Le béton est le matériau de construction le plus utilisé depuis plus d’un siècle. Après sa mise en place et sa prise, il connaît diverses évolutions dimensionnelles d’origine physique comme le retrait et d’origine physique et mécanique comme le fluage. Le séchage qui accompagne le durcissement du béton conduit à d’importantes variations dimensionnelles, qui peuvent se manifester par des fissures préjudiciables à la durabilité et à la bonne tenue des ouvrages. La présente étude a pour objet de montrer l’application d’une approche non paramétrique dite « Réseaux de Neurones Artificiels » afin de prévoir efficacement les variations dimensionnelles spontanées et différés (Retrait de Dessiccation et Fluage de Dessiccation). L’utilisation de cette approche permet le développement de modèles pour leur prévision en utilisant un réseau multicouche à rétropropagation. Ils s’appuient également sur une grande base de données de résultats expérimentaux recueillis dans la littérature et sur un choix approprié des architectures et du processus d’apprentissage utilisés. Ces modèles prennent en compte les différents paramètres de conservation et de confection qui influent sur le retrait et le fluage du béton. Pour mieux apprécier la validité de ces modèles, nous les avons comparés avec d’autres existants dans la littérature tel que : B3, ACI 209, CEB et GL2000. De ces comparaisons, il ressort que ces modèles sont correctement adaptés pour décrire l’évolution dans le temps du retrait et du fluage. / Concrete is the material the most used in construction works for a century. After establishment and setting, various physical and mechanical dimensional developments. Occur drying is developing with hardening of concrete and leads to significant dimensional changes, that can induce cracking, pre judiciable at the durability of the civil engineering works. This study aims to demonstrate the application of a nonparametric approach called Artificial Neural Networks to provide effective spontaneous and differed dimensional variations (drying shrinkage and drying creep). Using this approach allows the development of predicting models. These models use a multi layer back propagation. They also rely on a very large database of experimental results obtained in the literature and an appropriate choice of architectures and learning process. These models take into account the different parameters of preservation and making that affect drying shrinkage and creep of concrete. To appreciate the validity of our models, we have compared with other existing models : B3, ACI 209, CEB and GL2000. In these comparisons, it appears that our models are correctly adapted to describe the time evolution of drying shrinkage and creep.

[...] Mes travaux portent sur les clusters structurant le réseau et l'innovation car 1) le cluster impacte collectivement plutôt qu’individuellement la sortie du réseau, 2) les couplages intra et inter-cluster représentent la structure même des clusters mais ils influencent différemment l'innovation ou la croissance du cluster, 3) un certain compromis reste à définir entre la structure dense et éparse des différents réseaux. Un cluster est de façon générale défini comme un groupe de choses similaires ou de personnes qui travaillent sur des sujets analogues. Selon le domaine auquel il s’applique, même si l’idée reste la même, la définition s’affine. En sciences des organisations, un cluster représente un regroupement d’entreprises et d’institutions qui interagissent entre-elles par le biais de contrats, d’opérations formelles ou informelles et de réunions occasionnelles afin de contribuer collectivement à un résultat innovant. [...] La thèse est structurée comme suit. Dans l'introduction générale, nous passons en revue la littérature des connaissances existantes qui sert de base pour le cadre conceptuel des documents. Nous définissons ensuite certains concepts utilisés dans les trois articles présentés tels que la structure de réseau complexe (utilisée dans le premier article), l'innovation et les liens de réseau (utilisés principalement dans le deuxième article), et la gestion des connaissances utilisées (dans le troisième article). Dans le premier article, nous discutons les différents mécanismes de formation de liens dictés par les réseaux dirigés permettant de distinguer la distribution des degrés. Dans le deuxième article, nous abordons l'impact de la dynamique de groupe sur l'innovation du groupe de projet OSS. Dans le troisième article, nous nous attachons à l'impact du transfert des connaissances à l'intérieur des groupes sur le transfert des connaissances entre les groupes. L'annexe A permettra de discuter la modélisation analytique de la croissance des réseaux sociaux en utilisant la projection de réseaux multicouches ; l'annexe B sera l’occasion de présenter statistiquement le lien entre les relations intragroupe et les relations intergroupe. / [...] However, there is a gap in the literature with regard to the analysis of cluster or group structure as an input and cluster or group innovation as an output, e.g. “impact of network cluster structure on cluster innovation and growth”, i.e. how intra- and inter-cluster coupling, structural holes and tie strength impact cluster innovation and growth; and how intra-cluster density affects inter-cluster coupling; that I address in my thesis.Therefore, I focus on the cluster (or group of individuals) rather than the individual to analyze both network structure and innovation, because 1) clusters represent collective impact on network output rather than individuals’ impact, 2) intra and inter cluster couplings both represent cluster structure but have different impacts on cluster innovation and growth, 3) trade-offs among dense and sparse network cluster structures are different from those associated with networks of individuals. [...] The thesis is structured as follows. In the general introduction, I review the literature of existing knowledge in the field, which serves as a basis for the conceptual framework for the papers. I then define certain concepts used in the papers, such as complex network structure used in the first paper, innovation and network ties mainly used in the second paper, and knowledge management used in the third paper. In the first paper I discuss directed networks’ different link formation mechanisms causing degree distribution distinction. In the second paper, I discuss the impact of group dynamics on OSS project group innovation. In the third paper, I discuss impact of knowledge transfer inside groups onto knowledge transfer between groups. In appendix A, I discuss analytical modeling of social network growth using multilayer network projection; and in appendix B, I discuss statistically how intragroup ties and intergroup ties are related.