Le but de ce travail est d'introduire un cadre d'approximation, la Reference Points Method, afin de réduire la complexité de calcul des opérations algébriques lorsqu'elles concernent des approximations à variables séparées dans le cadre de la Proper Generalized Decomposition.La PGD a été introduite dans [1] dans le cadre de la méthode LaTIn pour résoudre efficacement des équations différentielles non linéaires et dépendants du temps en mécanique des structures. La technique consiste à chercher la solution d'un problème dans une base d'ordre réduit (ROB) qui est automatiquement et à la volée générée par la méthode LaTIn. La méthode LaTIn est une stratégie itérative qui génère les approximations de la solution sur l'ensemble du domaine espace-temps-paramètres par enrichissements successifs. Lors d'une itération particulière, la ROB, qui a déjà été formée, est d'abord utilisée pour calculer un nouveau modèle réduit (ROM) et, donc, pour trouver une nouvelle approximation de la solution. Si la qualité de cette approximation ne suffit pas, la ROB est enrichie avec la génération d'un nouveau produit de fonctions PGD en utilisant un algorithme de type 'greedy'.Les techniques de réduction de modèle sont particulièrement efficaces lorsque le ROM a besoin d'être construit qu'une seule fois. Ce n'est pas le cas pour les techniques de réduction de modèle quand elles concernent des problèmes non linéaires. En effet, dans un tel cas, les opérateurs qui sont impliqués dans la construction du ROM varient au cours du processus itératif et des calculs préliminaires ne peuvent pas être effectués à l'avance pour accélérer le processus 'online'.Par conséquent, la construction du ROM est un élément coûteux de la stratégie de calcul en terme de temps de calcul. Il en découle la nécessité d'évaluer, à chaque itération, la fonction non linéaire de grande dimension (et éventuellement sa jacobienne) et ensuite sa projection pour obtenir les opérateurs réduits. Cela représente un point de blocage des stratégies de réduction de modèle dans le cadre non linéaire. Le présent travail a comme but une réduction ultérieure du coût de calcul, grâce à l'introduction d'un nouveau cadre de rapprochement dédiée à la stratégie de calcul LaTIn-PGD. Il est basé sur la notion de temps, de points et de paramètres de référence et permet de définir une version compressée des données. Comparé à d'autres techniques similaires [3,4] cela ne se veut pas une technique d'interpolation, mais un cadre algébrique qui permet de donner une première approximation, peu coûteuse, de toutes les quantités sous une forme à variable séparés par des formules explicites. L'espace de données compressées présente des propriétés intéressantes qui traitent les opérations algébriques élémentaires. Le RPM est introduit dans le solveur LaTIn-PGD non linéaire pour calculer certaines opérations répétitives. Ces opérations sont liées à la résolution du problème du temps / paramètre qui implique la mise à jour de l'opérateur tangent et la projection de ce dernier sur la base réduite. La RPM permet de simplifier et de réduire le nombre d'opérations nécessaires.[1] Ladevèze P., Sur une famille d’algorithmes en mécanique des structures, Comptes Rendus Académie des Sciences. Paris. Ser. II 300, pp.41-44, 1985.[2] Chinesta, F., Ladevèze, P., and Cueto, E. A short review on model order reduction based on proper generalized decomposition. Archives of Computational Methods in Engineering, 18, pp.395-404, 2011.[3] Barrault M., Maday Y., Nguyen N., Patera A., An ’empirical interpolation’ method: application to efficient reduced-basis discretization of partial differential equations, Comptes Rendus Académie des Sciences. Paris. Ser. I, 339, pp. 667-672, 2004.[4] Chaturentabut S., Sorensen D., Nonlinear model reduction via discrete empirical interpolation, Society for Industrial and Applied Mathematics 32(5), pp.2737-2764, 2010. / The aim of this work is to introduce an approximation framework, called Reference Points Method (RPM), in order to decrease the computational complexity of algebraic operations when dealing with separated variable approximations in the Proper Generalized Decomposition (PGD) framework.The PGD has been introduced in [1] in the context of the LATIN method to solve efficiently time dependent and/or parametrized nonlinear partial differential equations in structural mechanics (see, e.g., the review [2] for recent applications). Roughly, the PGD technique consists in seeking the solution of a problem in a relevant Reduced-Order Basis (ROB) which is generated automatically and on-the-fly by the LATIN method. This latter is an iterative strategy which generates the approximations of the solution over the entire time- space-parameter domain by successive enrichments. At a particular iteration, the ROB, which has been already formed, is at first used to compute a projected Reduced-Order Model (ROM) and find a new approximation of the solution. If the quality of this approximation is not sufficient, the ROB is enriched by determining a new functional product using a greedy algorithm.However, model reduction techniques are particularly efficient when the ROM needs one construction only. This is not the case for the model reduction techniques when they are addressed to nonlinear problems. Indeed, in such a case, the operators which are involved in the construction of the ROM change all along the iterative process and no preliminary computations can be performed in advance to speed up the online process. Hence, the construction of the ROM is an expensive part of the calculation strategy in terms of CPU. It ensues from the need to evaluate the high-dimensional nonlinear function (and eventually its Jacobian) and then to project it to get the low-dimensional operators at each computational step of a solution algorithm. This amounts to being the bottleneck of nonlinear model reduction strategies.The present work is then focused on a further reduction of the computational cost, thanks to the introduction of a new approximation framework dedicated to PGD-based nonlinear solver. It is based on the concept of reference times, points and parameters and allows to define a compressed version of the data. Compared to other similar techniques [3,4] this is not an interpolation technique but an algebraic framework allowing to give an inexpensive first approximation of all quantities in a separated variable form by explicit formulas. The space of compressed data shows interesting properties dealing the elementary algebraic operations. The RPM is introduced in the PGD-based nonlinear solver to compute some repetitive operations. These operations are related to the resolution of the time/parameter problem that involves the update of the tangent operator (for nonlinear problems) and the projection of this latter on the Reduced Order Basis. For that the RPM allows to simplify and reduce the number of operations needed.[1] Ladevèze P., Sur une famille d’algorithmes en mécanique des structures, Comptes Rendus Académie des Sciences. Paris. Ser. II 300, pp.41-44, 1985.[2] Chinesta, F., Ladevèze, P., and Cueto, E. A short review on model order reduction based on proper generalized decomposition. Archives of Computational Methods in Engineering, 18, pp.395-404, 2011.[3] Barrault M., Maday Y., Nguyen N., Patera A., An ’empirical interpolation’ method: application to efficient reduced-basis discretization of partial differential equations, Comptes Rendus Académie des Sciences. Paris. Ser. I, 339, pp. 667-672, 2004.[4] Chaturentabut S., Sorensen D., Nonlinear model reduction via discrete empirical interpolation, Society for Industrial and Applied Mathematics 32(5), pp.2737-2764, 2010.

Le soudage multipasse est mis en œuvre pour recharger des tuyauteries présentant localement des sous-épaisseurs. La simulation numérique facilite le choix des nombreux paramètres de soudage. La réduction des modèles permet d'accélérer ces choix. Dans ce travail, nous nous sommes intéressés aux cas pour lesquelles il est difficile de réaliser intégralement la simulation du soudage, faute de temps ou par manque de moyens de calcul. Ce sont des simulations hors d'atteintes. Or, les prévisions manquantes ne permettent pas la mise en œuvre d'une méthode de décomposition orthogonale aux valeurs propres pour extraire une base réduite de modes empiriques à partir des données produites par simulation numérique. Nous proposons donc soit un modèle directionnel bien adapté au soudage, soit une étape d'extrapolation des données de simulations par décalage spatial des prévisions calculées. Ces deux approches sont complémentaires de la méthode d'hyper-réduction, dans laquelle les équations de bilan sont restreintes à un maillage réduit. Ces méthodes permettent de démarrer une simulation numérique du soudage avec un modèle éléments finis, puis de poursuivre cette simulation par un modèle hyper-réduit. Cela évite d'avoir à réaliser de nombreuses études paramétriques et permet de traiter des simulations qui sont hors d'atteintes. Ce mémoire se termine par un chapitre traitant du cas de rechargement d'un tube, pour lequel EDF a mis en œuvre un essai instrumenté. / Multi-pass welding is used to recharge pipes with local sub-thickness. Numerical simulation facilitates the selection of many welding parameters. Reducing the order of models speeds up these choices. In this work, we were interested in cases where it is difficult to carry out the entire welding simulation due to time constraints or lack of calculation means. These computations are called out of reach simulations. However, the missing forecasts do not allow the implementation of a orthogonal decomposition method to extract a reduced basis of empirical modes from the data produced by numerical simulations. To overcome this difficulty, we propose either a directional model well adapted to welding, or a step of extrapolation of the simulation data by spatial shift of the already calculated forecasts. These two approaches are complementary to the hyper-reduction method, in which the balance equations are restricted to a reduced mesh size. These methods allow to start a numerical simulation of welding with a finite element model, then to continue this simulation with a hyper-reduced model. This avoids the need for numerous preliminary parametric studies and allows simulations that are out of reach. This manuscript ends with a chapter dealing with the case of reloading a tube, for which EDF has carried out an instrumented test.

La réduction d'ordre de modèles d'un problème de contact demeure un sujet de recherche important en mécanique numérique des solides.Nous proposons une extension de l'hyper-réduction avec domaine d'intégration réduit à la mécanique du contact sans frottement s'écrivant à l'aide d'une formulation mixte.Comme la zone de contact potentiel se limite au domaine réduit, nous faisons le choix de prendre comme base réduite pour la variable duale (représentative des forces de contact) la base du modèle d'ordre plein restreinte.Nous obtenons ainsi un modèle hyper-réduit hybride avec une approximation de la variable primale par des modes empiriques et de la variable duale par les fonctions de base des éléments finis. Si nécessaire, la condition inf-sup de ce modèle peut être forcée par une approximation hybride la variable primale. Cela mène à une stratégie hybride combinant un modèle d'ordre hyper-réduit et un modèle d'ordre plein permettant l'obtention d'une meilleure approximation de la solution sur la zone de contact.Un post-traitement permettant la reconstruction des multiplicateurs de Lagrange sur l'ensemble de la zone de contact est également introduit.De manière à optimiser la sélection des snapshots, un indicateur d'erreur simple et efficace est avancé pour être couplé à un algorithme glouton. / The model order reduction of mechanical problems involving contact remains an important issue in computational solid mechanics.An extension of the hyper-reduction method based on a reduced integration domain to frictionless contact problems written by a mixed formulation is proposed.As the potential contact zone is naturally reduced through the reduced domain, the dual reduced basis is chosen as the restriction of the dual full-order model basis.A hybrid hyper-reduced model combining empirical modes for primal variables with finite element approximation for dual variables is then obtained.If necessary, the inf-sup condition of this hybrid saddle point problem can be enforced by extending the hybrid approximation to the primal variables. This leads to a hybrid hyper-reduced/full-order model strategy. By this way, a better approximation on the potential contact zone is furthermore obtained.A post-treatment dedicated to the reconstruction of the contact forces on the whole domain is introduced.In order to optimize the snapshots selection, an efficient error indicator is coupled to a greedy sampling algorithm leading to a robust reduced-order model.