Application de la méthode Datamining

Application de la méthode Datamining

Etude des propriétés et de l’effet des éléments d’alliage par application de la méthode Datamining

Introduction

La proportion des éléments additifs appartenant au tableau périodique influent sur les propriétés des aciers. Suivant leur proportion, ces éléments octroient à l’acier des propriétés spécifiques déterminées. En existence de plusieurs éléments, l’effet peut être amplifié. On trouvera ci-après une description prédictive des principales influences sur l’acier.
L’analyse des données est une étape importante pour comprendre l’effet des éléments d’alliages sur le comportement des aciers sous contrainte électrothermomécanique avant de déterminer les paramètres influents sur le comportement des nuances d’aciers et de dévoiler les conditions aux limites qui seront appliquées dans la simulation numérique.
La présente méthode consiste à regrouper les objets d’un ensemble de données en classes homogènes [27,28]. Pour estimer le potentiel de prédiction de la classification des éléments additifs, des aciers et leurs propriétés on s’intéresse à l’une des méthodes du Datamining, c’est la méthode d’Analyse en Composante Principale « ACP ».

Le datamining

Le datamining est apparu dans les années 90, pour extraire des nouvelles connaissances à partir des bases de données. Le datamining extrait à partir d’une vaste base de données, des conclusions nouvelles quant aux données entrées.Il existe de nombreux logiciels de datamining tels que Statistica, XLSTAT, SPSS, Clémentine, SAS ou Oracle… Tous ont la méthodologie en commun : il faut trouver un domaine, construire une base (data warehouse), définir des questions ouvertes et le problème général. Une fois ces étapes accomplis, en rentrant (input) dans le logiciel les requêtes de la base, il en sortira, les réponses aux questions posées (après une brève analyse des résultats – output). Dans notre étude, nous avons programmé la méthode de classification ACP par le langage Matlab Figure II. 1 (Algorithme de base de la méthode ACP).

Analyse en composantes principales « ACP »

L’Analyse en Composante Principale (ACP) est l’une des méthodes d’analyses descriptives multivariées.Le but de cette analyse est de résumer le maximum d’informations possibles en perdant le moins possible pour :
 Faciliter l’interprétation d’un grand nombre de données initiales ;
 Donner plus de sens aux données réduites ;
La méthode ACP permet donc de réduire des tableaux de grandes tailles en un petit nombre de variables tout en conservant un maximum d’informations. Les variables de départ sont dites ‘métriques’. De nombreuses méthodes sont recommandées dans la littérature pour réduire la taille de dimension de la grande base de données [29].
Le nombre de données recueillies pour d’écrire un phénomène peut être trop important pour permettre un traitement direct de toute l’information disponible. L’objective d’Algorithme de l’ACP est d’extraire q < p “facteurs” (qui sont des combinaisons linéaires des p variables) contenant tout ou une grande partie de l’information contenue dans les p variables de départ.
La méthode ACP permet de réduire la dimension de la matrice des données, en retenant le plus possible les variations présentes dans le jeu des données de départ. Cette réduction ne sera possible que si les variables initiales ne sont pas indépendantes et ont des coefficients de corrélation entre elles non nuls. Ces variables initiales sont transformées en de nouvelles variables, appelées composantes principales. Elles sont obtenues par combinaisons linéaires des précédentes et sont ordonnées et non corrélées entre elles. L’analyse en composantes principales cherche à identifier les vecteurs propres orthonormaux et leurs valeurs propres correspondantes de la matrice de dispersion des variables originelles. Les vecteurs propres orthonormaux sont utilisés pour construire les composantes principales et les valeurs propres sont les variances des composantes principales correspondantes [30].

Réalisation de l’analyse en composantes principales

Le but est de trouver des axes orthogonaux (indépendants) qui ont la propriété d’extraire le maximum de la variance projetée (ou inertie projetée) des individus ou objets.
• calcul de la matrice des données centrées-réduites ;
 calcul de la matrice des corrélations variables/variables ;
 calcul de la matrice des vecteurs propres et du vecteur des valeurs propres ;

Applications sur les propriétés des éléments d’alliages d’aciers

Dans cette partie nous allons présenter les résultats graphiques des corrélations entre les individus, obtenues à partir des calculs numériques sous Matlab. La première étape consiste à déterminer la signification physique des axes de projection (PC1, PC2). La seconde étape consiste en l’interprétation des corrélations entre les éléments, qui peut être déduite deux Lecture du tableau et calcul diagrammes : loadings, ou diagramme des variables, et scores, ou diagramme des propriétés.

Préparation de la base de données

Nous avons collecté dans notre base de données les concentrations des éléments additives, propriétés mécaniques pour différentes nuances d’aciers API 5LX. Le tableau 1 donne les valeurs que nous avons utilisées et qui sont issue de la référence [36-39].

Interprétations de résultats

Les figures (II. 2- II. 4) présentent le diagramme des variables et des propriétés et (Loading plot , scores plots). Ils permettent de déceler les corrélations entres les propriétés mécaniques et les compositions chimiques des nuances d’aciers étudiés.Nous pouvons remarquer un certain nombre de corrélations et d’anti corrélations. Certaines de ces corrélations sont triviales et assez simples à expliquer. D’autres sont le reflet de principes et relations physiques intrinsèques.
Nous pouvons voir que le rapport entre limite d’élasticité et la plasticité est reparti uniquement suivant l’axe pc1 alors les deux grandeurs Re et Rm sont répartis du côté droit qui sont symétriques par rapport à PC1, ce qui explique qu’il a une anti-corrélation entre les deux phases, ce dernier nous a permis de déterminer le taux endommagement dans les matériaux. Le voltage appliqué et l’épaisseur des tôles ont un effet sur le comportement en endommagement des matériaux car auto l’épaisseur augmente avec variation de force de voltages (cycles) la zone fondue ou bien le noyau qui sera développé entre les deux tôles agrandira (la croissance) ce phénomène physique est due à l’effet de joule.La conductivité est corrélée avec la limite d’élasticité puisqu’un matériau plus conducteur conduit plus vite la chaleur ce qui diminue le temps nécessaire pour la formations des zones endommagées.La température de refroidissement des anodes assure la bonne opération des anodes puisque ses derniers sont à base de cuivre ; donc un refroidissement est nécessaire pour assurer le bon fonctionnement à l’instant d’opération d’assemblage.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie ?avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Abstract
ملخص
Sommaire
Liste des figures
Liste des tableaux
Nomenclatures
Abréviations
Introduction Générale
CHAPITRE I Rappel Théorique et Synthèse Bibliographique
I.1. Introduction
I.2.Spécificationdes aciers HLE
I.3.Procédé d’assemblage
I.4. Modélisation numérique par les éléments finis
I.5.Modes d’endommagements dans les milieux sélectifs
I.6. Protection par inhibition
I.7.Mécanique moléculaire et semi empirique
I.8.Synthèse
I.9.Conclusion I
CHAPITRE II Etude des propriétés et de l’effet des éléments d’alliage par A
II.1. Introduction
II.2. Le Datamining
II.3. Analyse En Composantes Principales « ACP »
II.3.1 Formulation de l’Analyse en Composantes Principales
a. Matrice des données
b. Centrage et réduction des données
c.Distances entre objets
d.Inertie totale du nuage
II.3.2Réalisation de l’analyse en composantes principales
a. Relations de transitions
b.Nuage des variables
II.4. Calcul d’une ACP avec MATLAB
II.5. Applications sur les propriétés des éléments d’alliages d’aciers
II.6. Préparation de la base de données
II.7. Exploitation de résultats
II.8. Interprétations de résultats
II.9. Conclusion II
CHAPITRE III Analyse et modélisation du comportement thermomécanique et Evaluation du taux d’endommagement des aciers HLE C0.12% Mn1.02%Si0.29%
III.1. Introduction
III.2. Modèle géométrique
III.3. Caractérisation microstructurale
III.4. Équations gouvernantes
III.5. Condition aux limites
III.6. Les procédures utilisées dans l’analyse par éléments finis
III.7. Validation du modèle
III.7.1 Validations de modèle électrothermique
III.8. Résultats et discussion
III.9. Conclusion III
CHAPITRE IV Analyse et modélisation du comportement en corrosion des aciers C0.12%Mn1.02%Si0.29% Sollicités dans un milieu sélectif physicochimique à base de NaCl .
IV.1. Introduction
IV.2. Matériels et méthodes
IV.2.1Caractéristiques du matériau d’étude
IV.2.2 Conditions environnementales
IV.3. Résultats et discussions
a. Courbe de la polarisation
b. Estimation Théorétique
IV.4. Conclusion IV
CHAPITRE V Étude du comportement en corrosion des aciers C0.12%Mn1.02%Si0.29% HLE sollicités dans un milieu sélectif physicochimique à base (CO2)%
V.1. Introduction
V.2. Matériels et méthodes
V.3. Résultats et discussions
V.4. Conclusion V
CHAPITRE Interprétations des résultats
Conclusion Générale
Bibliographie
ANNEXE I
Résumé globale
Bilan scientifique
Publications