Les travaux de cette thèse s'inscrivent dans le cadre du développement de méthodes d'identification inverse de paramètres matériau. On porte un intérêt particulier à la biomécanique des tissus souples renforcés par des fibres de collagène (artère, disque intervertébral, peau, tendon, ligament, etc.), dans le cadre de leurs réponses viscoélastiques et en grandes déformations et en grands déplacements (hyperélasticité). Fortement non-linéaires et anisotropes, les lois constitutives en biomécanique contiennent un nombre important de paramètres matériau. Le problème inverse qui permet de les identifier est de grande dimension et fortement non linéaire. En raison de difficultés numériques liées à sa résolution avec des méthodes à base de gradient, nous avons développé deux nouvelles méthodes d'identification inverse de paramètres nommées GAO (Genetic algorithms & Analytical Optimization) et MMIM (Maximum-Minimum Identification Method).La méthode GAO combine de manière avantageuse les méthodes déterministes de type gradient avec les algorithmes génétiques. Son originalité consiste à introduire des calculs analytiques pour la partie déterministe, ce qui permet d'accélérer et d'améliorer la convergence des algorithmes génétiques. Cette stratégie est appliquée dans le cadre de l'hyperélasticité anisotrope.En ce qui concerne la méthode MMIM, elle opère selon un critère d'identification basé sur la norme infinie et elle utilise les algorithmes génétiques. Elle permet d'identifier les paramètres de lois viscoélastiques quasi-linéaires. Elle garantit une réponse visqueuse constante qui est caractéristique des tissus souples qui sont insensibles à la vitesse de chargement.Les méthodes GAO et MMIM ont identifié avec succès des paramètres de tissus artériels et de tissus du disque intervertébral. Les propriétés de ces tissus sont décrits par ailleurs dans le mémoire dans un contexte plus général où on expose l'anatomie, l'histologie et le mécanisme de déformation aux différents niveaux hiérarchiques (nano-échelle à milli-échelle) d'un tissu souple renforcé par des fibres de collagène. Ceci permet de comprendre le rôle des efforts dans la relation liant la structure à la fonction en biologie.

Les travaux de cette thèse s'inscrivent dans le cadre du développement de méthodes d'identification inverse de paramètres matériau. On porte un intérêt particulier à la biomécanique des tissus souples renforcés par des fibres de collagène (artère, disque intervertébral, peau, tendon, ligament, etc.), dans le cadre de leurs réponses viscoélastiques et en grandes déformations et en grands déplacements (hyperélasticité). Fortement non-linéaires et anisotropes, les lois constitutives en biomécanique contiennent un nombre important de paramètres matériau. Le problème inverse qui permet de les identifier est de grande dimension et fortement non linéaire. En raison de difficultés numériques liées à sa résolution avec des méthodes à base de gradient, nous avons développé deux nouvelles méthodes d’identification inverse de paramètres nommées GAO (Genetic algorithms & Analytical Optimization) et MMIM (Maximum-Minimum Identification Method).La méthode GAO combine de manière avantageuse les méthodes déterministes de type gradient avec les algorithmes génétiques. Son originalité consiste à introduire des calculs analytiques pour la partie déterministe, ce qui permet d’accélérer et d’améliorer la convergence des algorithmes génétiques. Cette stratégie est appliquée dans le cadre de l’hyperélasticité anisotrope.En ce qui concerne la méthode MMIM, elle opère selon un critère d’identification basé sur la norme infinie et elle utilise les algorithmes génétiques. Elle permet d’identifier les paramètres de lois viscoélastiques quasi-linéaires. Elle garantit une réponse visqueuse constante qui est caractéristique des tissus souples qui sont insensibles à la vitesse de chargement.Les méthodes GAO et MMIM ont identifié avec succès des paramètres de tissus artériels et de tissus du disque intervertébral. Les propriétés de ces tissus sont décrits par ailleurs dans le mémoire dans un contexte plus général où on expose l'anatomie, l'histologie et le mécanisme de déformation aux différents niveaux hiérarchiques (nano-échelle à milli-échelle) d’un tissu souple renforcé par des fibres de collagène. Ceci permet de comprendre le rôle des efforts dans la relation liant la structure à la fonction en biologie. / This thesis focuses on research and development of inverse identification methods of material parameters. A particular attention is attributed to the viscoelastic response of collagen-reinforced soft tissues (artery, intervertebral disc, skin, tendon, ligament, etc) submitted to large displacements and large deformations (hyperelasticity). Highly non-linear and anisotropic, biomechanical constitutive laws account for a large number of material parameters. The inverse problem that allows their identification is of high non-linearity and of large dimension. By reason of numerical difficulties related to its resolution with gradient-based methods, we developed two new identification methods labelled GAO (Genetic algorithms & Analytical Optimization) and MMIM (Maximum-Minimum Identification Method).GAO advantageously combines deterministic methods of gradient type with genetic algorithms. Its originality consists in introducing analytical computations for the deterministic part leading to a gain in the speed up and in the convergence of genetic algorithms. This strategy is used in the context of anisotropic hyperelasticity.Regarding MMIM method, it operates according to an identification criterion that is expressed with the infinite norm and uses genetic algorithms. MMIM method identifies parameters of quasi-linear viscoelastic laws. It guarantees a constant viscous response that characterises the insensitivity of soft tissues to strain rate. GAO and MMIM methods successfully identified parameters of arterial wall and intervertebral disc tissues. The properties of these tissues are described in a more general context that exhibits the anatomy, histology and deformation mechanism at different hierarchical levels (nano-scale to milli-scale) of collagen-reinforced soft tissues. This gives understanding of the role of forces in relating structure to function in biology.