs intéressants décrivant l’ensemble de données (qui constituent le

vecteur d’attributs). En général, les valeurs des variables prédictives sont connues. Étant

donné un ensemble de données décrit par des variables prédictives, on veut prédire la valeur

associée à la variable « réponse » à partir d’un ensemble de données décrit par des variables

prédictives.

IV.10.1 Régression linéaire

La régression linéaire comprend une variable de réponse qui est fonction d’une variable

prédictive unique . Il s’agit de la forme la plus simple de la régression. La variable est

modélisée comme une fonction linéaire de :

( )

Page 91: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

74

La variance de est supposée être constante et et sont des coefficients de régression

spécifiant l’ordonnée à l’origine et la pente de la droite, respectivement (figure IV.18). Les

coefficients de régression et peuvent également être considérés comme des poids et des

biais. Nous pouvons alors écrire de façon équivalente:

( )

Fig. IV.18 : Régression par une ligne droite [50]

Ces coefficients peuvent être calculés par la méthode des moindres carrés qui estime les

coefficients et comme ceux qui minimisent l’erreur entre les données réelles et la

droite modèle.

Soit un ensemble d’apprentissage ayant les valeurs de la variable prédictive d’une

population et leurs valeurs associées pour la variable réponse . L’ensemble d’apprentissage

contient points de données de la forme ( ) , ( ) ,…, ( ). Les coefficients de

régression peuvent être estimés à l’aide des équations :

∑ ( )( )

∑ ( )

( )

Et

( )

Où est la valeur moyenne de ( ) ; et est la valeur moyenne de

( ). Les coefficients et fournissent souvent de bonnes approximations

pour les équations de régression non complexes.

La régression linéaire multiple est une extension de la régression linéaire afin d’impliquer

plus d’une variable prédictive. Elle permet de modéliser la variable réponse comme une

fonction linéaire de variables prédictives où des attributs ; ( ) décrivent un

ensemble de données ( ). L’ensemble d’apprentissage contient les

données de la forme (( ) ( ) ( )) ; où sont les ensembles

Page 92: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre IV Intelligence artificielle et prédiction

75

d’apprentissage à dimensions avec des étiquettes de classe associées . Un exemple d’un

modèle de régression linéaire multiple fondé sur deux attributs et est:

( )

Où et sont les valeurs d’attributs et respectivement. La méthode des

moindres carrés peut être étendue pour calculer , et . Cependant, les équations

deviennent longues et fastidieuses à résoudre analytiquement.

IV.11 Conclusion

Dans ce chapitre, nous avons étudié la possibilité de prédire le comportement en fatigue

des matériaux composites utilisés dans la conception des pales d’éoliennes. Il s’agissait d’une

problématique de régression, ce qui nous a poussé à utiliser les méthodes de régression basées

sur l’apprentissage statique (les réseaux de neurones, l’intelligence en essaim).

A travers la section (IV.3), nous avons cité les différentes architectures des réseaux de

neurones et les classer selon leur apprentissage « supervisé et non supervisé ».

Afin de pouvoir traiter notre problématique de régression, nous nous sommes concentrés

beaucoup plus sur les apprentissages supervisés tout en étudiant les perceptrons multicouches

à rétropropagation. L’optimisation par essaim particulaire OEP que nous avons appliqué dans

cette thèse a été décrite dans la sous-section (IV.8.1), ainsi que son algorithme et ses

paramètres. Puis, dans la section (IV.9), nous avons montré l’optimisation du réseau de

neurones à base d’essaim particulaire (RNA-OEP) en tant qu’algorithme d’entrainement de

notre réseau en expliquant les étapes fondamentales de déroulement de ce dernier.

À travers la section (IV.10), nous avons défini la méthode de prédiction numérique qui

consiste à prévoir des valeurs qui caractérisent les données d’entrée, et à effectuer une

modification des poids jusqu’à ce que l’erreur entre les sorties du réseau et les résultats

désirés soit minimisée.

L’utilisation des méthodes d’apprentissage artificiel pour l’estimation de la durée de vie

en fatigue nécessite une centaine de tests sur des éprouvettes, et cela induit un coût important.

Pour cette raison, dans le chapitre (V) nous étudierons l’estimation de la durée de vie restante

des pales d’éoliennes, en modélisant la tenue en fatigue de différents matériaux composites

destinés à leur conception.

Page 93: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

76

Chapitre V

Prédiction de la fatigue des pales d’éoliennes

V.1 Introduction

Dans un système éolien, les pales sont l’une des composantes les plus critiques. Elles

captent l’énergie du vent et la convertissent en une énergie mécanique pour la production

d’énergie électrique. Cependant, lorsque les pales sont défectueuses, le rendement d’énergie

de la turbine sera affecté de manière significative. Par conséquent, les défaillances des pales

ont un impact profond sur le coût de l’énergie (réparation, maintenance…). Amélioration de

la fiabilité de la pale d’éolienne est d’une grande importance pour l’autonomisation des

éoliennes et leur rendement économique.

Comme la pale est un élément structurel essentiel dans l’éolienne, elle doit donc être

conçue structurellement forte afin de supporter les différentes charges auxquelles elle peut

être exposée [72]. L’efficacité de l’éolienne dépend essentiellement du matériau de la pale, la

forme et l’angle. Par conséquent, les matériaux des pales d’éoliennes jouent un rôle

primordial dans cette industrie. Ces derniers doivent avoir une grande rigidité, faible densité

et longue durée de vie en fatigue [73].

Page 94: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

77

Fig. V.1 : Vue de dessus d’un segment (AOC 15/50) d’une pale d’éolienne [74, 75]

Dans l’industrie moderne des pales d’éoliennes, les matériaux composites à base de fibres

occupent une place prépondérante (95 %) [76]. En effet, ces matériaux présentent des

avantages attractifs résidant principalement dans les bonnes caractéristiques mécaniques en

termes de rigidité et de résistance spécifiques. Cette dernière se caractérise par la protection

de l’environnement et de la santé dans toutes les étapes de conception, et ce, aux côtés de

critères classiques tels que : le coût, la qualité, la faisabilité technique et les attentes du

marché de la pale d’éolienne. Cependant, plusieurs propriétés clés sont dominées par la

matrice de résine, y compris la fatigue [77, 78] qui est un mode de défaillance dominant dans

les structures en matériaux composites, ce qui conduit à la rupture de l’intégrité structurale

dans le bord de fuite, les espars et le bord d’attaque comme le montre dans la figure (V.1).

Les réseaux de neurones artificiels (RNA) ont révélé être utile pour diverses applications

d’ingénierie. En raison de leur structure massivement parallèle, ils peuvent faire face à de

nombreux problèmes non linéaires et multivariables, pour lesquels une solution analytique

précise est difficile à obtenir.

Al-Assadi et al. dans [79, 80] ont conclu que les RNA pourraient modéliser le

comportement statique et cyclique des matériaux composites, contrôler les paramètres de

fabrication pour leur usinage, ainsi qu’ils peuvent même prédire leurs propriétés d’usure. En

outre, le système peut être considéré comme une boîte noire qui rend la connaissance de son

comportement interne nécessaire à la plupart des utilisateurs.

Pleune et Chopra [81] ont entrainé un réseau de neurones à rétropropagation afin de

prédire la durée de vie en fatigue des aciers de carbone pour un ensemble de données

spécifiques de contraintes et des conditions environnementales sévères. Ils ont montré que les

RNA ont un grand potentiel de prédiction de la corrosion de l’environnement. Un autre

avantage est que les RNA pourraient interpoler les effets par les tendances et les modes

d’apprentissage lorsque l’ensemble de données est insuffisant.

Venkatesh et rack [82] ont également entrainé un réseau de neurones à rétropropagation

afin de prédire l’élévation de la température au fluage-fatigue d’un alliage à base de Ni

INCONEL 690. Ils ont conclu que la précision de la prédiction dépend fortement du nombre

Page 95: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

78

d’itérations et de l’architecture du réseau, et cela montrent une amélioration significative des

résultats.

Les composites à renforts de fibres carbone/verre ont été utilisés par Lee et al. [83] afin

d’évaluer les performances des RNA et prédire une éventuelle rupture par fatigue des

stratifiés sous divers rapports de contraintes. Ainsi, ils ont utilisé les valeurs maximales et

minimales de la contrainte et le niveau de la probabilité de défaillance comme des paramètres

d’entrée du RNA tout en obtenant le nombre de cycles à la rupture.

V.2 Effet d’environnement sur la fatigue des pales d’éoliennes

Les effets environnementaux sur les matériaux composites doivent être pris en compte au

début de la conception des pales d’éoliennes, sinon les échecs et les itérations de conception

se révéleront une perte de temps, d’énergie et d’argent. La température et l’humidité sont les

plus importants facteurs de dégradation d’une pale d’éolienne, à prendre en considération au

cours de sa conception ; elles affecteront en premier lieu la matrice en résine, et

éventuellement l’interface.

Le but de cette première section est d’identifier les résines qui ont une bonne résistance à

la température/humidité tout en offrant une meilleure tenue en fatigue. Les résines étudiées

sont des polymères thermodurcissables y compris : les polyesters insaturés et les vinylester.

Ils sont tout à la fois appropriés aux pales d’éoliennes en termes de coût et de faible viscosité

pour un traitement ductile par "moulage par transfert de résine (RTM)".

Les réseaux de neurones utilisés dans cette partie ont pour but de prédire la tenue en

fatigue des matériaux composites des pales d’éoliennes sous l’effet de l’environnement, et

dans des conditions extrêmes (sèches/humides). Les échantillons utilisés pour ce procédé ont

été testés dans des températures d’air de 20 °C et 50 °C.

V.2.1 Hygro-thermo-mécanique des pales d’éolienne

L’état du problème, illustré par la figure (V.2), est du type hygro-thermo-mécanique, car

la structure de la pale est supposée soumise à trois types de sollicitations d’origine :

mécanique (forces de rafale, tempêtes...) ;

thermique (variation de la température) ;

hygrométrique (variation de l’humidité).

Les équations constitutives gouvernant le comportement hygro-thermo-mécanique d’un

composite stratifié (faces extrados et intrados) sans prise en compte du cisaillement

transverse, sont exprimées d’après [38, 39] par la forme matricielle compacte suivante:

Page 96: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

79

Fig. V.2 : Pale soumise à un chargement de type hygro-thermo-mécanique

{

}

[

] {

}

{

}

{

} ( )

Où représentent respectivement les variations de la température et de

l’humidité.

Viennent ensuite les méthodes numériques consistant à simuler la pale à travers un

modèle numérique qui sera résolu par la méthode des éléments finis (MEF). L’élaboration

d’un tel modèle n’est pas toujours simple étant donné la forme complexe de la pale,

l’anisotropie du matériau, le type de chargement et le degré de précision.

Après cette analyse, il s’avère nécessaire de renforcer la section de la pale par des

raidisseurs longitudinaux. Dans ces conditions, une étude préliminaire doit être entreprise afin

de déterminer le nombre de raidisseurs adéquats ainsi que leur position par rapport au bord

d’attaque.

V.2.2 Comportement du gelcoat aux contraintes climatiques

Les éoliennes implantées en mer (offshore) et sur terre (onshore) sont exposées, selon la

climatologie de la région, à des contraintes d’ordre climatique telles que les variations de

température, d’humidité et les grains de sable liés aux tempêtes. Ces phénomènes naturels

peuvent facilement endommager la peau de la pale (gelcoat) [38]. Cependant, une pale

d’éolienne en matériaux composites est hautement durable si la couche du gelcoat qui la

protège du milieu extérieur présente de bonnes caractéristiques physico-chimiques (bon

module d’élasticité, bon allongement à la rupture, résistance au sablage, épaisseur adéquate,

absence de porosité...).

Le mauvais choix de ces caractéristiques peut engendrer à court et/ou à long terme des

risques de formation de cloques, de création de petites cavités, d’apparition de fissures et

craquelures, engendrant ainsi un isolement du stratifié du milieu extérieur et facilitant le

contact avec les phénomènes naturels (givrage, variation de la température, contact avec l’eau

de mer et de pluie, tempêtes de sable, etc..). Ces risques peuvent être considérés comme les

premiers facteurs accélérant la dégradation, le vieillissement et la réduction de la durée de vie

d’une pale d’éolienne. Néanmoins, lors du processus de conception, une étude sur le

comportement du gel-coat aux phénomènes climatiques ainsi qu’aux sollicitations d’origine

Page 97: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

80

hygro-thermo-mécanique doit faire l’objet d’une étude particulière afin de prédire les effets

indésirables à court et/ou à long terme.

V.2.3 Procédure expérimentale et échantillons

La phase expérimentale a été réalisée par les laboratoires nationaux de SANDIA sur la

fatigue des matériaux composites des pales d’éoliennes, et se trouve sous forme d’une base de

données sur leur site internet [84]. Le tableau (V.1) présente les types, les sources de résine et

de renforcement utilisés au cours du processus de fabrication. Tous ces matériaux présentés

dans ce tableau ont été traité par « moulage par transfert de résine RTM » dans des moules

fermés, y compris les échantillons de résine pure (sans renforcement), qui ont été moulés dans

leur forme définitive « Os de chien ou dogbone en Anglais » sans usinage.

Tab. V.1 : Différentes résines étudiées

STRATIFIÉ MATRICES DE RÉSINE

Nomenclature

Séquence

d’empilem

ent

Volume

de fibre

(%)

Résine Description Dénomination

commerciale Fournisseur

MD-DD5P-UP2 [0/±45/0]S 35-36

Ortho-

polyester Orthophtalique

CoRezyn 63-

AX-051 Interplastics

Corporation Iso-

polyester Isophthalique

CoRezyn 75-

AQ-010

MD-DD5P-VE [0/±45/0]S 35-36

Vinyl

ester 411C-

50

Non modifié Derakane 411C-

50 Dow

Chemical Vinyl

ester 8084 Caoutchouc durci Derakane 8084

TISSU EN FIBRE

Tissu en fibre

de verre Orientation Type

Poids surfacique

(g/m2)

Fournisseur

Knytex D155 0 ° Tissus

unidirectionnels Cousu unidirectionnel 527

Owens Corning

fabrics

Knytex DB120 ±45 Tissus biais, cousus 393 Owens Corning

fabrics

V.2.3.1 Renfort en verre

Le renforcement au cours des expériences est un tissu de verre classe « E » fourni par

Owens-Corning (Knytex). Il existe deux types de tissus utilisés dans la préparation des

échantillons [85]: Les couches de 0° (par rapport à la direction de charge) ont été renforcées

avec cousu D155 de tissu unidirectionnel ; les couches de degré 45 ont été renforcées avec

cousu DB120 de tissus diagonaux. Toutes les fibres incluses ont un usage général à base de

silane qui est compatible avec tous les types de résines utilisées. D’autres détails des tissus et

de renfort peuvent être trouvés dans la référence [86].

V.2.3.2 Matrice en résine

Quatre types de résines sont comparés dans cette section, qui représente les résines

potentielles pour la conception des pales d’éoliennes en termes de coût et d’aptitude à

Page 98: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

81

transfert de résine (faible viscosité). Des résines polymères thermodurcissables y compris des

polyesters et des vinylesters ont été étudiées:

CoRezyn orthophtalique polyester insaturé (63-AX-051), fourni par Interplastics

Corporation. La résine a été durcie par addition de 1,5 % de peroxyde de

Méthyléthylcétone (MEKP) [87]. Cette résine est la résine primaire utilisée dans la

base de données de fatigue de DOE/MSU [84]. Ainsi, elle est la résine la plus

économique, et sert de référence à laquelle les autres résines sont comparées [88].

CoRezyn isophtalique polyester insaturé (75-AQ-010) fourni par Interplastics

Corporation, durcie avec 1,5 % de peroxyde de Méthyléthylcétone (MEKP).

Derakane 411C-50 vinylester, fourni par Dow Chemical, traité avec 2 % de

Trigomox 239A comme catalyseur [89].

Derakane 8084 vinylester caoutchouc-durci, fourni par Dow Chemical Company. Le

Naphténate de Cobalt -6 % (CoNap) est ajouté en tant que promoteur, et 2 %

Trigomox 239A est ajouté comme catalyseur [89].

V.2.3.3 Préparation des échantillons et géométries

Peaux composites raidies sont une structure d’ingénierie largement utilisée. Outre

l’application en cours dans les pales d’éoliennes, les structures du raidisseur de peau sont

utilisées dans presque tous les designs de fuselage d’aéronefs (Fig. V.3a). Un mode de

défaillance primaire pour ces régions est le délaminage [90]. Ceci est dû à un certain nombre

de facteurs liés aux propriétés des matériaux, méthodologie de conception et les directions de

transfert de charge.

Une fois les plaques fabriquées et onglées, les échantillons peuvent être coupés. La

géométrie de l’échantillon (Fig. V.3b) peut fortement affecter les résultats expérimentaux et il

est important de décider lequel utiliser pour les essais [91]. Tous les échantillons ont été

préparés en utilisant le moulage par transfert de résine (RTM). Les tissus ont été coupés par

un couteau roulant et empilés dans le moule suivant la séquence d’empilement « lay-up »

donnée dans chaque cas.

Fig. V.3a : Test de fatigue typique d’une peau-

raidisseur [90, 92]

Fig. V.3b : Géométrie et dimensions d’un T-

échantillon peau-raidisseur [90, 92]

Page 99: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

82

La résine spécifique mélangée à un catalyseur correspondant est transférée dans la cavité

du moule à l’aide d’un système RTM 2100 de Radius Engineering Incorporation ou une

pompe péristaltique de Cole Parmer Co (modèle 7553) [78] ; le choix de l’équipement dépend

de la taille de la plaque et le processus de durcissement.

V.2.3.4 Conditionnement environnemental

Tous les échantillons ont été usinés à partir des plaques en utilisant une scie à diamant

refroidie à l’eau ; leurs bords ont été poncés avant le conditionnement. Des échantillons secs

ont été stockés dans l’air ambiant du laboratoire, qui est défini comme une température

ambiante de l’ordre de 23 °C avec une faible humilité [78]. D’autres échantillons secs ont été

stockés également dans l’étuve à 50 °C qu’ils sont définis comme « 50 °C sec ». De plus, les

échantillons humides ont été emmagasinés dans un récipient en plastique d’eau distillée à

50 °C dans une étuve ; cela est défini comme « 50 °C humide » [93].

V.2.4 Réseaux de neurones artificiels

Au cours des dernières années, les RNA ont trouvé leur application dans le domaine de la

fatigue pour divers usages. Ils peuvent être classés comme réseau de neurones feed-forward 

ou non-bouclés en fonction du traitement des données à travers le réseau. Selon les règles

d’apprentissage, ils peuvent être classés comme supervisés ou non supervisés [94].

En général, les RNA feed-forward sont constitués d’une couche de neurones d’entrée,

une couche de neurones de sortie et une ou plusieurs couches de neurones cachées [95, 96].

Habituellement, ces réseaux sont entièrement connectés, ce qui signifie qu’un neurone dans

une couche quelconque du réseau est connecté à tous les neurones de la couche précédente.

Chaque neurone dans les couches cachées et de sortie suit le modèle général d’un neurone

[80]. Le signal d’entrée se propage à travers le réseau dans une direction vers l’avant, sur une

base « couche par couche ». Diverses fonctions de transfert tel que sigmoïde, linéaires ou

triangulaires ont été utilisés pour modéliser l’activité neuronale.

Fig. V.4 : Principe de l’entraînement du réseau par rétropropagation de l’erreur

L’entrée d’un nœud i dans la couche est donnée par:

Entrées

Sortie du réseau y

y - yd

Sortie désirée yd

Réadaptations des poids

Couche cachée

Erreur wo wi

Page 100: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

83

[∑

] ( )

Où signifie les connexions de poids pour le nœud dans la ( ) couche au

nœud i dans la couche ; est la sortie du nœud dans la couche et est le

seuil associé au nœud dans la couche [97, 98].

L’algorithme d’entrainement de la rétropropagation « Backpropagation BP » est

couramment utilisé pour minimiser itérativement la fonction de coût « cost function » par

rapport aux poids d’interconnexion et les neurones seuils:

∑∑( )

( )

Où est le nombre de motifs d’apprentissage et est le nombre des nœuds de sortie ;

et sont les réponses désirées et réelles pour le nœud de sortie respectivement. Les poids

d’interconnexion entre le nœud et le nœud sont actualisés comme suit:

( ) ( ) (

)∑( ) (

)

( )

Où est une constante de mouvement ; est le taux d’apprentissage ; est le motif

d’entrée à l’échantillon itératif ; est l’entrée au nœud à la couche de sortie;

est

l’entrée au nœud j dans la couche ; la fonction est la dérivée de la fonction

d’activation du neurone. Le taux d’apprentissage détermine le montant de la sensibilité à

l’erreur calculée. Ainsi, il affecte la vitesse de convergence et la stabilité des poids au cours

de l’apprentissage [94]. La « meilleure » valeur du taux d’apprentissage dépend des

caractéristiques de la surface d’erreur. Pour changer rapidement les surfaces, un taux plus

faible est souhaitable alors que pour les surfaces lisses « smooth surfaces of error », une plus

grande valeur du taux d’apprentissage permettra d’accélérer la convergence. La constante du

momentum (comprise généralement entre 0.1 et 1) permettre d’actualiser les poids, d’empêche

les oscillations et aider le système à échapper les minimums locaux dans le processus

d’entrainement en le rendant moins sensible aux variations locales. Le processus

d’entraînement est terminé si l’erreur quadratique moyenne (MSE), la racine de l’erreur

quadratique moyenne (RMSE) ou l’erreur quadratique moyenne normalisée (NMSE) soit

entre les valeurs expérimentales et les prédictions par RNA, ou atteint un seuil prédéfini d’un

nombre d’itérations d’apprentissage.

V.3 Prédiction de la tenue en fatigue sous l’effet de l’environnement

Cette partie de chapitre se concentre sur la tenue en fatigue des différentes matrices de

résine soumises à des charges de fatigue par compression-compression. Les données ont été

collectées à partir d’une variété d’une base de données de la fatigue des matériaux composites

Page 101: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

84

des pales d’éoliennes de MSU/DOE [84, 99] avec un rapport de charge égale à 10 (

⁄ ). Une fois démontré que les RNA peuvent prédire avec précision le

comportement en fatigue sous cette condition (R=10) ; leur même topologie utilisée sera

capable d’en prédire avec différentes valeurs de rapport de charge.

Le tableau (V.2) montre un sommaire d’une des données expérimentales de la fatigue par

compression pour la résine de polyester orthophtalique utilisée dans le présent chapitre. Le

rapport de charge est le même pour toutes les données expérimentales.

Tab. V.2 : Résumé des données sur la fatigue par compression pour la résine ortho-polyester

« CoRezyn 63-AX-051 »

Température d’essai T

(°C)

Rapport de

charge R

UCS

(MPa)

Condition

environnementale

20 °C sec 10 -37.9

Coupons humides

(1.0 % eau distillée)

50 °C sec 10 -34.5

20 °C hum 10 31

50 °C hum 10 34.5

UCS: Ultimate Compressive Stress (Limite de contrainte de compression)

Pour l’analyse de prédiction de la résistance des résines mentionnées dans le tableau

(V.1), on suppose que la fatigue est en fonction de la température d’essai, contraintes

minimums ( ) et maximums ( ) appliquées à l’échantillon ainsi que les conditions

environnementales telles que « sec/hum conditions ». D’autres paramètres qui pourraient

affecté la résistance du matériau, tel que les paramètres de la microstructure ne seront pas pris

en compte dans ce travail. Il sera supposé que tous les échantillons ont des caractéristiques

similaires à cet égard.

V.3.1 Apprentissage par l’algorithme de Rétropropagation

Comme mentionné précédemment, la structure et la sélection appropriée des entrées des

RNA sont très critiques pour atteindre des résultats adéquats. L’ensemble des données

expérimentales de la fatigue des matériaux présentés dans le tableau (V.1) a été utilisé pour

entrainer et tester le réseau. Les effets de l’architecture du RNA, l’algorithme d’entrainement

ainsi que le nombre de neurones par couche cachée ont été pris en considération afin d’obtenir

la prédiction optimale de la tenue en fatigue.

Étant donné que l’intervalle du nombre de cycles à la rupture varie entre 10 et 6 000 000

cycles, l’entrainement du réseau pour apprendre un tel intervalle va produire des

performances de modélisation inacceptables et déséquilibrées ; ce qui va pousser le RNA à

vouloir minimiser l’erreur globale pour tous les motifs d’entrée. Par conséquent, la

minimisation de la différence entre la sortie du réseau et les données observées pour des

valeurs élevées de cycles conduirait à des résultats incorrects pour les motifs associés à des

valeurs plus faibles du nombre des cycles à la rupture. Une méthode plus appropriée se base

sur la normalisation des valeurs logarithmiques du nombre de cycles pour accéder à un

Page 102: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

85

intervalle compris entre 0 et 10. La contrainte de compression maximale appliquée varie entre

-10 à -50 MPa. Ces valeurs ont été également normalisées après la prise de la valeur absolue

de la contrainte. Le logiciel Matlab©/Simulink (R2009b) a été utilisé pour construire, entrainer

et tester le réseau.

Le réseau de neurones utilisé pour prédire la tenue en fatigue de toutes les matrices en

résine étudiées était un réseau feedforward à deux couches « two-layer feedforward network »

avec une seule entrée « logarithme du nombre de cycles N »; une seule couche cachée de dix

(10) neurones utilisant une fonction d’activation sigmoïde « tansig » et une seule sortie « la

valeur absolue de la contrainte maximale σmax » avec un seul neurone de calcul en utilisant

une fonction d’activation linéaire « purline ». Les poids sont entrainés à l’aide des

algorithmes de rétropropagation « Backpropagation algorithms » de « Levenberg-Marquardt

(LM) » ainsi que le « Gradient Descent avec Momentum (GDM) ».

V.3.2 Résultats de la prédiction utilisant RNA-RP

Les figures (V.5 à V.8) montrent une comparaison entre les valeurs expérimentales et

prédites pour les différents systèmes de résines.

0

5

10

15

20

25

30

35

40

0 1 2 3 4 5 6 7

Abs (

cont

raint

e max

MPa

)

Log (nombre de cycles à la rupture)

T=20 °C Sec (Exp)

T=20 °C Sec (RNA)

T=20 °C Hum (Exp)

T=20 °C Hum (RNA)

T=50 °C Sec (Exp)

T=50 °C Sec (RNA)

T=50 °C Hum (Exp)

T=50 °C Hum (RNA)

Fig. V.5 : Prédiction de la tenue en fatigue de la résine ortho-polyester (CoRezyn 63-AX-051) pour les

conditions sec/humide (coupons humides dans 1.0 % d’eau distillée)

0

5

10

15

20

25

30

35

40

45

0 2 4 6 8

Abs (

cont

raint

e max

MPa

)

Log (nombre de cycles à la rupture)

T=20 °C Sec (Exp)

T=20 °C Sec (RNA)

T=20 °C Hum (Exp)

T=20 °C Hum (RNA)

T=50 °C Hum (Exp)

T=50 °C Hum (RNA)

Fig. V.6 : Prédiction de la tenue en fatigue de la résine iso-polyester (CoRezyn 75-AQ-010) pour les

conditions sec/humide (coupons humides dans 0.55 % d’eau distillée)

Page 103: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

86

Chaque graphe est constitué de trois valeurs différentes de température. Les prédictions

pour « T = 20 °C sec » sont plus précises et raisonnable que celles des autres températures.

Ceci est probablement dû à l’augmentation de la température et l’humidité qui peuvent

détériorer le matériau [100]. Par conséquent, ces figures montrent des prédictions typiques de

la tenue en fatigue de l’ortho-polyester, iso-polyester et les deux résines de vinylesters en

utilisant l’architecture du réseau feedforward à une seule couche cachée contenant 10

neurones. Les erreurs quadratiques moyennes (MSE) obtenues par ce réseau sont incluses

dans (11,8 % à 18,3 %).

0

5

10

15

20

25

30

35

40

45

0 2 4 6 8

Abs (

cont

rain

te m

ax M

Pa)

Log (nombre de cycles à la rupture)

T=20 °C Sec (Exp)

T=20 °C Sec (RNA)

T=20 °C Hum (Exp)

T=20 °C Hum (RNA)

T=50 °C Hum (Exp)

T=50 °C Hum (RNA)

Fig. V.7 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 411C-50) pour les

conditions sec/humide (coupons humides dans 0.52 % d’eau distillée)

Les graphes montrent aussi un décalage entre les valeurs expérimentales et prédites le

long de l’axe , pour un stratifié d’une séquence d’empilement (orientation de fibres) de

[0/±45/0]S qui est dû généralement aux erreurs obtenues, qui sont de l’ordre de 10-1

.

0

5

10

15

20

25

30

35

40

0 1 2 3 4 5 6 7 8

Abs

(con

trai

nte

max

MPa

)

Log (nombre de cycles à la rupture)

T=20 °C Sec (Exp)

T=20 °C Sec (RNA)

T=20 °C Hum (Exp)

T=20 °C Hum (RNA)

T=50 °C Hum (Exp)

T=50 °C Hum (RNA)

Fig. V.8 : Prédiction de la tenue en fatigue de la résine vinylester (Derakane 8084) pour les

conditions sec/humide (coupons humides dans 0.56 % d’eau distillée)

Les données expérimentales et les prédictions neuronales peuvent également être

représentées pour les différentes températures dans des conditions sèches et/ou humides,

Page 104: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

87

comme illustré sur les figures (V.9 - V.11). Tous les systèmes ont montré une certaine

diminution de la résistance à la compression statique et à la fatigue à 50 °C aux conditions

« sèche et humide » [101]. La diminution de la résistance à la fatigue a été très significative

pour le système d’ortho-polyester, mais mineure pour les systèmes de matrice restants. Les

taux moyens d’humidité sont donnés au bas de chaque figure. Seul le polyester avec un plus

grand gain d’humidité et une basse température (tableau V.2) montre une baisse significative

de la résistance statique et à la fatigue lorsqu’il est testé à 20 °C humide.

0

5

10

15

20

25

30

35

40

0 1 2 3 4 5 6 7 8

Abs (

cont

rain

te m

ax M

Pa)

Log (nombre de cycles à la rupture)

Iso-polyester (Exp)

Iso-polyester (RNA)

Vinyl ester 8084 (Exp)

Vinyl ester 8084 (RNA)

Vinyl ester 411C-50 (Exp)

Vinyl ester 411C-50 (RNA)

Ortho-polyester (Exp)

Ortho-polyester (RNA)

Fig. V.9 : Prédiction de la tenue en fatigue des quatre résines pour T=50 °C humide

0

5

10

15

20

25

30

35

40

45

0 1 2 3 4 5 6 7 8

Abs

(co

ntra

inte

max

MPa

)

Log (nombre de cycles à la rupture)

Iso-polyester (Exp)

Iso-polyester (RNA)

Vinyl ester 8084 (Exp)

Vinyl ester 8084 (RNA)

Vinyl ester 411C-50 (Exp)

Vinyl ester 411C-50 (RNA)

Ortho-polyester (Exp)

Ortho-polyester (RNA)

Fig. V.10 : Prédiction de la tenue en fatigue des quatre résines pour T=20 °C sec

Dans les propriétés des matériaux composites sous une charge de compression, les

matrices sont trop dominées, et ont montré le niveau prévu de sensibilité à l’environnement

basé sur des données antérieures. La modélisation non linéaire obtenue par le réseau de

neurones peut être utilisée pour prédire la rupture par fatigue de ces températures pour

n’importe quel système de résine et dans des conditions de charge désirées.

Page 105: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

88

0

5

10

15

20

25

30

35

40

45

0 1 2 3 4 5 6 7

Abs

(co

ntra

inte

max

MPa

)

Log (nombre de cycles à la rupture)

Iso-polyester (Exp)

Iso-polyester (RNA)

Vinyl ester 8084 (Exp)

Vinyl ester 8084 (RNA)

Vinyl ester 411C-50 (Exp)

Vinyl ester 411C-50 (RNA)

Ortho-polyester (Exp)

Ortho-polyester (RNA)

Fig. V.11: Prédiction de la tenue en fatigue des quatre résines pour T=20 °C humide

V.4 Effet d’orientation de fibres sur la fatigue des pales d’éolienne

Les pales d’éoliennes sont construites d’une variété de composites stratifiés dans leurs

différents éléments de structure, y compris des laminés unidirectionnels (UD) dans les espars,

et plusieurs formes de renforcement multidirectionnel (MD) telles que les tissus biaxiaux et

triaxiaux dans les peaux et les toiles. Chaque type de stratifiés peut avoir une sensibilité

significative à la fatigue en fonction de leurs composants : la fibre, la résine, le type et la

direction de chargement [102]. Une pale d’éolienne est chargée dans le sens de battement

« flapwise » et de la corde « edgewise ». La figure (V.12) indique quelles sont les principales

charges pour les différentes zones de la structure portante [76]. Prédire le comportement en

fatigue de ces stratifiés pourrait être la première étape vers la prédiction du comportement

global des pales d’éoliennes sous une charge cyclique [79].

Fig. V.12 : Section typique d’une pale d’éolienne

Cette deuxième partie a pour but d’identifier les matériaux qui ont une bonne résistance à

l’orientation de fibres tout en offrant une meilleure tenue en fatigue. Les matériaux étudiés

sont des composites à renfort de verre y compris : l’époxy, le polyester et les vinylesters.

Page 106: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

89

V.4.1 Procédure expérimentale et échantillons

Le tableau (V.3) présente les types et les sources de résine et de renforcement utilisés

durant le processus de fabrication.

Tab. V.3 : MD/UD Matériaux

MD/UD STRATIFIES MATRICES

Nomencl

ature

Séquence

d’empilement

Volume de

fibre (%) Type Résine

Températures de

traitement (°C)

PPG1200-

EP1

[(±45)2/(0)2]S 58 Epoxy

Hexion MGS

RIMR135/RIMH1366 20 et 90

[0]2 56-61

PPG1200-

UP5

[(±45)2/(0)2]S 58 Polyester

Reichhold Polylite X4627-31

with 2% MCP-75FRED 25 et 70

[0]2 58

PPG1200-

VE4

[(±45)2/(0)2]S 58 Vinylester Reichhold Dion X4486-14 25 et 70

[0]2 58

PPG1200-

VE5

[(±45)2/(0)2]S 59 Vinylester Reichhold Dion X4235-91 35 et 70

[0]2 57

PPG1200-

VE6

[(±45)2/(0)2]S 60 Vinylester Reichhold Dion X4627-39 25 et 70

[0]2 58

Spécifications de tissu de verre

Constructeur Désignation Poids surfacique

(g/m2)

Brins directions (Poids %)

0 ° ±45 ° 90 ° Tapis Couture

PPG-Devold

LLC

L1200/G50-E07 1261 91 0 4 4 1

DB810-E05-A 808 0 99 0 0 1

Une large gamme de matériaux composites potentiels dans la conception des pales ont été

inclus dans le cadre de ce chapitre (2ème

partie), y compris les résines de polyester, vinylester

et époxy renforcées par des fibres de verre « classe E » en tissu cousus sous forme des

stratifiés. La nomenclature de ces stratifiés correspond à la base de données des Laboratoires

Nationaux de SANDIA « MSU/DOE Database » [84]. De plus, tous les laminés ont été traités

par le procédé d’infusion à travers la distribution des couches de résine [103, 104] où il est

décrit dans la figure (V.13).

Fig. V.13 : Schéma du procédé d’infusion de résine

Page 107: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

90

Les stratifiés présentés dans cette section comprennent les structures de renfort suivants :

Tissus unidirectionnels (UD) cousus où les brins primaires à 0 ° sont alignés et cousus

sur un support incluant les brins et/ou tapis transversaux.

Multidirectionnels (MD) stratifiés renforcés avec des tissus « Triax » ayant des

couches à 0 ° et ±45 °.

Une description plus détaillée du processus de fabrication se trouve à la référence [105].

V.4.1.1 Échantillons et géométrie

Après refroidissement, la plaque durcie a été retirée du four et découpée en coupons dont

la majorité de ces coupons utilisés étaient de dimensions 4 cm × 27 cm comme illustrés sur la

figure (V.14). Outre, leur épaisseur dépend au drapage de matériau. Ces coupons ont été

utilisés pour la plupart des essais de fatigue par traction et donnent de bons résultats [106].

Fig. V.14 : Géométrie de coupon d’Os de Chien

Dans ces matériaux, les onglets ont été utilisés uniquement dans les essais de fatigue

tension-tension, où le rapport de contrainte minimum au maximum ( ⁄ ).

Tous ces onglets étudiés ont été fabriqués à partir de fibre de verre de « Plastifab G10 » et

collés par l’adhésif « Hysol EA 9309.2NA » aux coupons d’Os de Chien « Dogbone ».

V.4.2 Paramètres de fatigue et propriétés

Les essais de fatigue fonctionnent sous le contrôle de charge avec une variation de la

contrainte maximale pour différencier la valeur du rapport R, entrainant ainsi une

contrainte/déformation par rapport au nombre de cycles à la rupture ( ) sous forme d’un

ensemble de données, selon la loi de puissance [71, 76, 102, 107] :

( )

( )

Où est la contrainte maximale ou la déformation, est le nombre de cycles à la

rupture, et sont des constantes, et et sont des exposants fatigue, avec . La

Page 108: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

91

forme et la notation dans l’équation (V.5) sont utilisées pour représenter les données dans la

présente section. L’exposant de fatigue peut aussi être représenté par , où :

⁄ ( )

Tandis que le modèle de la loi de puissance soit généralement préférée, les modèles

exponentiels et les trois paramètres ont également été utilisés pour les matériaux de la pale ; la

représentation de la loi de puissance a été démontré pour fournir un bon ajustement aux

données ( ) pour les petits brins jusqu’à de cycles.

Tab. V.4 : Résumé des données des résistances à la traction et les tendances de la fatigue (R =

0,1) pour divers matériaux de pale

Forme du

matériau Résine UTS (MPa) A/UTS B n

106 cycles

déformation (%)

Stratifiés MD, tissu UD L1200/G50-E07 et tissu biaxial DB810-E05-A

[(±45)2/(0)2]S EP-1 704 1.957 −0.130 7.69 0.79

[(±45)2/(0)2]S VE-4 628 1.955 −0.146 6.85 0.53

[(±45)2/(0)2]S UP-5 663 1.736 −0.151 6.62 0.42

Tissu UD L1200/G50-E07 Stratifiés

[0]2 EP-1 995 1.265 −0.088 11.4 0.88

[0]2 VE-4 912 2.485 −0.170 5.88 0.53

[0]2 UP-5 884 1.940 −0.173 5.78 0.39

UTS : Ultimate Tensil Strength (Limite de la résistance de traction)

La normalisation de la contrainte par la force statique a pour effet de réduire les écarts

provoqués par des variations de la teneur en fibres et une fraction de 0° plis dans les stratifiés

MD [102]. L’utilisation de la déformation a un effet similaire sans normalisation. Les

ajustements de la courbe de déformation (équation V.5) peuvent être différents aux

ajustements des contraintes en termes d’exposants, en tenant compte de la non-linéarité de la

réponse contrainte-déformation aux contraintes plus élevées, en particulier pour les stratifiés

biaxiaux et MD. La déformation est souvent impossible à surveiller durant toute la durée de

vie du coupon en raison de la défaillance de l’instrumentation.

Le tableau (V.4) compare les tendances des données de fatigue qui comprennent des

tissus UD et stratifiés MD, le tout basé sur les mêmes brins et résines. Les pales d’une

éolienne sont construites à partir de tout ou partie de ces matériaux dont les matériaux

adjacents d’une pale qui doivent résister à des déformations similaires. La comparaison entre

les exposants de la fatigue B et n (équations (V.5) et (V.6)) et la déformation en fatigue par

cycle de l’ordre de millions, donne quelques indications sur les zones les plus critiques à la

fatigue des pales. L’ajustement de la courbe dans l’équation (V.5) est normalisé en fonction

de la résistance statique à la traction UTS (déterminée au taux de test standard de

0.0254 mm/s), en incluant A/UTS qui n’affecte pas l’exposant [102]. Ces propriétés doivent

Page 109: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

92

être donc considérées dans le contexte de distributions réelles des contraintes et la présence

éventuelle des failles dans la pale.

V.5 Prédiction de la tenue en fatigue sous l’effet d’orientation de fibres

La tenue en fatigue des différents matériaux mentionnés dans le tableau (V.3) soumis à

des charges cycliques traction-traction (rapport de contrainte ) a été prédite en

utilisant les RNA optimisés par « optimisation par essaim de particules OEP ». Les données

ont été recueillies à partir de la base de données de SANDIA [84] et ont été repartitionnées

selon la séquence d’empilement de chaque matériau. L’analyse de la prédiction de la tenue en

fatigue des différents matériaux étudiés dans cette section est en fonction de la contrainte

maximale ( ), la contrainte minimale ( ), l’orientation de fibres ou la séquence

d’empilement ainsi que le rapport de contrainte et le nombre de cycles à la rupture.

Étant donné que la plage du nombre de cycles à la rupture varie entre 170 et 5.000.000

cycles, l’entrainement des réseaux pour apprendre une telle gamme va produire des

performances de modélisation inacceptables et déséquilibrées, cela poussera le RNA-OEP à

chercher à minimiser l’erreur globale pour tous les modèles d’entrée. Une méthode plus

appropriée serait la normalisation des valeurs logarithmiques du nombre de cycles pour

atteindre une plage comprise entre 0 et 10. Sachant que La contrainte de traction maximale

appliquée varie entre 130 à 690 MPa. Le logiciel Matlab/Simulink (R2009b) [98, 108, 109,

110] a été utilisé pour construire, entrainer et tester le réseau.

V.5.1 Ajustement des paramètres de la topologie RNA

Pour la topologie du RNA, un réseau de deux couches cachées a été utilisé avec une seule

entrée (valeurs logarithmiques du nombre de cycles à la rupture ( )) et une autre de sortie (la

contrainte maximale) où la première couche cachée est formée de 30 neurones utilise une

fonction de transfert tangentielle « Tang-sigmoid » tandis que la deuxième est unitaire (un seul

neurone) utilise une fonction de transfert linéaire de « Pureline ». Outre ces paramètres, le

taux d’apprentissage « learning rate » utilisé est d’une valeur de , pendant que le

coefficient momentum est de .

L’algorithme d’entrainement de « Levenberg-Marquardt » sera par contre changé et

compensé par l’OEP d’où le nom RNA-OEP. Le nombre de neurones est jugé suffisant et la

même topologie va être utilisée tout au long du processus de prédiction par la méthode RNA-

OEP.

V.5.2 Ajustement des paramètres de la topologie OEP

Pour améliorer le taux de convergence et le processus d’apprentissage, les paramètres

présentés dans le Tableau V.5 ont été mieux adaptés pour l’exécution de l’algorithme d’OEP.

Page 110: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

93

Tab. V.5 : Paramètres de l’algorithme d’entrainement OEP

Paramètres Valeur

Nombre de particules

Nombre d’itérations

Vélocité maximale

Vélocité minimale

Constantes d’accélération C1, C2

Facteur de poids d’inertie W

25

1000

0.9

0.4

2

0.72

V.5.3 Fonction objective

Dans ce chapitre, la fonction objective d’OEP correspond à la performance des réseaux

de neurones ce qui n’est d’autre que l’erreur quadratique moyenne « MSE: Mean Squared

Error ».

Les paramètres (poids) du RNA sont ajustés par l’OEP pour minimiser l’erreur MSE. La

fonction J qui donne la MSE est [111]:

( )

∑ ( )

( )

Fig.V.15 : Particules d’OEP dans l’espace de recherche

-1-0.5

00.5

1

-1

-0.5

0

0.5

1-10

-5

0

5

10

Dim 1

PSO particles in search space - Minimize to:0.01

Dim 91

Perform

ance

Particles PSO

ANN Training goal

Page 111: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

94

Où:

est la fonction objective, performance ou fonction cout ;

est le nombre de nœuds ;

est la matrice poids ;

est la sortie obtenue par le réseau de neurones ;

est la sortie désirée.

Dans cette implémentation, le nombre de dimensions du domaine OEP correspond au

nombre des poids et biais du réseau de neurones d’où chaque dimension OEP correspond à un

poids ou biais du réseau de neurones. Comme ce n’est pas possible de montrer plus de 3

dimensions, on se contente de montrer la première et la dernière dimension dans les axes et

. L’axe correspond à la fonction performance du réseau de neurones ce qui représente aussi

la fonction objective d’OEP (figure V.15). Donc le but d’OEP sera d’optimiser la fonction

objective MSE de notre réseau.

Pour notre topologie nous avons 91 dimensions dont les particules OEP qui cherchent un

optimum. Ces 91 dimensions correspondent aux poids et biais de notre réseau de neurones

(deux couches, une de 30 et l’autre de 1 neurone donnent 60 poids et 31 biais).

Dans l’espace où les particules cherchent leur optimum. Chaque particule aura des

projections sur les dimensions qui correspondent aux paramètres (poids et biais) du réseau

RNA. Dans notre cas le nombre de paramètres est 91 (60 poids et 31 biais).

Donc si nous voulons suivre l’évolution de la position d’une particule (choisissions une

particule parmi les 25 utilisées dans notre système RNA-OEP), on voit que cette évolution

aura 91 projections. Chaque projection correspond à un paramètre (poids ou biais) du réseau

RNA.

Fig.V.16 : Position de la particule 9 en fonction d’itération de dim1 à dim91

La figure (V.16) représente le changement de la position de la particule 9 projetée sur les

91 paramètres (ou dimensions), les dim1…dim91 représentent les paramètres du réseau de

Page 112: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

95

neurones (poids et biais). Comme ce n’est pas possible géométriquement de présenter le

mouvement de la particule dans un espace de 91 dimensions, nous nous contentons de suivre

le mouvement par apport à chaque dimension.

De même, si nous voulons suivre la valeur de la fonction objective d’une particule, la

projection sur l’axe nous donnera la valeur de la fonction objective à n’importe quelle

itération. Cette valeur converge quand les particules se regroupent auprès d’un optimum. La

figure (V.17) représente l’évolution de la fonction objective selon les 25 particules.

Fig.V.17 : Évolution de la fonction objective selon les 25 particules

V.5.4 Résultats de la prédiction utilisant RNA-OEP

Différents matériaux à base de différents tissus de renfort (voir tableau V.3) ont été

comparés en termes de contrainte maximale à la fatigue par traction et qui peuvent être

supportés des cycles de contraintes de l’ordre de , le tout ont été déterminés à partir de la

courbe qui s’inscrit dans le tableau (V.4). D’autres mesures de résistance à la fatigue telles

que les exposants de la courbe S-N s’inscrivent aussi dans le tableau (V.4) montreraient des

tendances cohérentes.

Fig.V.18 : Prédiction de la tenue en fatigue de « PPG1200-EP1 fibre de verre/Epoxy » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2

0 100 200 300 400 500 600 700 800 900 10000

0.5

1

1.5

2

2.5

3

3.5

Epochs

Pe

rfo

rma

nce

(M

SE

)

epochs vs performance (PSO-ANN)

average error

error goal

0

100

200

300

400

500

600

700

800

0 1 2 3 4 5 6 7 8

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycles à la rupture)

Multidirectionnel (Exp)

Multidirectionne (RNA-OEP)

Unidirectionnel (Exp)

Unidirectionnel (RNA-OEP)

Page 113: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

96

Les figures (V.18 à V.22) montrent une comparaison entre les valeurs expérimentales et

prédites pour différents matériaux composites. Chaque graphique est constitué de deux

orientations différentes de couches où les stratifiés multidirectionnels [(±45)2/(0)2]S sous une

charge de fatigue par traction ( ) sont très sensibles à l’orientation des fibres par

contre les laminés basés sur un tissu-uni [0]2 dévoilent une bonne performance à la fatigue, en

termes de fatigue exposant et capacité de déformation aux cycles de .

Fig.V.19 : Prédiction de la tenue en fatigue de « PPG1200-UP5 fibre de verre/Polyester » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2

Fig.V.20 : Prédiction de la tenue en fatigue de « PPG1200-VE4 fibre de verre/Vinylester » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2

Par conséquent, ces figures montrent des prédictions typiques de la tenue en fatigue des

matériaux en fibre de verre/époxy, polyester et d’esters vinyliques en utilisant une architecture

de réseau de neurones feedforward « feedforward neural network ». Les valeurs des erreurs

quadratiques moyennes « MSE » obtenues par l’approche RNA-OEP sont incluses dans

(9,2 % à 28,3 %). Les figures montrent aussi un décalage entre les courbes expérimentales et

prédites le long de l’axe des contraintes pour tous les stratifiés étudiés [(±45)2/(0)2]S et [0]2.

0

100

200

300

400

500

600

0 1 2 3 4 5 6 7

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycle à la rupture)

Multidirectionnel (Exp)

Multidirectionell (RNA-OEP)

Unidirectionnel (Exp)

Unidirectionnel (RNA-OEP)

0

100

200

300

400

500

600

700

800

0 1 2 3 4 5 6 7

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycles à la rupture)

Multidirectionnel (Exp)

Multidirectionnel (RNA-OEP)

Unidirectionnel (Exp)

Unidirectionnel (RNA-OEP)

Page 114: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

97

Fig.V.21 : Prédiction de la tenue en fatigue de « PPG1200-VE5 fibre de verre/Vinylester » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2

Fig.V.22 : Prédiction de la tenue en fatigue de « PPG1200-VE6 fibre de verre/Vinylester » pour des

stratifiés multidirectionnels [(±45)2/(0)2]S et unidirectionnel [0]2

Fig.V.23 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de [0]2

0

100

200

300

400

500

600

0 1 2 3 4 5 6

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycles à la rupture)

Multidirectionnel (Exp)

Multidirectionnel (RNA-OEP)

Unidirectionnel (Exp)

Unidirectionnel (RNA-OEP)

0

100

200

300

400

500

600

0 1 2 3 4 5 6 7

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycles à la rupture)

Multidirectionnel (Exp)

Multidirectionnel (RNA-OEP)

Unidirectionnel (Exp)

Unidirectionnel (RNA-OEP)

0

100

200

300

400

500

600

700

800

0 1 2 3 4 5 6 7 8

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycles à la rupture)

UD-PPG1200-EP1 (Exp)

UD-PPG1200-EP1 (RNA-OEP)

UD-PPG1200-UP5 (Exp)

UD-PPG1200-UP5 (RNA-OEP)

UD-PPG1200-VE4 (Exp)

UD-PPG1200-VE4 (RNA-OEP)

UD-PPG1200-VE5 (Exp)

UD-PPG1200-VE5 (RNA-OEP)

UD-PPG1200-VE6 (Exp)

UD-PPG1200-VE6 (RNA-OEP)

Page 115: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Chapitre V Prédiction de la fatigue des pales d’éoliennes

98

Les données expérimentales et les prédictions en utilisant la méthode RNA-OEP peuvent

être également représentées pour les stratifiés multidirectionnels [(±45)2/(0)2]S et

unidirectionnels [0]2 à la fois, comme illustrée dans les figures (V.23 et V.24). Ainsi, ces

figures comparent la résistance à la fatigue par traction des stratifiés basés sur les tissus UD et

MD mentionnés dans le tableau (V.3).

Fig.V.24 : Prédiction de la tenue en fatigue des matériaux étudiés pour un empilement de

[(±45)2/(0)2]S

Tous les matériaux ont montré une certaine diminution de la résistance à la fatigue par

traction pour l’empilement de [(±45)2/(0)2]S ; la diminution de la résistance à la fatigue a été

très importante pour le PPG1200-UP5 fibre de verre/polyester, mais mineure pour les

matériaux restants.

V.6 Conclusion

Ce chapitre a été devisé en deux parties ; d’après les résultats obtenus de la première

section, la température et l’humidité ont des effets très importants sur la tenue en fatigue des

matrices de résine. L’iso-polyester est le moins sensible à l’environnement parmi les quatre

systèmes de résine étudiés; il est préconisé d’être la matrice de résine minimum acceptée pour

la conception des pales d’éoliennes.

D’après les résultats de la deuxième section : les matériaux à base de tissu unidirectionnel

conservent une bonne résistance à la fatigue par traction. Le PPG1200-EP1 fibre de

verre/époxy est le moins sensible à l’orientation des fibres parmi les cinq matériaux étudiés.

En outre, l’avantage de l’approche RNA utilisée dans le présent chapitre est de fournir

une relation précise entre le nombre de cycles à la rupture et les contraintes maximales de

compression. De ce fait, les RNA ont été choisis pour produire constamment la prédiction

appropriée de la tenue en fatigue, quel que soit le type du matériau utilisé. De plus,

l’algorithme RNA-OEP est une excellente combinaison pour les applications qui nécessitent

un apprentissage rapide.

0

100

200

300

400

500

600

0 1 2 3 4 5 6 7

Co

ntr

ain

te m

ax (

MP

a)

Log (nombre de cycle à la rupture)

MD-PPG1200-EP1 (Exp)

MD-PPG1200-EP1 (RNA-OEP)

MD-PPG1200-UP5 (Exp)

MD-PPG1200-UP5 (RNA-OEP)

MD-PPG1200-VE4 (Exp)

MD-PPG1200-VE4 (RNA-OEP)

MD-PPG1200-VE5 (Exp)

MD-PPG1200-VE5 (RNA-OEP)

MD-PPG1200-VE6 (Exp)

MD-PPG1200-VE6 (RNA-OEP)

Page 116: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

99

Conclusion générale “Wind Engineering is of the utmost value to everybody involved

with wind as a source of energy…”

…WE Journal

Comme la structure d’une éolienne est formée d’un assemblage de composants aux

formes géométriques complexes telles que : nacelle, pylône et pales ; l’étude de cet ensemble

est souvent compliquée.

La conception, le calcul et la réalisation d’une pale d’éolienne destinée à fournir une

puissance électrique bien déterminée sont une tâche qui demande plusieurs disciplines, à

savoir : l’aérodynamique, les matériaux, la sécurité et la modélisation.

Pour ces raisons ; nous avons pu recueillir par le biais de cette thèse tous les risques qui

peuvent engendrer dans un parc éolien, et les classés dans un tableau d’APR. Ainsi, nous les

avons évalués afin de mettre en place quelques mesures de sécurité qui peuvent intervenir

dans la prévention et la limitation des phénomènes dangereux listés dans le même tableau.

Page 117: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Conclusion générale

100

À l’issue de l’analyse approfondie des risques. Les cinq catégories de scénarios étudiées

sont :

L’effondrement des éoliennes ;

La chute d’élément

La chute de glace ;

La projection de tout ou partie de pale ;

La projection de glace.

À partir des recensements publiés, nous avons trouvé que le risque de la projection de

tout ou partie de pale est le plus fréquent dans une industrie d’éoliennes. Nous avons essayé

de l’isoler et l’étudier séparément. Alors, nous nous sommes orientés vers les matériaux

constitutifs d’une pale d’éolienne, tout en étudiant les différents endommagements qui

peuvent la détruire. La fatigue est l’un des problèmes posés par les éoliennes en termes

d’ingénierie, qui réside dans la charge variable à laquelle les pales du rotor sont soumises.

Pour modéliser ce phénomène « fatigue », nous avons utilisé les RNA pour prédire le

comportement en fatigue (durée de vie et tenue en fatigue). Les RNA appliqués dans cette

thèse mettent en lumière les conclusions suivantes :

Les limitations des méthodes traditionnelles de prédiction de la fatigue qui se base sur

l’expérience humaine, d’où la nécessité d’utiliser les réseaux de neurones (RN) qui

peuvent apporter d’excellents résultats ;

La prédiction du comportement en fatigue des pales d’éoliennes peut aider

considérablement à améliorer la qualité de leur prévention ;

La réduction du temps des essais dans les laboratoires, ce qui réduit aussi le coût ;

Corriger et ajuster les essais expérimentaux par la régression linéaire des valeurs

prédites ;

Optimiser l’erreur quadratique moyenne entre les résultats expérimentaux et prédits ;

La taille et la qualité de la base de données ont une influence majeure sur

l’apprentissage des RNA. C’est pour laquelle le choix d’une base de données est

parfois le seul paramètre décidant de la qualité de l’apprentissage ;

L’architecture du RNA (nombre de couches cachées, nombre de neurones, fonctions

d’activations) est un facteur important décidant de la qualité de l’apprentissage plus

que les paramètres d’apprentissage (taux d’apprentissage…) ;

L’optimisation d’un réseau n’est pas une tâche facile et sa convergence peut être

lente, comme il pourrait diverger complètement. La caractéristique locale de

l’algorithme de rétropropagation « Levenberg-Marquardt (LM) » évite ce problème ;

Page 118: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Conclusion générale

101

Un réseau supervisé entrainé par un algorithme métaheuristique pour la prédiction

donne des résultats ayant une précision et une souplesse qu’avait chacun d’eux

séparément ;

La combinaison réseau de neurone et optimisation par essaim de particules « RNA-

OEP » est une très bonne combinaison pour les applications qui nécessitent un

apprentissage rapide ;

La sélection des paramètres de l’algorithme d’OEP joue un rôle primordial dans

l’optimisation.

Par l’utilisation des méthodes de l’intelligence artificielle (RNA, OEP,…), nous avons pu

créer un modèle capable de prédire la durée de vie et la tenue en fatigue de plusieurs

matériaux composites stratifiés sous l’effet de plusieurs facteurs (environnement, orientation

de fibres…). En outre, les résultats obtenus par les RNA nous ont aidés à proposer quelques

types de matériaux composites de point de vue durabilité et durées de vie pour une éventuelle

conception des pales d’éoliennes, en prenant en considération les points suivants :

la température et l’humidité ont des effets très importants sur la tenue en fatigue des

matrices de résine.

L’iso-polyester « CoRezyn 75-AQ-010 » est le moins sensible à l’environnement

parmi les quatre systèmes de résine étudiés ; il est se doit d’être la matrice de résine

minimum acceptée pour la conception des pales d’éoliennes.

Les matériaux à base de tissu unidirectionnel donnent une bonne tenue en fatigue par

traction par rapport à ceux à base de tissu multidirectionnel ;

Le matériau à renfort de fibres de verre/époxy « PPG1200-EP1 » est le moins

sensible à l’orientation des fibres entre les cinq matériaux étudiés.

La présente thèse est loin d’être achevée. Plusieurs points peuvent être traités en

perspectives futures :

Des recherches supplémentaires sont nécessaires pour déterminer la possibilité de

trouver des combinaisons uniques dont résultent toujours les meilleures prédictions de

la fatigue.

Développer la filière des matériaux composites, et ce, dans l’espoir d’établir une

activité de recherche et d’innovation dans le domaine des énergies renouvelables et

particulièrement de l’énergie éolienne.

Moderniser le procédé de fabrication des pales d’éoliennes avec la prise en compte des

aspects d’éco-conception et d’autre part, développer et améliorer des procédures de

qualification, de réparation et de recyclage après la fin de vie de ces pales.

Analyser d’autres risques qui peuvent dégrader la structure éolienne.

Page 119: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

102

Bibliographie

[1] Pérol. C: d’où vient le vent. Portrait et magazine aux multiples POMM,

www.pomms.org (Consulté le 16 octobre 2015)

[2] Circulation générale; Glossaire de la météorologie; Météo-France, ‎

www.meteofrance.fr (consulté le 17 octobre 2015)

[3] Leguay. J.P: l’air et le vent au moyen âge. Presses universitaires de Rennes, France,

2011

[4] Force de Coriolis; Glossaire de la météorologie; Météo-France; www.meteofrance.fr

(consulté le 17 octobre 2015)

[5] Encyclopédie libre Wikipédia: www.wikipedia.org/wiki/Vent (consulté le 17 octobre

2015)

[6] Decrosse. A: L’air et le vent. Du May, France, 1992

Page 120: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

103

[7] Multon. B, Gergaud. O, Ben Ahmed. H, Roboam. X, Astier. S : Etat de l'art des

aérogénérateurs. L'électronique de puissance vecteur d'optimisation pour les énergies

renouvelables, ed. NOVELECT-ECRIN, pp.97-154, 2002

[8] Dale E.B: Wind energy conversion. Handbook of Energy Efficiency and Renewable

Energy, by Taylor & Francis Group LLC, 2007

[9] Boyette. A: Contrôle-commande d'un générateur asynchrone à double alimentation

avec système de stockage pour la production éolienne. Thèse de Doctorat, Université

Henri Poincaré, Nancy (France), 2006

[10] Enercon constructeur d'éolienne: http://www.enercon.de/ (consulté le 29 novembre

2015)

[11] Global Wind Energy Council (GWEC): http://www.gwec.net/global-figures/graphs/

(consulté le 29 novembre 2015)

[12] La production d'électricité d'origine renouvelable dans le monde; 15è inventaire;

édition chapitre 1 perspectives générales pp.6-9; www.energies-renouvelables.org;

2014

[13] Kasbadji Marzouk. N: l’exploitation de l’éolien à des fins énergétiques. workshop sur

les énergies renouvelables et leurs applications, Batna (Algérie), 2010

[14] Hamane. L: les ressources éoliennes de l’Algérie. Bulletin des énergies renouvelables

CDER N°3, pp. 10-11, 2003

[15] Kasbadji Marzouk. N: Quel avenir pour l’Energie Eolienne en Algérie?. Bulletin des

énergies renouvelables CDER N°14, pp.6-7, 2008

[16] Semmar. M: L’énergie éolienne pour prévenir l’avenir sous un climat sain et propre.

Bulletin des énergies renouvelables CDER N°14, pp.8-10, 2008

[17] Merdaouil. M, Houha. H, Smaili. A: Etude et dimensionnement du futur parc éolien de

Kaberten situé dans la région d’Adrar. Revue des Energies Renouvelables SMEE’10

Bou Ismail Tipaza, pp. 269-274, 2010

[18] France Energie Eolienne: Guide technique, élaboration de l’étude de dangers dans le

cadre des parcs éoliens. France, 2012

[19] Melloul. A: Simulation et diagnostic d’une machine asynchrone à double alimentation

d’une éolienne. Mémoire de magister, Université de Sétif, Sétif (Algérie), 2011

[20] Guérette. D: Asservissement d'une éolienne à vitesse variable et à pas fixe dans le

cadre d’un système de jumelage éolien-diesel à haute pénétration; Thèse de Doctorat,

Université du Québec à Rimouski, Rimouski (Canada), 2010

[21] Milha Touati. M: Conception et réalisation de pales de petites éoliennes. Exposé de

projet (www.saharawind.com Consulté : Janvier 2016)

Page 121: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

104

[22] Nadjah. M, Khechana. M, Laiche. L, Ouksel. T et Mahfoudi. C: Etude de l’hélice

d’une éolienne de 5 kW. Revue des Energies Renouvelables CISM’O8 Oum El

Bouaghi, pp. 37-48, 2008

[23] Multon. B, Robin. G, Gergaud. O, Ben Ahmed. H: Le génie électrique dans le vent:

état de l’art et recherches dans le domaine de la génération éolienne. JCGE'03, Saint-

Nazaire, France, 2003

[24] Ghennam. T: Supervision d’une ferme éolienne pour son intégration dans la gestion

d’un réseau électrique, Apports des convertisseurs multi niveaux au réglage des

éoliennes à base de machine asynchrone à double alimentation. Thèse de Doctorat,

Ecole Militaire Polytechnique d’Alger; Algérie 2011

[25] Ministère de l’écologie, de l’énergie, du Développement durable et de la Mer, en

charge des Technologies vertes et des Négociations sur le climat: Guide de l’étude

d’impact sur l’environnement des parcs éoliens. France, 2010

[26] Encyclopédie libre WikiEolienne: http://eolienne.f4jr.org/eolienne_impact (consulté

le 02 Janvier 2016)

[27] Agence de l’Environnement et de la Maitrise de l’Energie AMEM: Des éoliennes dans

votre environnement?. France, 2002

[28] Abalain. JP, Chazal. JY, Schumpp. B: La sécurité publique des centrales éoliennes

industrielles, Constat de carence. France, 2007

[29] SOMIVAL: Projet de parc éolien de la Champagne Berrichonne, Résumé non

technique de l’étude de dangers. France, 2013

[30] Ziane. K, Zebirate. S: Identification des potentiels de dangers liés au fonctionnement

d'un parc éolien. 5ème Journée des Doctorants, Maison des Doctorants. Oran

(Algérie), 2014

[31] Eole Generation: Projet de parc éolien d’Ypreville-Biville et de Trémauville. France,

2012

[32] Ziane. K, Zebirate. S, Lounis. Z, Chaker. A: Mesures de prévention et de protection

d'un parc éolien contre le risque d'incendie. International Conference on Engineering

of Industrial Safety and Environment ICISE'14, Oran (Algeria), 2014

[33] France Energie Eolienne, INERIS, Syndicat des Energies Renouvelable: Elaboration

de l’étude de dangers dans le cadre des parcs éoliens. France, 2012

[34] Ziane. K, Zebirate. S, Lounis. Z: Description des mesures générales de prévention et

d’intervention pour la réduction des risques d'un parc éolien. Cinquièmes Journées

d'Etudes Nationales sur l'Environnement et les conditions de Travail JECT5. Batna,

Algérie, 2014

Page 122: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

105

[35] Bangalore. P: Load and risk based maintenance management of wind turbines.

Engineering Thesis, Chalmers University of Technology, Sweden, 2014

[36] MMI Engineering Ltd: Study and development of a methodology for the estimation of

the risk and harm to persons from wind turbines. Warrington, UK, 2013

[37] Vinçotte International Algérie: Ferme éolienne de Kabertene « Adrar » (10MW),

Etude de danger. Algérie, 2011

[38] Attaf. B: Eco-conception et développement des pales d’éoliennes en matériaux

composites. Revue des Energies Renouvelables SMEE’10, pp.37-48, 2010

[39] Attaf. B: Eco-moulage des Pales d’Eoliennes et Panneaux Solaires en Matériaux

Composites via la Technologie RTM. Journal of Fundamental and Applied Sciences

Vol. 2 (1), pp.35-46, 2010

[40] Tardif. T: Modélisation et analyse des phénomènes aéroélastiques pour une pale

d'éolienne. Thèse de MS, UQAR, Rimouski (Canada), 2009

[41] Prombut. P: Caractérisation de la propagation de délaminage des stratifies

composites multidirectionnels. Université Paul Sabatier, Toulouse (France), 2007

[42] Hachmane. B: Analyse expérimentale du comportement mécanique d’un matériau

composite soumis à des sollicitations d’impact. Thèse de Doctorat, UMBB,

Boumerdes (Algérie), 2013

[43] Djouabi. N: Analyse de l’endommagement de plaque composite en verre/époxy

soumises à la fatigue par chocs. Mémoire de Magister. UMBB, Boumerdes (Algérie),

2012.

[44] Attaf . B: Pales d’Eoliennes: Procédés de Fabrication, Procédures de Qualification,

Réparation et Recyclage. Rendez-vous du Composite, Marché spécial éolien, Gosnay

(France), 2012

[45] ISO 2394: General principles on reliability for structures. Fourth edition, 2015

[46] Attaf B. Optimisation du Processus de Développement des Pales d’Eoliennes en

Matériaux Composites: Cas d’Etude d’un Avant-projet. MateriaTech-Carma, 2002

[47] Renard. J: Fatigue des matériaux composites renforcés de fibres continues.

Techniques de l’ingénieur AM 5410.

[48] Maltais. P: Développement d'une méthode de prédiction de la durée de vie en fatigue

de structures tubulaires soudées en aluminium. Mémoire de maîtrise, UQAC,

Chicoutimi (Canada), 2008

[49] Encyclopédie libre Wikipédia:

https://fr.wikipedia.org/wiki/Courbe_de_W%C3%B6hler (consulté le 12 Février 2016)

Page 123: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

106

[50] Darwiche. M: Apprentissage statistique pour l'évaluation et le contrôle non

destructifs: application à l'estimation de la durée de vie restante des matériaux par

émission acoustique sous fluage. Thèse de Doctorat, Université du Maine, France,

2013.

[51] Mokhnache. L: Application des réseaux de neurones dans le diagnostic et la

prédiction des isolations de haute tension. Thèse de Doctorat, ENP d’Alger (Algérie),

2003

[52] Touzet. C: Les réseaux de neurones artificiels introduction au connexionnisme cours,

exercices et travaux pratiques. EC2 Edition, Paris, 1992.

[53] Saha. O, Boutaleb. A: Applications des réseaux de neurones aux matériaux dans le

génie civil : état de l’art. Colloque Méditerranéen sur les Matériaux CMEDIMAT,

Oran (Algérie), 2005

[54] Antonelo. E, Schrauwen. B, Dutoit. X, Stroobandt. D, Nuttin. M: Event detection and

localization in mobile robot navigation using reservoir computing. Artificial Neural

Networks ICANN, pp. 660-69, 2007

[55] Réseaux de neurones: http://www.pinville.com/reseaux-de-neurones.php (Consulté le

22 Février 2016)

[56] Intelligence artificielle: http://intelligence-artificielle-robotique.weebly.com (Consulté

le 22 Février 2016)

[57] Toumi. A: Restauration adaptative d’image par les méthodes intelligentes. Thèse de

Doctorat, Université Mohamed Khider, Biskra (Algérie), 2013

[58] Widrow. B, Hoff. M.E: Adaptive switching circuits. Western Electric Show and

Convention Record part 4, pp. 96-104, 1960

[59] Minsky. M, Papert. S: Perceptrons. Cambridge, Mass: MIT Press, 1969

[60] Hopfield. J.J: Neural networks and physical systems with emergent collective

computational abilities. Proc.Natl.Acad.Sci, 79: 2554-58, 1982

[61] Hinton. G.E, Sejnowski. T.J: Optimal perceptual inference. Proceeding of The IEEE

on Computer Vision and Pattern Recognition, pp. 448-453, 1983

[62] Ziane. H, Benkaida. S: Utilisation des réseaux de neurones non supervisés dans la

prédiction des propriétés des câbles haute tension sous vieillissement thermique.

Mémoire d’ingéniorat, UZA, Djelfa (Algérie), 2008

[63] Sorin. F, Broussard. L, Roblin. P: Régulation d’un processus industriel par réseaux de

neurones. Techniques de l’Ingénieur S 7582, 2001

[64] Hebb. D.O: The organization of behavior, a neuropsychological theory. New York:

John Wiley, Chapter 4, pp. 60-78, 1949

Page 124: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

107

[65] Rosenblatt. F: The perceptron: a probabilistic model for information storage and

organization in the brain. Psych. Rev. 65:386-408, 1957.

[66] Wikipédia perceptron multicouche: www.wikipedia.org/wiki/Perceptron_multicouche

(Consulté le 05 Avril 2016)

[67] Toumi. A: Restauration adaptative d’image par les méthodes intelligentes. Thèse de

Doctorat. Université Mohamed Khider, Biskra (Algérie), 2013

[68] Kennedy. J, Eberhart. R.C: Particle swarm optimization. In Proceedings of the IEEE

International Conference on Neural Networks IV, Perth (Australia), pp. 1942–48,

1995.

[69] Lepagnot. J: Conception de métaheuristiques pour l'optimisation dynamique.

Application à l'analyse de séquences d'images IRM. Thèse de Doctorat. Université

Paris-Est, Paris (France), 2011

[70] Zaitri. A: Caractérisation du comportement d’un Isolateur HT par la méthode des

réseaux de neurones optimisée par essaim de particules. Mémoire de Master.

Université de Djelfa, Algérie, 2015.

[71] Ziane. K, Zebirate. S, Zaitri. A: Particle swarm optimization-based artificial neural

network for predicting fatigue strength in composite laminates of wind turbine blades.

Composites: Mechanics, Computations, Applications: An International Journal. 6:

321-338

[72] Attaf. B: Designing composite wind turbine blades from cradle to cradle. Book of

recent advances in composite materials for wind turbine blades, The world academic

publishing, pp. 2-24, 2013

[73] Eker. AA, Eker. B: General assessment of fiber-reinforced composites selection in

wind turbine blades. Book of recent advances in composite materials for wind turbine

blades, The world academic publishing, pp.61-77, 2013

[74] Ladean. RM, Cairns. DS, Mandell. J, Combs. DC, Rabern. DA, Van Luchene RD:

Analysis of a composite blade design for the AOC 15/50 wind turbine using a finite

element model. Sandia report SAND2001-1441, 2001

[75] Van Dam. J, Jacobson. E, Link. H, Meadors. M: Wind turbine generators system

duration test report for the Atlantic orient 15/50 wind turbine. National Renewable

Energy laboratory NREL/EL-500-34017, 2003.

[76] Nijssen RPL: Fatigue Life Prediction and Strength Degradation of Wind Turbine

Rotor Blade Composites. PhD Thesis, Delft University the Netherlands, 2006.

[77] Mandell J F, Samborsky D D, Li M, Orozco R, Cairns D S. Selection of fiberglass

matrix resins for increased toughness and environmental resistance in wind turbine

blades. AIAA, 57:354-366, 2000

Page 125: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

108

[78] Li. M: Temperature and moisture effects on composite materials for wind turbine

blades. MS Thesis, Montana State University-Bozeman, 2000.

[79] Al-Assadi. M, El-Kadi. H, Deiab IM: Using artificial neural networks to predict the

fatigue life of different composite materials including the stress ratio effect. Applied

Composite Materials, 18: 297-309, 2011

[80] Al-Assadi. M, El-Kadi. H, Deiab. IM: Predicting the fatigue life of different composite

materials using artificial neural networks. Applied Composite Materials, 17: 1-14,

2010

[81] Pleune . TT, Chopra. OK: Using artificial neural networks to predict the fatigue life

of carbon and low-alloys steels. Nuclear Engineering and Design, 197:1-12, 2000

[82] Venkatesh. V, Rack. HJ: A neural network approach to elevated temperature creep-

fatigue life prediction. International journal of fatigue, 21:225-234, 1999

[83] Lee. JA, Almond. DP, Harris. B: The use of neural networks for the prediction of

fatigue lives of composite materials. Composites Part A, 30:1159-69, 1999

[84] SNL/MSU/DOE Composite Material Fatigue Database: Mechanical properties of

composite materials for wind turbine blades. Version 23.0, June 26, 2014, Montana

State University-Bozeman. Available at: http://energy.sandia.gov/

[85] Samborsky, DD, Mandell, JF, Cairns DS: Selection of reinforcing fabrics for wind

turbine blades. AIAA Journal, 24:32-42, 1999

[86] Mandell. JF, Samborsky. DD. DOE/MSU Composite Material Fatigue Database: Test

Methods, Materials and Analysis. Sandia National Laboratories Contractor report

SAND 97-3002, 1997

[87] Astrom. BT: Manufacture of Polymer Composites. Dept. of Aeronautics, Royal

Institute of Technology, Chapman & Hall, pp.1- 175, 1997

[88] Orozco. R: Effects of toughened matrix resins on composite materials for wind turbine

blades. MS Thesis, Montana State University-Bozeman, 1999

[89] Launikitis. MB. Vinyl ester resins. Handbook of Composites, Edited by Lubn G,

pp.38-49, 1982

[90] Haugen. DJ: fracture of skin-stiffener intersections in composite wind turbine blade

structures. MS Thesis, Montana State University-Bozeman, 1998

[91] Bortolotti. P: Carbon glass hybrid materials for wind turbine rotor blades. MS Thesis,

Delft University of Technology, 2012

Page 126: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

109

[92] Mandell. JF, Cairns. DS: Prediction of delamination in wind turbine structural details.

Journal of Solar Energy Engineering, 125:522-30, 2003

[93] ASTM D 5229/D 5229M: Standard test method for moisture absorption properties

and equilibrium conditioning of polymer matrix composite materials. American

Society For Testing and Materials, 2004

[94] Svozil. D, KvasniEka. V, Pospichal. J: Introduction to multi-layer feed-forward neural

networks. Chemometrics and Intelligent Laboratory Systems, 39:43-62, 1997

[95] Mohanty. JR,Verma. BB, Parhi. DRK, Ray. PK: Application of artificial neural

network for predicting fatigue crack propagation life of aluminum alloys. Archive of

Computational Material Science and Surface Engineering, 1:133-134, 2009

[96] AL-Assaf. Y, El-Kadi. H: Fatigue life prediction of unidirectional glass fiber/epoxy

composite laminae using neural networks. Composite Structures, 53:65-71, 2001

[97] Vassilopoulos. AP, Georgopoulos. EF, Dionysopoulos. V: Artificial neural networks

in spectrum fatigue life prediction of composite materials. International Journal of

Fatigue, 29:20-29, 2007

[98] Beale. MH, Hagan. MT, Demuth. HB: Neural network toolbox, user's guide R2014b.

The MathWorks, Available at: www.mathworks.com, 2014

[99] Mandell. JF, Samborsky. DD, Cairns DS: Fatigue of composite materials and

substructures for wind turbine blades. Contractor report SAND2002-0771. Sandia

National Laboratories, 2002

[100] Ziane. K, Zebirate. S, Zaitri. A: Environmental effects on fatigue strength of composite

materials of wind turbine blades. Third Euro-Mediterranean Conference on Materials

and Renewable Energies EMCMRE-3, Marrakech (Morocco), Nov. 2015

[101] Ziane. K, Zebirate. S, Zaitri. A: Fatigue strength prediction in composite materials of

wind turbine blades under dry-wet conditions: An artificial neural network approach.

Wind Engineering, 40:189-198, 2016

[102] Mandell. J.F, Samborsky. D.D, Miller. D.A: Effects of resin and reinforcement

variations on fatigue resistance of wind turbine blades - Advances in wind turbine

blade and design. In: Brondsted, P., Nijssen, R.P.L. (Eds), pp. 210-250. Woodhead

Publishing Limited (2013)

[103] Samborsky. D.D, Agastra. P, Mandell. J.F: Fatigue trends for wind blade infusion

resins and fabrics. 51st

AIAA/ASME/ASCE/AHS/ASC Structures, Structural

Dynamics, and Materials Conference, Florida (USA), 2010

[104] Agastra. P, Samborsky. D.D, Mandell. J.F: Fatigue resistance of fiberglass laminates

at thick material transitions. 50th

AIAA/ASME/ASCE/AHS/ASC Structures,

Structural Dynamics, and Materials Conference, California (USA), 2009

Page 127: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

Bibliographie

110

[105] Mandell. J.F, Samborsky. DD, Agastra. P, Sears. A.T, Wilson, T.J: Analysis of

SNL/MSU/DOE fatigue database trends for wind turbine blade materials. SANDIA

Report, 2010

[106] Wilson. T.J: Modeling of in-plane and interlaminar fatigue behavior of glass and

carbon fiber composite materials. MS Thesis. Montana State University (USA), 2007

[107] Mandell. J.F, Reed. R.M., Samborsky. D.D: Fatigue of fiberglass wind turbine blade

materials. Contractor report SANDIA, 1992

[108] Birge. B.: PSOt-a particle swarm optimization toolbox for use with Matlab.

Proceedings of IEEE Swarm Intelligence Symposium SIS’03, pp.182-186, 2003

[109] Evers. G: Particle swarm optimization research toolbox. Available at:

http://www.georgeevers.org/pso_research_toolbox.htm, 2011 (Consulté: Mars.2015)

[110] Rambharose. T: Artificial neural network training add-in for particle swarm

optimization research toolbox. Available at: http://www.tricia-rambharose.com, 2010

(Consulté: Mars.2015)

[111] Ziane. K, Zebirate. S, Zaitri. A: Predicting the fatigue strength of different composite

laminates of wind turbine blades. Third Euro-Mediterranean Meeting on

Functionalized Materials EMM-FM 2015, Hammamet (Tunisia), Sep. 2015

Page 128: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

111

Annexes (A, B et C)

A.1 Théorie de Betz

La théorie globale d’une éolienne à axe horizontal a été établie par Albert Betz [19]. Betz

suppose que l’éolienne est placé dans un air animé à l’infini en amont d’une vitesse et à

l’infini en aval d’une vitesse . La production d’énergie ne pouvant se faire que par la

conversion de l’énergie cinétique, la vitesse est nécessairement inférieure à . Il en résulte

que la veine de fluides traverse le générateur éolien en s’élargissant.

Soit donc la vitesse de l’air en amont, celle en aval et celle au travers de , la

section balayée par les pales de l’éolienne (comme présenté à la figure A.1) et la masse

d’air qui traverse l’éolienne, la variation d’énergie cinétique de l’air est :

( ) ( )

La puissance de l’éolienne est alors :

( ) ( )

Page 129: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

112

Avec : : est la densité de l’air ;

: est la surface balayée par les pales de la turbine ;

Par ailleurs, la force de l’air sur l’éolienne est :

( ) ( )

D’où :

( ) ( )

En identifiant les équations A.2 et A.4, on obtient :

( )

Et donc :

( ) ( )

Fig. A.1 : Schéma de principe de la théorie de Betz

La puissance de l’éolienne sera alors maximale quand sa dérivée

sera nulle, soit pour

.

La puissance est alors maximale et vaut :

( )

On peut donc en déduire que même si la forme des pales permet d’obtenir

, on ne

récupère au mieux que fois l’énergie cinétique de la masse d’air amont. On écrira en

notant la vitesse du vent amont.

( )

Où : : est le rayon de la turbine

: est le coefficient de puissance de l’éolienne, il dépend de la vitesse du vent, du

nombre de pales, de leur rayon, de leur angle de calage et de leur vitesse de rotation.

Page 130: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

113

B.1 Conception, qualification et certification d’une pale d’éolienne

Le moulage par transfert de résine RTM « Resin Transfer Molding » est un procédé qui

consiste à injecter de la résine sous forme liquide dans une empreinte fermée (moule/contre

moule), dans laquelle le renfort fibreux sec (préforme) a été préalablement placé [39, 44],

s’appuie principalement sur l’utilisation de la différence de pression (ou perte de charge) qui

se manifeste à l’intérieur de l’empreinte fermée, permettant ainsi l’écoulement de la résine et

par conséquent l’imprégnation du renfort fibreux.

B.1.1 Conception

La Figure (B.1) montre les principales étapes du procédé RTM que nous avons résumé

par :

Fig. B.1 : Différentes étapes de réalisation d’une pièce par le procédé RTM

Etape 0 : sélection du renfort fibreux recommandé par le bureau d’études ;

Etape 1 : préparation du préforme (orientation des fibres et séquence d’empilement) ;

Page 131: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

114

Etape 2 : fermeture du moule après placement du renfort et mise à vide ;

Etape 3 : injection de la résine et imprégnation progressive du renfort jusqu’au

remplissage ;

Etape 4 : polymérisation, séchage et durcissement de la résine (cuisson) ;

Etape 5 : ouverture du moule et démoulage de la pièce.

L’étape (3) s’avère être une étape importante dans le processus de réalisation d’une pièce

en matériaux composites. Cette étape d’injection et d’écoulement de la résine dans le milieu

fibreux s’appuie sur l’utilisation de la loi de Darcy qui se caractérise par la valeur de

perméabilité de la résine. Cette perméabilité dépend de plusieurs paramètres : la nature du

renfort, le sens et la disposition des fibres, la séquence d’empilement des plis, la température

de la résine, le positionnement des points d’injection-aspiration, etc.

B.1.2 Qualification et certification

Cette qualification sera caractérisée par une vérification de la compatibilité entre le

dimensionnement et les charges aérodynamiques et environnementales (température et

humidité) auxquelles la pale pourra être soumise au cours de sa durée de vie. Ces essais

consistent à imposer forfaitairement un environnement dynamique plus sévère que celui du

cas réel. Les méthodes des essais dynamiques consistent à réaliser un prototype et lui faire

subir des tests dynamiques, en ambiance laboratoire pour l’identification des zones critiques

susceptibles de provoquer une rupture. Ces méthodes expérimentales sont regroupées sous la

nomination d’Analyse Modale Expérimentale, effectuées par des analyseurs de signaux (FFT)

et logiciels associés. L’équipement utilisé pour l’analyse modale expérimentale est illustré par

la figure (B.2).

Fig. B.2: Type d’équipement utilisé pour l’analyse modale expérimentale

La certification de la pale d’éolienne peut être délivrée par un organisme compétent tel

que Germanischer Lloyd conformément à la Norme IEC 61400-1. Cette certification est

effectuée par des audits externes qui sont essentiellement axés sur:

Page 132: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

115

Évaluation des documents et rapports de conception

Évaluation du site et de ses procédés de fabrication

Évaluation des équipements destinés aux essais statiques, dynamiques, fatigue, …

Contrôle de la qualification des personnes et opérateurs intervenants dans le processus

de conception

Évaluation des résultats numériques et expérimentaux associés aux pales prototypes

Évaluation des systèmes de management de la qualité

La figure (B.3) montre les principales étapes relatives à la procédure de certification

Fig. B. 3 : Procédure de certification d’une pale d’éolienne

Page 133: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

116

Algorithme C.1 : Algorithme d’OEP sans considération de voisinage

[Les variables et paramètres de l’algorithme]

: Nombre de particules

: Position de la particule

: Vitesse de la particule

: Meilleure fitness obtenue pour la particule

: Position de la particule pour la meilleure fitness

: Valeur aléatoire positive

[Initialisations]

Initialiser aléatoirement la population

Pour chaque particule Faire

Initialiser aléatoirement ;

Initialiser aléatoirement (ou bien =0) ;

;

Fin Pour

[Traitement]

Répéter

Pour de 1 à Faire

Si ( ( ) ) Alors

( )

Fin Si

( ) ( ) ( ( ) ( ))

( ) ( ) ( )

Fin Pour

Jusqu’à ce que (le processus converge)

En considérant un voisinage en étoile l’algorithme (C.1) devient :

Page 134: Analyse, Évaluation et Réduction des Risques d’un Parc Éolien

117

Algorithme C.2 : Algorithme d’OEP en considérant voisinage étoile

[Les variables et paramètres de l’algorithme]

: Nombre de particules

: Position de la particule

: Vitesse de la particule

: Meilleure fitness obtenue pour la particule

: Meilleure fitness des voisins

: Position de la particule pour la meilleure fitness

: Position de la particule ayant la meilleur fitness de toutes

: Valeurs aléatoires positives

[Initialisations]

Initialiser aléatoirement la population

Pour chaque particule Faire

Initialiser aléatoirement ;

Initialiser aléatoirement (ou bien =0) ;

;

Fin Pour

[Traitement]

Répéter

Pour de 1 à Faire

Si ( ( ) ) Alors

( )

Fin Si

Si ( ( ) ) Alors

( )

Fin Si

( ) ( ) . ( ) ( )/ . ( ) ( )/

( ) ( ) ( )

Fin Pour

Jusqu’à ce que (le processus converge)