. .. , 118 4.2 Méthode d'identification modale (MIM), vol.118

. .. Modèle-réduit-non-linéaire,

. .. Modèle-réduit-linéaire-paramétrique, 128 4.4.1 Structure d'équations

.. .. Conclusion,

, Test des MR linéaires paramétriques avecéchantillonnageà 2.5×10 ?2 s et ?? test 1 (même flux que pour l'identification)

. Bibliographie,

S. André and A. Degiovanni, A theoretical study of the transient coupled conduction and radiation heat transfer in glass : phonic diffusivity measurements by the flash technique, International Journal of Heat and Mass Transfer, vol.38, issue.4, pp.3401-3412, 1995.

S. André and S. Degiovanni, A new way of solving transient radiative-conductive heat transfer problems, Journal of Heat Transfer, vol.120, p.59, 1998.

M. J. Assael, K. D. Antoniadis, and J. T. Wu, New measurements of the thermal conductivity of pmma, bk7, and pyrex 7740 up to 450 k, International Journal of Thermophysics, vol.29, p.113, 2008.

H. Azami and M. R. Mosavi, Classification of gps satellites using improved backpropagation training algorithms, Wireless Pers Commun, vol.71, pp.789-803, 2013.

B. Beachkofski and R. Grandhi, Improved distributed hypercube sampling, AIAA ASME ASCE AHS ASC Struct. Struct. Dyn. Mater. Conf, p.134, 2002.

S. Bélanger and L. Gosselin, Utilization of artificial neural networks in the context of materials selection for thermofluid design, Numerical Heat Transfer, Part A, vol.55, issue.7, pp.825-844, 2009.

P. Boulet, J. Gérardin, Z. Acem, G. Parent, A. Collin et al., Optical and radiative properties of clear pmma samples exposed to a radiant heat flux, International Journal of Thermal Sciences, vol.82, p.112, 2014.
URL : https://hal.archives-ouvertes.fr/hal-01425192

P. Ramchandra, E. Chopade, A. K. Agnihotri, A. Singh, R. Kumar et al., Application of a particle swarm algorithm for parameter retrieval in a transient conduction-radiation problem, Numerical Heat Transfer, Part A, vol.59, p.115, 2011.

P. Ramchandra, V. Chopade, R. Mohan, V. S. Mayank, S. C. Uppaluri et al., Simultaneous retrieval of parameters in a transient conductionradiation problem using a differential evolution algorithm, Numerical Heat Transfer, Part A, vol.63, issue.6, p.115, 2013.

. Bibliographie-s.-collin-zahn, Notions sur les processus de rayonnement et les diagnostics spectroscopiques en astrophysique. LUTH, Observatoire de Paris, vol.8, p.76, 2010.

N. Daouas, A. Fguiri, and R. M. , Solution of a coupled inverse heat conduction-radiation problem for the study of radiation effects on the transient hot wire measurements, Experimental Thermal and Fluid Science, vol.32, pp.1766-1778, 2008.

R. Das, S. C. Mishra, and R. Uppaluri, Multiparameter estimation in a transient conduction-radiation problem using the lattice boltzmann mthod and the finite volume method coupled with the genetic algorithms, Numerical Heat Transfer, Part A, vol.53, issue.6, pp.1321-1338, 2008.

B. N. Datta, Numerical Linear Algebra and Applications. SIAM, vol.21, p.45, 2010.

J. Davies and B. Martin, Numerical inversion of the laplace transform : A survey and comparison of methods, Journal of Computational Physics, vol.33, issue.23, pp.1-32, 1979.

F. R. De-hoog, J. H. Knight, and A. N. Stokes, An improved method for numerical inversion of laplace transforms, SIAM Journal on Scientific and Statistical Computing, vol.3, p.24, 1982.

H. Deng, S. Guessasma, G. Montavon, H. Liao, C. Coddet et al., Combination of inverse and neural network methods to estimate heat flux, Numerical Heat Transfer, Part A, vol.47, issue.7, pp.593-607, 2005.

S. Deng and Y. Hwang, Applying neural networks to the solution of forward and inverse heat conduction problems, International Journal of Heat and Mass Transfer, vol.49, issue.7, pp.4732-4750, 2006.

M. Divband, A comparison of particle swarm optimization and gradient descent in training wavelet neural network to predict dgps corrections, Proceedings of the World Congress on Engineering and Computer Science, 2010.

R. C. Eberhart, Particle swarm optimization, Proceedings of IEEE International Conference, vol.84, p.90, 1995.

R. C. Eberhart and Y. H. Shi, Tracking and optimization dynamic systems with particle swarm, Proceedings of 2001 Congress on Evolutionary Computation, vol.82, p.84, 2001.

W. Ford, Numerical Linear Algebra with Applications Using MATLAB, vol.13, p.45, 2015.

B. Ghannam, Modélisation ultra-rapide des transferts de chaleur par rayonnement et par conduction et exemple d'application, 2012.

M. Girault, D. Petit, E. Videcoq-;-Éditeur, and H. R. Orlande, Identification of low-order models and their use for solving inverse boundary problems, Thermal Measurements and Inverse Techniques, vol.88, p.145, 2011.

S. Grieu, O. Faugeroux, A. Traore, B. Claudet, and J. L. Bodnar, Utilisation de l'intelligence artificielle pour la caractétisation de matériaux, Congrès National de Thermographie THERMOGRAM, 2011.

S. E. Gustafsson, Transient plane source techniques for thermal conductivity and thermal diffusivity measurements of solid materials, Review of Scientific Instruments, vol.62, issue.3, pp.797-804, 1991.

U. Hammerschmidt, A new pulse hot strip sensor for measuring thermal conductivity and thermal diffusivity of solids, International Journal of Thermophysics, vol.24, issue.3, pp.675-682, 2003.

R. L. Haupt and S. E. Haupt, Practical genetic algorithms, p.115, 2004.

U. Heinemann, R. Caps, and J. Fricke, Radiation-conduction interaction : an investigation on silica aerogels, International Journal of Heat and Mass Transfer, vol.39, issue.4, pp.2115-2130, 1996.

G. E. Hinton and R. R. Salakhutdinov, Reducing the dimensionality of data with neural networks, Science, vol.313, p.94, 2006.

J. G. Hu, G. M. Zhou, and X. J. Xu, Using an improved backpropagation neural network to study spatial distribution of sunshine illumination from sensor network data, Ecological Modelling, vol.266, pp.86-96, 2013.

J. X. Hu and J. C. Zeng, A adjustment strategies of the inertia weight of the particle swarm optimization. Computer engineer, p.81, 2007.

Y. Jannot, Théorie et pratique de la métrologie thermique. LEMTA, 2011.

X. X. Jia, Numerical method for three-dimensional heat conduction in cylindrical and spherical coordinates, Proceedings of the 2016 International Conference on Computer Engineering, Information Science and Application Technology (ICCIA), p.41, 2016.

L. Latha and S. Thangasamy, Efficient approach to normalization of multimodal biometric scores, International Journal of Computer Applications, vol.32, p.103, 2011.

S. L. Foll, F. André, A. Delmas, J. M. Bouilly, and Y. Aspa, Identification of temperature and radiative properties in semi-transparent media using high temperature spectral directionnal emission, application to carbon felt, 7th International Symposium on Radiative Transfer, 2013.

Y. Lecun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard et al., Backpropagation applied to handwritten zip code recognition, Neural Computation, vol.1, p.93, 1989.

D. Lemonnier, Modèle de couplage conduction-rayonnement en milieu solide semitransparent, p.38, 2015.

D. Lemonnier, Méthodes P1, des ordonnées discrètes et de Monte-Carlo appliquées au transfert radiatif. ISAE-ENSMA Master TAT, vol.2, p.14, 2015.

C. H. Li and S. C. Park, An efficient document classification model using an improvedback propagation neural network and singular value decomposition, Expert Systems with Applications, vol.36, pp.3208-3215, 2009.

H. Y. Li, Estimation of thermal properties in combined conduction and radiation, International Journal of Heat and Mass Transfer, vol.42, issue.5, pp.565-572, 1999.

L. H. Li, Transient radiation and conduction in a two-dimensional participating cylinder subjected to a pulse irradiation, Journal of Heat Transfer, vol.40, p.44, 2001.

P. F. Li, J. Wang, and J. F. Jing, Application of improved backpropagation algorithm in colordifference detection of fabric. COLOR research and application, vol.40, pp.311-317, 2015.

R. X. Li, Finite Volume Method Basis. Presses National Defense Industry, vol.43, p.46, 2005.

L. H. Liu and H. P. Tan, Inverse radiation problem of sources and emissivities in onedimensional semitransparent media, International Journal of Heat and Mass Transfer, vol.44, issue.4, pp.63-72, 2001.

Y. Liu, Y. Billaud, D. Saury, and D. Lemonnier, Résolution de problèmes conductoradiatifs instationnaires en 2d axisymétrique pour l'identification de propriétés thermophysiques de matériaux semi-transparents. 26ème Congrès Français de Thermique et Sciences de l'Information, Juin, vol.29, issue.1, p.57, 2018.

D. Maillet, S. André, J. C. Batsale, A. Degiovanni, and C. Moyne, Thermal Quadrupoles : Solving the Heat Equation through Integral Transforms, vol.4, p.163, 2000.

V. Maneesh and M. K. Pradeep, An inverse method to estimate the principal thermal conductivities of composite material, International Journal of Scientific and Engineering Research, vol.5, issue.7, pp.810-813, 2014.

W. S. Mcculloch and W. Pitts, A logical calculus of ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, vol.5, p.91, 1943.

J. Menashe and W. A. Wakeham, Effect of absorption of radiation on thermal conductivity measurements by the transient hot-wire technique, International Journal of Heat and Mass Transfer, vol.25, p.98, 1982.

N. Milosoevic, Mesure de la diffusivité thermique et de la résistance de contact thermique des couches minces sur des substrats par la méthode impulsionnelle, vol.3, p.64, 2008.

M. Minsky, S. Papert, and . Perceptrons, , p.91, 1969.

M. F. Modest, Radiative Heat Transfer, vol.30, p.37, 2013.

C. Mota, H. Orlande, M. Carvalho, V. Kolehmainen, and J. Kaipio, Bayesian estimation of temperature-dependent thermophysical properties and transient boundary heat flux, Heat Transfer Engineering, vol.31, p.100, 2010.

Y. Nagazaka and A. Nagashima, Simultaneous measurement of the thermal conductivity and the thermal diffusivity of liquids by the transient hot-wire method, Review of Scientific Instruments, vol.52, issue.3, pp.229-232, 1981.

S. Nandy, P. P. Sarkar, and A. Das, An improved gauss-newtons method based backpropagation algorithm forfast convergence, International Journal of Computer Applications, vol.39, pp.1-7, 2012.

M. Nielsen, Neural Networks and Deep Learning, vol.102, 2015.

H. M. Park and D. H. Cho, Low dimensional modeling of flow reactors, International Journal of Heat and Mass Transfer, vol.39, issue.8, pp.3311-3323, 1996.

H. M. Park and T. Y. Yoon, Solution of the inverse radiation problem using a conjugategradient method, International Journal of Heat and Mass Transfer, vol.43, issue.5, pp.1767-1776, 2000.

H. M. Park, T. H. Kim, and J. H. Lee, Dynamic simulation of thermal radiation in participating media by means of mode reduction, Journal of Quantitative Spectroscopy and Radiative Transfer, vol.62, issue.8, pp.141-166, 1999.

W. J. Parker, R. J. Jenkins, C. P. Butler, and G. L. Abbott, Method of determining thermal diffusivity, heat capacity and thermal conductivity, Journal of Applied Physics, vol.32, p.64, 1961.

P. Ponce, New applications of artificial intelligence, pp.124-143, 2016.

H. Qi, C. Y. Niu, S. Gong, Y. T. Ren, and L. M. Ruan, Application of the hybrid particle swarm optimization algorithms for simultaneous estimation of multi-parameters in a transient conduction-radiation problem, International Journal of Heat and Mass Transfer, vol.83, issue.6, pp.428-440, 2015.

Z. C. Qiu, R. L. Zhang, W. M. Zhang, and L. X. Li, Quantitative identification of microcracks through magnetc flux leakage testing based on improved back-propagation neural network. Insight : Non-Destructive Testing and Condition Monitoring, vol.61, pp.90-94, 2019.

Z. X. Qu, W. Q. Mao, K. Q. Zhang, W. Y. Zhang, and Z. P. Li, Multi-step wind speed forecasting based on a hybrid decompositiontechnique and an improved back-propagation neural network, Renewable Energy, vol.133, pp.919-929, 2019.

S. Rahnamayan, H. R. Tizhoosh, and M. M. Salama, Opposition-based differential evolution, IEEE Transactions on Evolutionary Computation, vol.12, issue.6, pp.64-79, 2008.

F. Rosenblatt, The perceptron : a probabilistic model for information storage and organization in the brain, Psychological Review, vol.65, p.91, 1958.

E. Ruffio, Estimation of parameters and boundary conditions in unsteady conduction for anisotropic materials, Ph.D. thèse, ISAE-ENSMA, vol.84, issue.3, p.90, 2004.

E. Ruffio, D. Saury, D. Petit, and M. Girault, Tutorial 2 : Zero-order optimization algorithms. Eurotherm Seminar numéro 94 Thermal Measurements and Inverse Techniques, Advanced Spring School, METTI, vol.5, p.82, 2011.

D. E. Rumelhart, G. E. Hinton, and R. J. Williams, Learning representations by backpropagating errors, Nature, vol.323, pp.533-536, 1986.

J. Schick, B. Remy, A. Degiovanni, F. Demeurie, J. Meulemans et al., Measurement of thermal conductivity of liquids at high temperature, Journal of Physics : Conference Series, vol.395, p.98, 2012.
URL : https://hal.archives-ouvertes.fr/hal-02441571

R. , S. Larson, and M. R. Jones, Reduced-order modeling of time-dependent reflectance profiles from purely scattering media, Journal of Quantitative Spectroscopy and Radiative Transfer, vol.109, issue.8, pp.201-209, 2008.

Y. H. Shi and R. C. Eberhart, A modified particle swarm optimizer, proc ieee int confon evolutional computation, Proceedings of IEEE International Conference Evolutional Computation, p.81, 1998.

H. Stehfest, Numerical inversion of laplace transforms, Commun. ACM, vol.13, issue.23, pp.47-49, 1970.

H. P. Tan and M. Lallemand, Transient radiative-conductive heat transfer in flat glasses submitted to temperature, flux and mixed boundary conditions, vol.32, pp.795-810, 1989.

H. P. Tan, B. Maestre, and M. Lallemand, Transient and steady-state combined heat transfer in semi-transparent materials subjected to a pulse or a step irradiation, Journal of Heat Transfer, vol.113, p.55, 1992.

H. P. Tan, L. H. Liu, and H. L. Yi, Recent progress in computational thermal radiative transfer, Chinese Sci Bull, vol.54, issue.4, pp.2627-2637, 2009.

K. Udayraj, P. Mulani, A. Talukdar, R. Das, and . Alagirusamy, Performance analysis and feasibility study of ant colony optimization, particle swarm optimization and cuckoo search algorithms for inverse heat transfer problems, International Journal of Heat and Mass Transfer, vol.89, issue.6, pp.359-378, 2015.

P. Y. Wang, H. P. Tan, L. H. Liu, and J. F. Luo, Heat transfer in translucent thermal barrier coatings of turbine engine, Journal of Aerospace Power, vol.15, p.90, 2000.

P. Y. Wang, H. E. Cheng, and H. P. Tan, Transient thermal analysis for semi-transparent composite thermal barrier coatings, Journal of Shanghai Jiao Tong University, vol.36, p.90, 2002.

L. Y. Wei, H. Qi, Y. T. Ren, J. P. Sun, S. Wen et al., Application of hybrid spso-sqp algorithm for simultaneous estimation of space-dependent absorption coefficient and scattering coefficient fields in participating media, International Journal of Thermal Sciences, vol.124, issue.6, pp.424-432, 2018.

P. J. Werbos, Beyond regression : New tools for prediction and analysis in the behavioral sciences, p.92, 1974.

S. M. Yang and W. Q. Tao, Heat Transfer (Fourth Edition), 2006.

F. Yilmaz, A. Ozdemir, A. S. Sahin, and R. Selbas, Prediction of thermodynamic and thermophysical properties of carbon dioxide, Journal of Thermophysics and Heat Transfer, vol.28, issue.7, pp.491-498, 2014.

B. Zhang, H. Qi, S. C. Sun, L. M. Ruan, and H. P. Tan, Solving inverse problems of radiative heat transfer and phase change in semi-transparent medium by using improved quantum particle swarm optimization, International Journal of Heat and Mass Transfer, vol.85, issue.5, pp.300-310, 2015.

. W. Bibliographie-c, S. R. Zhang, H. B. Chen, K. J. Gao, M. Y. Xu et al., State of charge estimation of power battery using improved back propagation neural network, Batteries, vol.4, pp.1-12, 2018.

X. Zhang and A. Degiovanni, Mesure de l'effusivité thermique de matériaux solides et homogènes par une méthode de sonde plane, Journal de Physics III, vol.6, issue.3, pp.1243-1265, 1993.

. Liste, 16 Test de robustesse concernant la stratégie d'estimation (?, q 0 ?? ) avec 5

. .. , ANN entraînés selon 3 distributions différentes et pour 3 régimes de transfert de chaleur : dominé par la conduction (C),équivalent conduction / rayonnement (E) et dominé par le rayonnement (R), p.107

. .. , Test de robustesse concernant la stratégie d'estimation (?, ?) avec 5 ANN entraînés selon 3 distributions différentes et pour 3 régimes de transfert de chaleur : dominé par la conduction (C),équivalent conduction / rayonnement (E) et dominé par le rayonnement (R), vol.109

, Distributions des données synthétiques identifiées (?, q 0 ?? ) et (?, ?) avec

, les données synthétiques bruitées (intensité I=0.5 K) dans un régime dominé par la conduction

. .. Schéma-de-principe, 111 3.20Évolution de la température réelle et simulée au point central

, en haut et (?, ?)

. .. , Identification des paramètres fixes du modèle réduit selon une procédure d'optimisation itérative, pour un ordre m donné, p.119

. .. , Génération des données de construction et de test des modèles réduits obtenus par la méthode d'identification modale, p.121

, Test du MR non-linéaire avecéchantillonnageà ?t 1 = 2×10 ?2 s, p.125

, Test du MR non-linéaire avecéchantillonnageà ?t 2 = 10 ?3 s, p.126

, Distribution spatiale des 100 couples (?, ?) pour l'identification et 50 couples (?, ?) pour la validation

, Construction des MR linéaires paramétriques avecéchantillonnageà 2.5×10

. .. , Test des MR linéaires paramétriques avecéchantillonnageà 2.5×10 ?2 s et ?? test 1 (même flux que pour l'identification), p.137

. .. , Test des MR linéaires paramétriques avecéchantillonnageà 2.5×10 ?2 s et ?? test 2 (différent du flux utilisé pour l'identification), p.138

, Evolution de l'écart quadratique moyen ? Y (m) entre le modèle détaillé (MD) et le modèle réduit (MR) pour la phase de construction et la phase de validation

, Le nombre de neuronne de chacque couche est indiqué entre parenthèse (par exemple, la couche d'entrée et la première couche cachée comportent chacune100 neurones), A.1 Structure du réseau de neurones de type rétropropagation du gradient utilisé comportant 8 couches

. Paramètres and . .. 1d, , p.14

, Valeurs des paramètres V i , i ? [1, N ] pour N = 10 et N = 20 (d'après Maillet, 2000.

. .. Paramètres, , p.25

. .. Paramètres, , p.27

. .. Paramètres, , p.29

, Paramètres importants intervenant dans la validation du modèle direct 1D

, Expressions de différentes surfaces d'un volume de contrôle selon leurs directions

, Comparaison des temps de calcul t cpu entre le maillage temporelà pas de temps constant et le maillage temporelà pas de temps variable, p.59

, Echantillon cylindrique de PMMA (a) n?1, (b) n?2 et (c) n?3, p.67

, Valeurs du coefficient d'atténuation moyen ? deséchantillons de

, Valeurs estimées de la conductivité thermique et du coefficient d'absorption pour différentes niveaux d'intensité de bruit ajoutée au signal simulé 85

, Valeurs des paramètres associésà chaque stratégie, pour les trois modes de transfert de chaleurétudiés, dans le cadre de l'étude de sensibilité réduite

, Valeurs de l'espérance et de l'écart type des distributions aléatoires Gaussiennes pour les matériaux semi-transparents de type PMMA et Verre dans le contexte de 2 stratégies

, Espérance µ, la zone de valeurs la plus fréquente ? etécart-type ? des paramètres identifiés selon la stratégie (?, q 0 ?? ) et (?, ?)

, et avec sélection (critère (1))

, L'apprentissage est relativement lent, même un problème simple nécessite généralement des centaines ou des milliers fois d'apprentissage pour produire des résultats satisfaisants

, L'utilisation d'une méthode de descente de gradient pour trouver la valeur minimale de la fonction objectif le rend sensible aux minima locaux

, Il n'y a pas règles/méthodes clairement identifiées pour la définir le nombre de couches et de neurones constitutifs

, On peut notamment citer des mesures d'amélioration consistantà accélérer la vitesse de convergence du réseau (i) en utilisant la méthode de Gauss-Newtons (Nandy et al. [2012]), (ii) en calculant les effets dans la phase d'entraînement pour ajuster le taux d'apprentissage (Li and Park, Pour les inconvénients mentionnés ci-dessus, de nombreuses mesures d'amélioration ontété proposées, 2009.

A. A. De-rétropropagation-du-gradient-algorithme and . Pso-(zhang, associé (ou non) avec un algorithme de type Levenberg-Marquardt, 2015.

X. A. , AVANTAGES ET INCONVÉNIENTS