This thesis aims at Multi-Objective Optimization under Uncertainty in structural design. We investigate Polynomial Chaos Expansion (PCE) surrogates which require extensive training sets. We then face two issues: high computational costs of an individual Finite Element simulation and its limited precision. From numerical point of view and in order to limit the computational expense of the PCE construction we particularly focus on sparse PCE schemes. We also develop a custom Latin Hypercube Sampling scheme taking into account the finite precision of the simulation. From the modeling point of view,we propose a multifidelity approach involving a hierarchy of models ranging from full scale simulations through reduced order physics up to response surfaces. Finally, we investigate multiobjective optimization of structures under uncertainty. We extend the PCE model of design objectives by taking into account the design variables. We illustrate our work with examples in sheet metal forming and optimal design of truss structures.

Cette thèse a pour objectif l"établissement de méthodes numériques pour l'optimisation multi-objectif de structures soumises à des facteurs incertains. Au cœur de ce travail, nous nous sommes focalisés sur l'adaptation du chaos polynomial pour l'évaluation non intrusive de la part de l'incertain. Pour atteindre l'objectif fixé, nous sommes confrontés à deux verrous : l'un concerne les coûts élevés de calcul d'une simulation unitaire par éléments finis, l'autre sa précision limitée. Afin de limiter la charge de calcul pour la construction du chaos polynomial, nous nous sommes concentrés sur la construction d'un chaos polynomial creux. Nous avons également développé un programme d’échantillonnage basé sur l’hypercube latin personnalisé prenant en compte la précision limitée de la simulation. Du point de vue de la modélisation nous avons proposé une approche multi-fidèle impliquant une hiérarchie de modèles allant des simulations par éléments finis complètes jusqu'aux surfaces de réponses en passant par la réduction de modèles basés sur la physique. Enfin, nous avons étudié l'optimisation multi-objectif de structures sous incertitudes. Nous avons étendu le modèle PCE des fonctions objectif à la prise en compte des variables déterministes de conception. Nous avons illustré notre travail sur des exemples d'emboutissage et sur la conception optimale des structures en treillis. / This thesis aims at Multi-Objective Optimization under Uncertainty in structural design. We investigate Polynomial Chaos Expansion (PCE) surrogates which require extensive training sets. We then face two issues: high computational costs of an individual Finite Element simulation and its limited precision. From numerical point of view and in order to limit the computational expense of the PCE construction we particularly focus on sparse PCE schemes. We also develop a custom Latin Hypercube Sampling scheme taking into account the finite precision of the simulation. From the modeling point of view,we propose a multifidelity approach involving a hierarchy of models ranging from full scale simulations through reduced order physics up to response surfaces. Finally, we investigate multiobjective optimization of structures under uncertainty. We extend the PCE model of design objectives by taking into account the design variables. We illustrate our work with examples in sheet metal forming and optimal design of truss structures.