Dans l'état actuel des connaissances, il est impossible de poser correctement toute la physique permettant de modéliser les hydrosystèmes dans leur ensemble, notamment à cause de la dynamique très contrastée des différents compartiments. Les modèles systémiques simplifient la représentation des hydrosystèmes en ne considérant que leurs flux d’échange. L’objet de ce travail est de proposer un outil de modélisation systémique fournissant des informations sur le fonctionnement physique des hydrosystèmes, tout en étant simple et parcimonieux. Ce modèle nommé MASH (pour Modélisation des Hydrosystèmes par Approche Systémique) est basé sur l’utilisation de fonctions de transfert paramétriques choisies en fonction de leur faible paramétrisation, leur caractère général et leur interprétation physique. Il est versatile, dans le sens que son architecture est modulable et que le nombre d’entrées, le nombre de fonctions de transfert en série et le type de fonctions de transfert utilisé est laissée à la discrétion de l’utilisateur. Ce modèle est inversé en utilisant de récentes avancées en apprentissage automatique grâce à une famille d’heuristiques basée sur l’intelligence en essaim nommé « optimisation par essaim de particule » (ou PSO pour « Particle Swarm Optimization »). Le modèle et ses algorithmes d’inversion sont testés sur un cas d’école synthétique, puis sur un cas d’application réel. / In the light of current knowledge, hydrosystems cannot be modelled as a whole since underlying physical principles are not totally understood. Systemic models simplify hydrosystem representation by considering only water flows. The aim of this work is to provide a systemic modelling tool giving information about hydrosystem physical behavior while being simple and parsimonious. This model, called HMSA (for Hydrosystem Modelling with a Systemic Approach) is based on parametric transfer functions chose for their low parametrization, their general nature and their physical interpretation. It is versatile, since its architecture is modular, and the user can choose the number of inputs, outputs and transfer functions. Inversion is done with recent machine learning heuristic family, based on swarm intelligence called PSO (Particle Swarm Optimization). The model and its inversion algorithms are tested first with a textbook case, and then with a real-world case.

La conception de systèmes complexes, et plus particulièrement de micro-systèmes complexes embarqués, posent des problèmes tels que l'intégration des composants, la consommation d'énergie, la fiabilité, les délais de mise sur marché, ...La conception mécatronique apparait comme étant particulièrement adaptée à ces systèmes car elle intègre intimement simulations, expérimentations, interactions entre sous-systèmes et cycles de reconception à tous les niveaux. Le produit obtenu est plus optimisé, plus performant et les délais de mise sur le marché sont réduits.Cette thèse a permis de trouver des méthodes de caractérisation, d'identification de paramètres ainsi que d'optimisation de systèmes mécatroniques actifs par la constitution de modèles numériques, de bancs d'expériences numériques, physiques et hybrides. Le cadre est bien précis : c'est celui d'un actionneur piézoélectrique amplifié, de sa commande ainsi que de la constitution générale de la boucle fermée d'un système mécatronique l'intégrant, les conclusions étant généralisables.Au cours de cette thèse, ont été introduits, avec succès, différents concepts :- Le " Signal Libre ". Un nouveau signal de commande des actionneurs piézoélectriques, basé sur les splines, maximise la vitesse de déplacement de l'actionneur et minimise sa consommation énergétique.- Deux améliorations de l'algorithme d'optimisation par essais de particules. La première introduit un arrêt de l'algorithme par la mesure du rayon de l'essaim ; le rayon limite est défini par la limite de mesurabilité des paramètres à optimiser ("Radius") ; la seconde ajoute la possibilité pour l'essaim de se transférer à une meilleure position tout en gardant sa géométrie. Ceci permet d' accélérer la convergence ("BSG-Starcraft")- L'optimisation expérimentale. Le modèle numérique étant très incertain, il est remplacé directement par le système réel dans le processus d'optimisation. Les résultats sont de qualité supérieure à ceux obtenus à partir de la simulation numérique.

La conception de systèmes complexes, et plus particulièrement de micro-systèmes complexes embarqués, posent des problèmes tels que l'intégration des composants, la consommation d'énergie, la fiabilité, les délais de mise sur marché, ...La conception mécatronique apparait comme étant particulièrement adaptée à ces systèmes car elle intègre intimement simulations, expérimentations, interactions entre sous-systèmes et cycles de reconception à tous les niveaux. Le produit obtenu est plus optimisé, plus performant et les délais de mise sur le marché sont réduits.Cette thèse a permis de trouver des méthodes de caractérisation, d'identification de paramètres ainsi que d'optimisation de systèmes mécatroniques actifs par la constitution de modèles numériques, de bancs d'expériences numériques, physiques et hybrides. Le cadre est bien précis : c'est celui d'un actionneur piézoélectrique amplifié, de sa commande ainsi que de la constitution générale de la boucle fermée d'un système mécatronique l'intégrant, les conclusions étant généralisables.Au cours de cette thèse, ont été introduits, avec succès, différents concepts :– Le « Signal Libre ». Un nouveau signal de commande des actionneurs piézoélectriques, basé sur les splines, maximise la vitesse de déplacement de l'actionneur et minimise sa consommation énergétique.– Deux améliorations de l'algorithme d'optimisation par essais de particules. La première introduit un arrêt de l'algorithme par la mesure du rayon de l'essaim ; le rayon limite est défini par la limite de mesurabilité des paramètres à optimiser ("Radius") ; la seconde ajoute la possibilité pour l'essaim de se transférer à une meilleure position tout en gardant sa géométrie. Ceci permet d' accélérer la convergence ("BSG-Starcraft")– L'optimisation expérimentale. Le modèle numérique étant très incertain, il est remplacé directement par le système réel dans le processus d'optimisation. Les résultats sont de qualité supérieure à ceux obtenus à partir de la simulation numérique. / The design of complex systems, especially of embedded complex micro systems, causes problems such as component integration, power consumption, reliability, time-to-market ....Mechatronics design appears to be particularly suitable for these systems because it integrates closely simulations, experiments, interactions between subsystems and redesign cycles at all levels. The resulting product is more optimized, more efficient and time-to-market is reduced.This thesis led to methods of characterization and parameter identification but also to methods for optimizing active mechatronic systems through numerical model building and different bench types, i.e. digital, physical, and hybrid. The framework is specifically that of an amplified piezoelectric actuator, its control as well as the general constitution of the closed loop of the related mechatronic system. The conclusions are generalizable.In this thesis, different concepts have been successfully introduced: - The "Free Signal". A new control signal of the piezoelectric actuator, based on splines, maximizes the speed of the actuator movement and minimizes the energy consumption. - Two improvements of the particle swarm optimization algorithm. The first one introduces a stopping criteria by measuring the swarm radius; the limit radius is defined by the measurability limit of the parameters to be optimized (“Radius”). The second one adds a swarm ability: it can jump to a better location keeping its geometry. This allows a faster convergence rate (“BSG-Starcraft”). - The experimental optimization. The numerical model being very uncertain, it is directly replaced by the real system in the optimization process. This leads to better results than those obtained using numerical simulation.