{"id":1286,"date":"2026-08-21T14:31:24","date_gmt":"2026-08-21T14:31:24","guid":{"rendered":"https:\/\/matforge.org\/?p=1286","raw":"https:\/\/matforge.org\/?p=1286"},"modified":"2026-08-21T14:31:24","modified_gmt":"2026-08-21T14:31:24","slug":"model-calibration-techniques-computational-materials-science","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/","title":{"rendered":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques","raw":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 13<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li><strong>Model Calibration<\/strong> d\u00e9termine des param\u00e8tres inconnus afin qu&rsquo;une simulation produit des pr\u00e9dictions correspondant aux observations exp\u00e9rimentales<\/li>\n<li>Quatre familles de m\u00e9thodologies dominent le domaine&nbsp;: inf\u00e9rence bay\u00e9sienne, optimisation bas\u00e9e sur les associations, mod\u00e9lisation de substitution et moindres carr\u00e9s traditionnels &#8211; chacune avec des compromis distincts en termes de co\u00fbt de calcul, de dimensionnalit\u00e9 des param\u00e8tres et de quantification de l&rsquo;incertitude.<\/li>\n<li><strong>Analyse d&rsquo;identification<\/strong> est une \u00e9tape de pr\u00e9-\u00e9talonnage obligatoire. Les param\u00e8tres qui ne peuvent \u00eatre contraints par les donn\u00e9es exp\u00e9rimentales disponibles doivent \u00eatre fix\u00e9s \u00e0 partir de mesures ind\u00e9pendantes ou de litt\u00e9rature<\/li>\n<li>Un flux de travail en deux \u00e9tapes (constantes de masse en premier, puis fracture\/dissipation) r\u00e9duit consid\u00e9rablement le risque de surajustement et la dimension des param\u00e8tres efficaces<\/li>\n<li>L&rsquo;\u00e9cosyst\u00e8me Python (FIPY, PYMC, Scikit-Learn, Sympy) fournit un pipeline d&rsquo;\u00e9talonnage complet de la simulation vers l&rsquo;avant \u00e0 l&rsquo;extraction post\u00e9rieure<\/li>\n<\/ul>\n<hr>\n<h2>Qu&rsquo;est-ce que l&rsquo;\u00e9talonnage du mod\u00e8le et en quoi diff\u00e8re-t-il de la quantification de l&rsquo;incertitude&nbsp;?<\/h2>\n<p>L&rsquo;\u00e9talonnage du mod\u00e8le est le processus d&rsquo;ajustement des param\u00e8tres d&rsquo;un mod\u00e8le de calcul afin que ses pr\u00e9dictions correspondent \u00e0 un ensemble d&rsquo;observations de r\u00e9f\u00e9rence. Dans la science des mat\u00e9riaux informatiques, ces param\u00e8tres peuvent \u00eatre des coefficients de diffusion, une \u00e9nergie interfaciale, des constantes de mobilit\u00e9, une \u00e9nergie de fracture, des constantes \u00e9lastiques ou une viscosit\u00e9. Ils ne peuvent pas tous \u00eatre d\u00e9riv\u00e9s des premiers principes et doivent \u00eatre d\u00e9termin\u00e9s par rapport aux donn\u00e9es exp\u00e9rimentales.<\/p>\n<p>L&rsquo;\u00e9talonnage se trouve dans le cadre de v\u00e9rification, de validation et de quantification de l&rsquo;incertitude (VVUQ). Les trois \u00e9tapes ont des objectifs distincts :<\/p>\n<ol>\n<li><strong>V\u00e9rification<\/strong> \u2014 Les \u00e9quations sont-elles impl\u00e9ment\u00e9es et r\u00e9solues correctement&nbsp;?<\/li>\n<li><strong>Validation<\/strong> \u2014 Le mod\u00e8le repr\u00e9sente-t-il le syst\u00e8me r\u00e9el de mani\u00e8re ad\u00e9quate pour son utilisation pr\u00e9vue&nbsp;?<\/li>\n<li><strong>Quantification de l&rsquo;incertitude<\/strong> \u2014 Comment les intrants incertains affectent-ils les pr\u00e9visions&nbsp;?<\/li>\n<\/ol>\n<p>L&rsquo;\u00e9talonnage produit un jeu de param\u00e8tres. La quantification de l&rsquo;incertitude propage les barres d&rsquo;erreur \u00e0 travers ces param\u00e8tres. La validation compare le mod\u00e8le final \u00e0 un ensemble de donn\u00e9es ind\u00e9pendant. La confusion entre l&rsquo;\u00e9talonnage et la validation est une erreur courante&nbsp;: l&rsquo;\u00e9talonnage ajuste les param\u00e8tres d&rsquo;un ensemble de donn\u00e9es, tandis que la validation teste le mod\u00e8le calibr\u00e9 par rapport \u00e0 un autre ensemble de donn\u00e9es qui n&rsquo;a pas \u00e9t\u00e9 utilis\u00e9 pour le r\u00e9glage.<\/p>\n<p>Le <a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">Guide de v\u00e9rification et de validation sur Matforge<\/a> explique le processus de cr\u00e9dibilit\u00e9 plus large. L&rsquo;article <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Quantification de l&rsquo;incertitude et analyse de sensibilit\u00e9<\/a> explique comment propager l&rsquo;incertitude \u00e0 partir des param\u00e8tres calibr\u00e9s vers les pr\u00e9dictions.<\/p>\n<hr>\n<h2>Le probl\u00e8me d&rsquo;\u00e9talonnage dans la science des mat\u00e9riaux informatiques<\/h2>\n<p>Les mod\u00e8les de champ de phase, les mod\u00e8les d&rsquo;\u00e9lasticit\u00e9 de d\u00e9formation finie, les mod\u00e8les de d\u00e9composition spinodal et les mod\u00e8les de dislocation discr\u00e8te contiennent tous des param\u00e8tres qui ne peuvent \u00eatre d\u00e9riv\u00e9s uniquement de la th\u00e9orie. Ces mod\u00e8les d\u00e9crivent l&rsquo;\u00e9volution de la microstructure, la propagation des fractures, la s\u00e9paration de phase et le mouvement des d\u00e9fauts. Ils n\u00e9cessitent des entr\u00e9es telles que :<\/p>\n<ul>\n<li><strong>coefficients de diffusion<\/strong> \u2014 r\u00e9gissent les taux de transport de masse<\/li>\n<li><strong>\u00c9nergie interfaciale<\/strong> \u2014 contr\u00f4le la rigidit\u00e9 limite de phase<\/li>\n<li><strong>Constantes de mobilit\u00e9<\/strong> \u2014 D\u00e9terminez la rapidit\u00e9 avec laquelle les interfaces se d\u00e9placent<\/li>\n<li><strong>Taux de lib\u00e9ration d&rsquo;\u00e9nergie critique (GC)<\/strong> \u2014 Fixe le seuil d&rsquo;\u00e9nergie de fracture<\/li>\n<li><strong>Constantes \u00e9lastiques<\/strong> \u2014 D\u00e9finir la r\u00e9ponse contrainte-d\u00e9formation<\/li>\n<li><strong>Viscosit\u00e9 des dommages<\/strong> \u2014 Contr\u00f4le la dissipation lors de la propagation des fissures<\/li>\n<\/ul>\n<p>Ces param\u00e8tres sont g\u00e9n\u00e9ralement identifi\u00e9s par des probl\u00e8mes inverses&nbsp;: vous observez la sortie (courbes de d\u00e9placement charge-d\u00e9placement, champs de d\u00e9formation, fractions de phase, tailles de grains) et d\u00e9duisez les param\u00e8tres qui l&rsquo;ont produit. La nature inverse du probl\u00e8me signifie qu&rsquo;il est souvent mal pos\u00e9 &#8211; plusieurs jeux de param\u00e8tres peuvent produire des sorties similaires, en particulier lorsque les donn\u00e9es exp\u00e9rimentales sont rares ou bruyantes.<\/p>\n<hr>\n<h2>Quatre familles de m\u00e9thodologie<\/h2>\n<p>Les approches d&rsquo;\u00e9talonnage modernes se r\u00e9partissent en quatre familles distinctes. Chacun a des forces et des limites diff\u00e9rentes en fonction du co\u00fbt du mod\u00e8le, de la dimensionnalit\u00e9 des param\u00e8tres et si la quantification de l&rsquo;incertitude est requise.<\/p>\n<h3>1. Inf\u00e9rence bay\u00e9sienne avec MCMC<\/h3>\n<p>L&rsquo;\u00e9talonnage bay\u00e9sien traite les param\u00e8tres comme des variables al\u00e9atoires avec des distributions de probabilit\u00e9 plut\u00f4t que comme des valeurs fixes. Le workflow se compose de quatre \u00e9tapes :<\/p>\n<ol>\n<li><strong>D\u00e9finir les a priori<\/strong> \u2014 Attribuer des distributions de probabilit\u00e9 \u00e0 chaque param\u00e8tre en fonction des connaissances ant\u00e9rieures ou des plages exp\u00e9rimentales<\/li>\n<li><strong>Construire une vraisemblance<\/strong> \u2014 Quantifier la fa\u00e7on dont les pr\u00e9dictions du mod\u00e8le correspondent aux observations compte tenu d&rsquo;un jeu de param\u00e8tres<\/li>\n<li><strong>\u00c9chantillonner le post\u00e9rieur<\/strong> \u2014 Utilisez MCMC (Metropolis-Hastings, Nuts ou Hamiltonian Monte Carlo) pour pr\u00e9lever des \u00e9chantillons de la distribution post\u00e9rieure<\/li>\n<li><strong>Statistiques post\u00e9rieures d&rsquo;extrait<\/strong> \u2014 Calculez les distributions marginales, les intervalles cr\u00e9dibles et les corr\u00e9lations<\/li>\n<\/ol>\n<p>Cette approche est la fronti\u00e8re actuelle de la recherche pour la science des mat\u00e9riaux informatiques. Des \u00e9tudes r\u00e9centes de Schmid et al. (2025) et \u0160odan et al. (2025) utilisent un \u00e9talonnage bay\u00e9sien bas\u00e9 sur les substitutions pour produire des distributions post\u00e9rieures compl\u00e8tes pour les constantes \u00e9lastiques, l&rsquo;\u00e9nergie de rupture et les param\u00e8tres de dommages.<\/p>\n<p>La principale limitation est le co\u00fbt de calcul. Le MCMC traditionnel n\u00e9cessite des milliers de simulations avanc\u00e9es, ce qui n&rsquo;est pas pratique pour les mod\u00e8les de champ de phase co\u00fbteux. C&rsquo;est pourquoi la mod\u00e9lisation de substitution (voir la section 3) est devenue presque obligatoire pour l&rsquo;\u00e9talonnage bay\u00e9sien des solveurs de champs de phase.<\/p>\n<p><strong>Mises \u00e0 jour sans \u00e9chantillonnage<\/strong> fournissent un point d&rsquo;entr\u00e9e pratique. Wu et al. (2021) ont introduit des mises \u00e0 jour lin\u00e9aires bay\u00e9siennes sans \u00e9chantillonnage pour l&rsquo;\u00e9talonnage des fractures en champ de phase. Au lieu d&rsquo;ex\u00e9cuter des milliers d&rsquo;it\u00e9rations MCMC, cette m\u00e9thode calcule l&rsquo;attente conditionnelle des param\u00e8tres donn\u00e9s directement par les donn\u00e9es exp\u00e9rimentales. Il produit des estimations post\u00e9rieures de forme ferm\u00e9e sans \u00e9chantillonnage, ce qui \u00e9vite le co\u00fbt de calcul massif du MCMC. Pour les chercheurs sans infrastructure de GPU ou calcul parall\u00e8le, les m\u00e9thodes sans \u00e9chantillonnage sont nettement plus simples \u00e0 mettre en \u0153uvre et fournissent toujours des distributions post\u00e9rieures quantifi\u00e9es.<\/p>\n<h3>2. Optimisation adjointe<\/h3>\n<p>Les m\u00e9thodes adjointes r\u00e9solvent le probl\u00e8me d&rsquo;\u00e9talonnage en tant que probl\u00e8me d&rsquo;optimisation \u00e0 contrainte PDE. Au lieu d&rsquo;ex\u00e9cuter \u00e0 plusieurs reprises les simulations, la m\u00e9thode calcule les gradients de la fonction objectif par rapport \u00e0 tous les param\u00e8tres \u00e0 l&rsquo;aide d&rsquo;une seule simulation en arri\u00e8re, quel que soit le nombre de param\u00e8tres.<\/p>\n<p>Matsuura (2021) a d\u00e9montr\u00e9 une estimation simultan\u00e9e de six param\u00e8tres dans un mod\u00e8le de d\u00e9composition spinodale en champ de phase \u00e0 l&rsquo;aide d&rsquo;une approche bas\u00e9e sur l&rsquo;adjoint. Le calcul du gradient ne n\u00e9cessite qu&rsquo;une seule simulation avant et une simulation en arri\u00e8re, contrairement aux approches de diff\u00e9rences finies, qui n\u00e9cessitent des simulations N+1 pour n param\u00e8tres. Cela fait des m\u00e9thodes adjointes le choix naturel pour l&rsquo;\u00e9talonnage multi-param\u00e8tres dans les grands mod\u00e8les de champ de phase.<\/p>\n<p>Le workflow suit ces \u00e9tapes :<\/p>\n<ol>\n<li><strong>D\u00e9finir la fonction objectif<\/strong> \u2014 Mesurer la non-concordance entre la sortie de simulation et les donn\u00e9es exp\u00e9rimentales<\/li>\n<li><strong>R\u00e9soudre le probl\u00e8me d&rsquo;avancement<\/strong> \u2014 Ex\u00e9cutez la simulation en champ de phase<\/li>\n<li><strong>R\u00e9soudre le probl\u00e8me adjoint<\/strong> \u2014 Propager le gradient de fonction objectif \u00e0 l&rsquo;arri\u00e8re \u00e0 travers le mod\u00e8le<\/li>\n<li><strong>Param\u00e8tres de mise \u00e0 jour<\/strong> \u2014 Utilisez le gradient adjoint dans un optimiseur bas\u00e9 sur le gradient (L-BFGS, gradient conjugu\u00e9)<\/li>\n<\/ol>\n<p>Les m\u00e9thodes annexes \u00e9voluent efficacement avec le nombre de param\u00e8tres, mais n\u00e9cessitent des d\u00e9riv\u00e9s analytiques ou des solveurs adjoints. Cela signifie que vous devez acc\u00e9der au code du solveur ou \u00e0 un cadre de diff\u00e9renciation automatique compatible. Ils produisent des estimations ponctuelles plut\u00f4t que des distributions post\u00e9rieures compl\u00e8tes, de sorte que la quantification de l&rsquo;incertitude n\u00e9cessite des \u00e9tapes suppl\u00e9mentaires telles que le bootstrapping ou la lin\u00e9arisation autour de l&rsquo;optimum.<\/p>\n<h3>3. Mod\u00e9lisation de substitution pour les simulations co\u00fbteuses<\/h3>\n<p>Lorsqu&rsquo;une simple simulation de champ de phase prend des heures ou des jours, l&rsquo;\u00e9talonnage direct devient impraticable. Les mod\u00e8les de substitution se rapprochent du simulateur co\u00fbteux et servent de remplacements bon march\u00e9 pendant la boucle d&rsquo;\u00e9talonnage.<\/p>\n<p>Trois familles de substitution dominent l&rsquo;\u00e9talonnage de la science des mat\u00e9riaux :<\/p>\n<p><strong>\u00c9mulateurs de processus gaussiens (GPE)<\/strong> \u2014 Id\u00e9al pour les dimensions des param\u00e8tres faibles \u00e0 mod\u00e9r\u00e9s (g\u00e9n\u00e9ralement \u2264&nbsp;10). Les GPE fournissent des estimations d&rsquo;incertitude native, ce qui signifie que vous obtenez \u00e0 la fois une r\u00e9ponse pr\u00e9dite et un intervalle de confiance pour chaque \u00e9valuation de substitution. Ils fonctionnent mieux lorsque la r\u00e9ponse du mod\u00e8le est fluide et que l&rsquo;espace des param\u00e8tres est relativement faible.<\/p>\n<p><strong>Extensions polynomiales du chaos (PCE)<\/strong> &#8211; efficace pour des r\u00e9ponses fluides, en particulier avec une r\u00e9gression clairsem\u00e9e. Schmid et al. (2025) ont utilis\u00e9 un PCE clairsem\u00e9 du troisi\u00e8me ordre pour l&rsquo;\u00e9talonnage en trois param\u00e8tres de l&rsquo;\u00e9nergie de rupture, des constantes \u00e9lastiques et la viscosit\u00e9 des dommages. Le PCE peut \u00eatre \u00e9quip\u00e9 de relativement peu de points de simulation (20-50), puis \u00e9valu\u00e9 \u00e0 un co\u00fbt proche de z\u00e9ro pendant la boucle d&rsquo;\u00e9talonnage.<\/p>\n<p><strong>Pinns et substituts du r\u00e9seau de neurones<\/strong> &#8211; \u00e9mergeant comme des alternatives sans maillage pour les probl\u00e8mes inverses avec des donn\u00e9es clairsem\u00e9es. Le <a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">Pinns Guide sur Matforge<\/a> couvre leur architecture et leur formation. Les PINN traitent des param\u00e8tres inconnus comme des variables formables et peuvent les d\u00e9couvrir \u00e0 partir d&rsquo;observations de limites clairsem\u00e9es, en contournant enti\u00e8rement les simulations avanc\u00e9es co\u00fbteuses.<\/p>\n<p>L&rsquo;\u00e9talonnage de substitution introduit une nouvelle source d&rsquo;incertitude&nbsp;: l&rsquo;erreur d&rsquo;approximation de la m\u00e8re porteuse elle-m\u00eame. Un substitut qui correspond bien aux donn\u00e9es d&rsquo;entra\u00eenement peut tr\u00e8s mal extrapoler. La validation par des points de simulation ind\u00e9pendants est essentielle.<\/p>\n<h3>4. M\u00e9thodes traditionnelles des moindres carr\u00e9s et des gradients<\/h3>\n<p>L&rsquo;optimisation des moindres carr\u00e9s reste l&rsquo;approche dominante dans la pratique industrielle et les mod\u00e8les acad\u00e9miques plus simples. Le workflow minimise une fonction de d\u00e9sajustement au carr\u00e9 :<\/p>\n<p>$$min_{theta} sum_{i=1}^{n} frac{(y_{text{sim}}(theta)<em>i &#8211; y<\/em>{text{exp}}_i)<sup>2}{sigma_i<\/sup>2}$$<\/p>\n<p>O\u00f9 \u03b8 sont les param\u00e8tres, y_sim est la sortie de simulation, y_exp est les donn\u00e9es exp\u00e9rimentales et \u03c3_i repr\u00e9sente l&rsquo;incertitude de mesure.<\/p>\n<p>Cette approche a de v\u00e9ritables atouts :<\/p>\n<ul>\n<li>Simple \u00e0 mettre en \u0153uvre (scipy.optimize, lsqnonneg)<\/li>\n<li>Convergence rapide pour les probl\u00e8mes convexes<\/li>\n<li>Th\u00e9orie de convergence bien comprise<\/li>\n<\/ul>\n<p>Mais il a \u00e9galement des limitations claires :<\/p>\n<ul>\n<li>Aucune quantification d&rsquo;incertitude sur les param\u00e8tres<\/li>\n<li>Sujet \u00e0 des minima locaux dans les probl\u00e8mes non convexes<\/li>\n<li>D\u00e9gradation avec augmentation du nombre de param\u00e8tres<\/li>\n<\/ul>\n<p>Les m\u00e9thodes bas\u00e9es sur le gradient (descente de gradient, L-BFG) s&rsquo;am\u00e9liorent sur les moindres carr\u00e9s de base en utilisant des d\u00e9riv\u00e9s pour acc\u00e9l\u00e9rer la convergence. Mais ils produisent toujours des estimations ponctuelles, et non des distributions, et n\u00e9cessitent un choix attentif d&rsquo;initialisation pour \u00e9viter les faibles minima locaux.<\/p>\n<hr>\n<h2>Cadre de d\u00e9cision&nbsp;: quand utiliser chaque m\u00e9thode<\/h2>\n<p>Le tableau ci-dessous r\u00e9sume quand chaque m\u00e9thode d&rsquo;\u00e9talonnage est la plus appropri\u00e9e. Utilisez-le comme une r\u00e9f\u00e9rence rapide avant de vous engager dans une campagne de calcul.<\/p>\n<table>\n<thead>\n<tr>\n<th>Mod\u00e8le caract\u00e9ristique<\/th>\n<th>Point de d\u00e9part recommand\u00e9<\/th>\n<th>Attention principale<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Peu de param\u00e8tres (\u2264 4), r\u00e9ponse fluide, co\u00fbt de simulation mod\u00e9r\u00e9<\/td>\n<td>Optimisation des moindres carr\u00e9s ou des annexes<\/td>\n<td>Estimations ponctuelles uniquement&nbsp;; Valider par rapport aux gammes de litt\u00e9rature<\/td>\n<\/tr>\n<tr>\n<td>5 \u00e0 15 param\u00e8tres, quantification des besoins, acc\u00e9l\u00e9r\u00e9 par GPU<\/td>\n<td>Bay\u00e9sien bas\u00e9 sur les substituts avec PCE ou GPE<\/td>\n<td>Valider le substitut de mani\u00e8re ind\u00e9pendante; V\u00e9rifiez le comportement d&rsquo;extrapolation<\/td>\n<\/tr>\n<tr>\n<td>&gt; 15 param\u00e8tres, co\u00fbt de calcul \u00e9lev\u00e9<\/td>\n<td>Optimisation bas\u00e9e sur les associations ou PINN<\/td>\n<td>N\u00e9cessite un acc\u00e8s au code du solveur ou un support de diff\u00e9renciation automatique<\/td>\n<\/tr>\n<tr>\n<td>Un simulateur co\u00fbteux, un espace de param\u00e8tres de faible dimension, a besoin de post\u00e9rieurs complets<\/td>\n<td>\u00c9mulateur de processus gaussien avec MCMC<\/td>\n<td>Le GPE \u00e9volue mal au-del\u00e0 de ~ 20 param\u00e8tres<\/td>\n<\/tr>\n<tr>\n<td>Donn\u00e9es clairsem\u00e9es, probl\u00e8me inverse avec des conditions aux limites uniquement<\/td>\n<td>Mise \u00e0 jour bay\u00e9sienne sans \u00e9chantillonnage ou sans \u00e9chantillonnage<\/td>\n<td>Les PINN n\u00e9cessitent un \u00e9quilibre minutieux des pertes ; Les m\u00e9thodes sans \u00e9chantillonnage supposent une r\u00e9ponse lin\u00e9aire<\/td>\n<\/tr>\n<tr>\n<td>R\u00e9glage industriel, d\u00e9lai d&rsquo;ex\u00e9cution rapide n\u00e9cessaire, aucune exigence d&rsquo;UQ<\/td>\n<td>Optimisation bas\u00e9e sur le gradient avec initialisation fixe<\/td>\n<td>Toujours valider par rapport \u00e0 un ensemble de donn\u00e9es ind\u00e9pendant<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<hr>\n<h2>Analyse d&rsquo;identification : la pr\u00e9-\u00e9tape obligatoire<\/h2>\n<p>L&rsquo;une des le\u00e7ons les plus importantes des \u00e9tudes d&rsquo;\u00e9talonnage r\u00e9centes est que <strong>tous les param\u00e8tres ne sont pas identifiables \u00e0 chaque exp\u00e9rience<\/strong>. L&rsquo;analyse d&rsquo;identification d\u00e9termine les param\u00e8tres qui peuvent \u00eatre limit\u00e9s par vos donn\u00e9es disponibles avant de commencer l&rsquo;\u00e9talonnage.<\/p>\n<p>Schmid et al. (2025) Param\u00e8tres de rupture calibr\u00e9s pour les mat\u00e9riaux granulaires li\u00e9s par rapport aux donn\u00e9es de force-d\u00e9placement. Leur analyse a r\u00e9v\u00e9l\u00e9 que le taux de lib\u00e9ration d&rsquo;\u00e9nergie critique (GC) \u00e9tait <strong>non identifiable<\/strong> \u00e0 partir des quantit\u00e9s disponibles. Seuls le module de Young et la viscosit\u00e9 des dommages ont \u00e9t\u00e9 limit\u00e9s par les donn\u00e9es. L&rsquo;\u00e9tude a recommand\u00e9 explicitement de fixer des param\u00e8tres non identifiables \u00e0 partir de la litt\u00e9rature ou d&rsquo;un autre type d&rsquo;exp\u00e9rience.<\/p>\n<p>Il s&rsquo;agit d&rsquo;une le\u00e7on pratique essentielle&nbsp;: si un param\u00e8tre n&rsquo;est pas identifiable, vous ne devez pas essayer de le calibrer \u00e0 partir du jeu de donn\u00e9es actuel. Au lieu de cela, fixez-le \u00e0 partir de mesures ind\u00e9pendantes telles que des champs de d\u00e9formation DIC, des vitesses d&rsquo;onde ultrasonore ou des tests d&rsquo;indentation.<\/p>\n<p>L&rsquo;identifiabilit\u00e9 peut \u00eatre \u00e9valu\u00e9e par :<\/p>\n<ul>\n<li><strong>Identification locale<\/strong> \u2014 Examinez si le Jacobien de la sortie du mod\u00e8le par rapport aux param\u00e8tres est le rang complet au point de r\u00e9f\u00e9rence<\/li>\n<li><strong>Identification globale<\/strong> \u2014 V\u00e9rifiez que les valeurs de param\u00e8tres distinctes produisent des r\u00e9sultats distincts (souvent n\u00e9cessitent une analyse bay\u00e9sienne ou des probabilit\u00e9s de profil)<\/li>\n<li><strong>V\u00e9rifications pr\u00e9dictives pr\u00e9alables<\/strong> \u2014 Simulez les plages de donn\u00e9es exp\u00e9rimentales et compar\u00e9es \u00e0 celles des donn\u00e9es exp\u00e9rimentales.<\/li>\n<\/ul>\n<p>Sauter l&rsquo;analyse d&rsquo;identifiabilit\u00e9 est un mode de d\u00e9faillance courant. De nombreux \u00e9talonnages publi\u00e9s rapportent des distributions post\u00e9rieures pour des param\u00e8tres qui n&rsquo;ont jamais \u00e9t\u00e9 r\u00e9ellement contraints par les donn\u00e9es exp\u00e9rimentales. Ces distributions sont math\u00e9matiquement valides mais scientifiquement non informatives &#8211; elles refl\u00e8tent les donn\u00e9es ant\u00e9rieures et non les donn\u00e9es.<\/p>\n<hr>\n<h2>Un workflow pratique d&rsquo;\u00e9talonnage en deux \u00e9tapes<\/h2>\n<p>Toutes les principales \u00e9tudes d&rsquo;\u00e9talonnage suivent une proc\u00e9dure en deux \u00e9tapes. Ce flux de travail emp\u00eache le surajustement et r\u00e9duit la dimension effective du probl\u00e8me d&rsquo;\u00e9talonnage.<\/p>\n<h3>\u00c9tape&nbsp;1&nbsp;: Constantes \u00e9lastiques et en masse<\/h3>\n<p>Estimer les propri\u00e9t\u00e9s des mat\u00e9riaux en vrac \u00e0 partir de mesures directes ind\u00e9pendantes :<\/p>\n<ul>\n<li><strong>Module de Young et ratio de Poisson<\/strong> \u2014 \u00e0 partir des vitesses d&rsquo;ondes ultrasonores ou des tests de traction<\/li>\n<li><strong>Coefficients de diffusion<\/strong> \u2014 \u00e0 partir des mesures de s\u00e9gr\u00e9gation des joints de grains<\/li>\n<li><strong>\u00c9nergie interfaciale<\/strong> \u2014 \u00e0 partir de calculs d&rsquo;\u00e9quilibre de phase (CALPHAD) ou de mesure directe<\/li>\n<\/ul>\n<p>Ces param\u00e8tres contr\u00f4lent la r\u00e9ponse m\u00e9canique globale et sont g\u00e9n\u00e9ralement bien contraints par des mesures exp\u00e9rimentales directes. Leur calibrage fixe d&rsquo;abord le comportement m\u00e9canique de base et isole les param\u00e8tres de rupture\/dissipation plus difficiles \u00e0 l&rsquo;\u00e9tape 2.<\/p>\n<h3>\u00c9tape 2 : Param\u00e8tres de fracture et de dissipation<\/h3>\n<p>Calibrer les param\u00e8tres li\u00e9s \u00e0 la rupture par rapport aux donn\u00e9es de r\u00e9ponse m\u00e9canique&nbsp;:<\/p>\n<ul>\n<li><strong>Taux de lib\u00e9ration d&rsquo;\u00e9nergie critique (GC)<\/strong> \u2014 \u00e0 partir des courbes de charge-d\u00e9placement dans les essais de fracture (flexion \u00e0 3 points, fracture de traction)<\/li>\n<li><strong>Viscosit\u00e9 des dommages<\/strong> \u2014 de la sensibilit\u00e9 \u00e0 la vitesse de d\u00e9formation et de l&rsquo;analyse de dissipation<\/li>\n<li><strong>Mobilit\u00e9 de la fracture<\/strong> \u2014 \u00e0 partir des mesures de vitesse de propagation des fissures<\/li>\n<\/ul>\n<p>Cette \u00e9tape fonctionne avec un jeu de param\u00e8tres r\u00e9duit (g\u00e9n\u00e9ralement 2-4 param\u00e8tres) car l&rsquo;\u00e9tape 1 a fix\u00e9 les constantes de masse. L&rsquo;approche en deux \u00e9tapes r\u00e9duit consid\u00e9rablement le risque de surajustement et rend le probl\u00e8me d&rsquo;\u00e9talonnage num\u00e9riquement traitable.<\/p>\n<hr>\n<h2>Applications de science des mat\u00e9riaux avec des param\u00e8tres r\u00e9els<\/h2>\n<h3>M\u00e9canique des fractures : \u00e9talonnage des fractures en champ<\/h3>\n<p>Le Wu et al. (2021) ont \u00e9talonn\u00e9 un mod\u00e8le de fracture en champ de phase avec des tests de flexion \u00e0 trois points sur un mortier de ciment. Les param\u00e8tres inclus :<\/p>\n<ul>\n<li>Constantes \u00e9lastiques (module de Young, ratio de Poisson) \u00e0 partir des mesures ultrasonores<\/li>\n<li>Fracture Energy GC \u00e0 partir des courbes charge-d\u00e9placement<\/li>\n<li>Interface mobility from crack velocity observations<\/li>\n<li>Viscosit\u00e9 des dommages caus\u00e9e par l&rsquo;analyse de dissipation<\/li>\n<\/ul>\n<p>L&rsquo;\u00e9talonnage bay\u00e9sien a produit des distributions post\u00e9rieures avec des intervalles de 95&nbsp;% cr\u00e9dibles. La mise \u00e0 jour sans \u00e9chantillonnage a \u00e9vit\u00e9 des milliers de simulations \u00e0 terme, produisant des estimations post\u00e9rieures en forme ferm\u00e9e en heures au lieu de semaines.<\/p>\n<h3>D\u00e9composition spinodale : estimation multi-param\u00e8tres<\/h3>\n<p>Matsuura (2021) a estim\u00e9 six param\u00e8tres simultan\u00e9ment dans un mod\u00e8le de d\u00e9composition spinodale \u00e0 champ de phase \u00e0 l&rsquo;aide d&rsquo;une m\u00e9thode bas\u00e9e sur l&rsquo;annexe. Param\u00e8tres inclus :<\/p>\n<ul>\n<li>Diffusivit\u00e9 chimique<\/li>\n<li>Coefficients d&rsquo;\u00e9nergie de gradient<\/li>\n<li>Mobilit\u00e9 d&rsquo;interface<\/li>\n<li>Taux de r\u00e9action d\u00e9pendant de la temp\u00e9rature<\/li>\n<li>Perturbations de composition initiale<\/li>\n<li>Constantes de couplage d&rsquo;\u00e9nergie de contrainte<\/li>\n<\/ul>\n<p>La m\u00e9thode Adjoint a r\u00e9solu les six param\u00e8tres d&rsquo;une seule boucle d&rsquo;optimisation avec une simulation avant et une simulation vers l&rsquo;arri\u00e8re par it\u00e9ration &#8211; beaucoup plus efficaces que les approches \u00e0 diff\u00e9rence finie qui n\u00e9cessiteraient sept simulations par it\u00e9ration.<\/p>\n<h3>Mat\u00e9riaux \u00e9lastoplastiques : sp\u00e9cimens non standard<\/h3>\n<p>\u0160odan et al. (2025) Param\u00e8tres \u00e9lastoplastiques calibr\u00e9s \u00e0 partir d&rsquo;\u00e9chantillons en aluminium non standard. L&rsquo;\u00e9tude a d\u00e9montr\u00e9 que l&rsquo;identification des param\u00e8tres bay\u00e9siens fonctionne bien m\u00eame avec des g\u00e9om\u00e9tries complexes et des donn\u00e9es exp\u00e9rimentales non standard, produisant des distributions post\u00e9rieures compl\u00e8tes pour la contrainte d&rsquo;\u00e9lasticit\u00e9, le module de durcissement et la sensibilit\u00e9 au taux de d\u00e9formation.<\/p>\n<hr>\n<h2>L&rsquo;\u00e9cosyst\u00e8me Python pour l&rsquo;\u00e9talonnage<\/h2>\n<p>Les flux de travail d&rsquo;\u00e9talonnage int\u00e8grent plusieurs outils Python sur diff\u00e9rentes \u00e9tapes :<\/p>\n<table>\n<thead>\n<tr>\n<th>\u00c9tape<\/th>\n<th>Outils recommand\u00e9s<\/th>\n<th>But<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Simulation de transfert<\/td>\n<td>FIPY, Moose, Prisms-PF<\/td>\n<td>Simulation de champ de phase ou d&rsquo;\u00e9lasticit\u00e9<\/td>\n<\/tr>\n<tr>\n<td>Raccord de substitution<\/td>\n<td>Scikit-learn, Chaospy, UQPY<\/td>\n<td>Processus gaussiens, PCE, r\u00e9gression<\/td>\n<\/tr>\n<tr>\n<td>Inf\u00e9rence bay\u00e9sienne<\/td>\n<td>PYMC, Stan<\/td>\n<td>\u00c9chantillonnage MCMC, extraction post\u00e9rieure<\/td>\n<\/tr>\n<tr>\n<td>Optimisation<\/td>\n<td>scipy (scipy.optimize), symptique<\/td>\n<td>M\u00e9thodes bas\u00e9es sur des gradients, d\u00e9riv\u00e9s symboliques<\/td>\n<\/tr>\n<tr>\n<td>Analyse d&rsquo;identification<\/td>\n<td>Salib, SMT<\/td>\n<td>Probabilit\u00e9s de profil, d\u00e9pistage de la sensibilit\u00e9<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Fipy, un solveur de volume fini bas\u00e9 sur Python, s&rsquo;int\u00e8gre naturellement dans les pipelines de calibration. Vous pouvez d\u00e9finir des mod\u00e8les de champs de phase avec Fipy, les associer \u00e0 Pymc pour l&rsquo;inf\u00e9rence bay\u00e9sienne et utiliser Scikit-Learn pour la mod\u00e9lisation de substitution. L&rsquo;\u00e9cosyst\u00e8me g\u00e8re l&rsquo;int\u00e9gralit\u00e9 du pipeline&nbsp;: simulation directe \u2192 \u00e9valuation inadapt\u00e9e \u2192 mise \u00e0 jour des param\u00e8tres \u2192 extraction post\u00e9rieure.<\/p>\n<p>Pour un exemple pratique d&rsquo;int\u00e9gration Fipy, vous feriez g\u00e9n\u00e9ralement :<\/p>\n<ol>\n<li>D\u00e9finir le mod\u00e8le de champ de phase dans Fipy avec des param\u00e8tres symboliques<\/li>\n<li>Ex\u00e9cuter les simulations \u00e0 des points de conception exp\u00e9rimentaux<\/li>\n<li>Installez un substitut (GPE ou PCE) \u00e0 l&rsquo;aide de Scikit-Learn ou de Chaospy<\/li>\n<li>Appelez PYMC pour d\u00e9finir les a priori, la probabilit\u00e9 et l&rsquo;\u00e9chantillonnage MCMC<\/li>\n<li>Extraire les statistiques post\u00e9rieures et calculer les intervalles cr\u00e9dibles<\/li>\n<\/ol>\n<hr>\n<h2>\u00c9talonnage, quantification de l&rsquo;incertitude et validation<\/h2>\n<p>Ces trois \u00e9tapes forment un pipeline de cr\u00e9dibilit\u00e9 connect\u00e9e&nbsp;:<\/p>\n<p><strong>Calibration<\/strong> \u2192 D\u00e9termine les param\u00e8tres des donn\u00e9es d&rsquo;entra\u00eenement<br \/> <strong>Validation<\/strong> \u2192 Mod\u00e8les calibr\u00e9s par rapport aux donn\u00e9es ind\u00e9pendantes<br \/> <strong>Propage d&rsquo;incertitude<\/strong><\/p>\n<p>Le <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Guide de quantification d&rsquo;incertitude<\/a> sur Matforge couvre la prochaine \u00e9tape apr\u00e8s l&rsquo;\u00e9talonnage&nbsp;: propageant l&rsquo;incertitude des param\u00e8tres \u00e0 travers le mod\u00e8le \u00e0 l&rsquo;aide de Monte Carlo, PCE ou d&rsquo;autres m\u00e9thodes. Une fois que vous avez des distributions post\u00e9rieures \u00e0 partir de l&rsquo;\u00e9talonnage, vous devez les propager \u00e0 travers le mod\u00e8le pour obtenir des intervalles de pr\u00e9diction sur les quantit\u00e9s d&rsquo;int\u00e9r\u00eat.<\/p>\n<p>Un flux de travail complet ressemble \u00e0 ceci :<\/p>\n<ol>\n<li>D\u00e9finir les priors et la conception exp\u00e9rimentale<\/li>\n<li>Ex\u00e9cuter les simulations \u00e0 des points de conception exp\u00e9rimentaux<\/li>\n<li>Fit Surrogate (GPE, PCE ou PiNN)<\/li>\n<li>Ex\u00e9cutez MCMC pour une extraction post\u00e9rieure<\/li>\n<li>Valider par rapport \u00e0 un ensemble de donn\u00e9es ind\u00e9pendant<\/li>\n<li>Propager les distributions post\u00e9rieures \u00e0 travers le mod\u00e8le pour UQ<\/li>\n<li>Param\u00e8tre de rapport Intervalles cr\u00e9dibles, intervalles de pr\u00e9diction et classements de sensibilit\u00e9<\/li>\n<\/ol>\n<hr>\n<h2>Erreurs courantes dans le calibrage du mod\u00e8le<\/h2>\n<p>Les \u00e9tudes d&rsquo;\u00e9talonnage \u00e9chouent fr\u00e9quemment en raison d&rsquo;erreurs \u00e9vitables. Les plus courants comprennent :<\/p>\n<ol>\n<li><strong>Ignorer l&rsquo;analyse de l&rsquo;identifiabilit\u00e9<\/strong> \u2014 L&rsquo;\u00e9talonnage des param\u00e8tres qui ne peuvent pas \u00eatre limit\u00e9s par les donn\u00e9es disponibles produit des post\u00e9rieurs non informatifs qui refl\u00e8tent les observations ant\u00e9rieures, et non les observations.<\/li>\n<li><strong>Utiliser un ensemble de donn\u00e9es pour l&rsquo;\u00e9talonnage et la validation<\/strong> \u2014 La validation doit utiliser un ensemble de donn\u00e9es ind\u00e9pendant qui n&rsquo;a pas \u00e9t\u00e9 utilis\u00e9 pour le r\u00e9glage. Sinon, vous mesurez le surajustement, pas la pr\u00e9cision du mod\u00e8le<\/li>\n<li><strong>Traiter l&rsquo;\u00e9talonnage comme une optimisation<\/strong>&nbsp;: l&rsquo;optimisation des moindres carr\u00e9s produit des estimations ponctuelles mais ne dit rien sur l&rsquo;incertitude des param\u00e8tres. Un \u00e9talonnage bay\u00e9sien avec des distributions post\u00e9rieures est essentiel pour les pr\u00e9dictions cr\u00e9dibles<\/li>\n<li><strong>Surajustement avec trop de param\u00e8tres<\/strong> \u2014 Plus de param\u00e8tres s&rsquo;adaptent toujours mieux mais augmentent le risque de surajustement. Utilisez l&rsquo;analyse d&rsquo;identification pour r\u00e9duire la dimension avant l&rsquo;\u00e9talonnage<\/li>\n<li><strong>Ne pas valider les substituts<\/strong> &#8211; une m\u00e8re porteuse qui correspond bien aux donn\u00e9es d&rsquo;entra\u00eenement peut mal extrapoler. Les points de validation ind\u00e9pendants sont obligatoires<\/li>\n<li><strong>Calibrage d\u00e9routant avec validation<\/strong> \u2014 param\u00e8tres de calibrage ; La validation teste le mod\u00e8le calibr\u00e9 par rapport aux donn\u00e9es ind\u00e9pendantes. Ils remplissent diff\u00e9rents r\u00f4les dans le cadre VVUQ<\/li>\n<li><strong>ignorer l&rsquo;incertitude de mesure<\/strong> \u2014 Les probabilit\u00e9s doivent tenir compte d&rsquo;une erreur exp\u00e9rimentale. Ignorer l&rsquo;incertitude de mesure r\u00e9tr\u00e9cit de mani\u00e8re trop confiante les distributions post\u00e9rieures<\/li>\n<\/ol>\n<hr>\n<h2>R\u00e9sum\u00e9 et \u00e9tapes suivantes<\/h2>\n<p>L&rsquo;\u00e9talonnage du mod\u00e8le relie des mod\u00e8les de champ de phase th\u00e9oriques et des pr\u00e9dictions pertinentes exp\u00e9rimentalement. La communaut\u00e9 des sciences des mat\u00e9riaux informatiques s&rsquo;est d\u00e9plac\u00e9e de mani\u00e8re d\u00e9cisive vers des cadres probabilistes (bay\u00e9siens) au cours de la derni\u00e8re d\u00e9cennie, motiv\u00e9s par la n\u00e9cessit\u00e9 de quantifier l&rsquo;incertitude et l&rsquo;accessibilit\u00e9 accrue des mod\u00e8les de substitution.<\/p>\n<p>Les principaux points \u00e0 retenir pour votre prochaine campagne de calibrage&nbsp;:<\/p>\n<ul>\n<li><strong>Commencez par l&rsquo;analyse d&rsquo;identification<\/strong> \u2014 Tous les param\u00e8tres ne sont pas limit\u00e9s par vos donn\u00e9es. Correction de param\u00e8tres non identifiables \u00e0 partir de mesures ind\u00e9pendantes.<\/li>\n<li><strong>Utilisez le flux de travail en deux \u00e9tapes<\/strong> &#8211; d&rsquo;abord les constantes de masse, puis la fracture\/dissipation. Cela r\u00e9duit la dimension et emp\u00eache le surajustement.<\/li>\n<li><strong>Choisissez votre m\u00e9thode par le co\u00fbt du mod\u00e8le<\/strong> &#8211; les moindres carr\u00e9s pour les mod\u00e8les simples, associent pour l&rsquo;efficacit\u00e9 multi-param\u00e8tres, bay\u00e9sien pour l&rsquo;incertitude, les substituts pour les SIM co\u00fbteuses.<\/li>\n<li><strong>Valider avec des donn\u00e9es ind\u00e9pendantes<\/strong> \u2014 N&rsquo;utilisez jamais l&rsquo;ensemble de donn\u00e9es d&rsquo;\u00e9talonnage pour la validation.<\/li>\n<li><strong>Propager l&rsquo;incertitude vers l&rsquo;avant<\/strong> &#8211; l&rsquo;\u00e9talonnage vous donne des post\u00e9rieurs&nbsp;; La propagation UQ vous donne des intervalles de pr\u00e9diction.<\/li>\n<\/ul>\n<hr>\n<h2>Guides connexes<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/understanding-phase-field-models-in-materials-science\/\" rel=\"nofollow noopener\" target=\"_blank\">comprendre les mod\u00e8les de champ de phase dans la science des mat\u00e9riaux<\/a> \u2014 Contexte sur les \u00e9quations de champ de phase, la mobilit\u00e9, l&rsquo;\u00e9nergie interfaciale et les strat\u00e9gies num\u00e9riques<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Quantification de l&rsquo;incertitude et analyse de sensibilit\u00e9<\/a> \u2014 Propager les incertitudes de param\u00e8tres calibr\u00e9s gr\u00e2ce \u00e0 des simulations utilisant des indices PCE, Monte Carlo et SOBOL<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">R\u00e9seaux de neurones informatis\u00e9s (PINN) pour les simulations scientifiques<\/a> \u2014 Surrogations de r\u00e9seaux de neurones pour les probl\u00e8mes inverses et la d\u00e9couverte de param\u00e8tres de donn\u00e9es clairsem\u00e9es<\/li>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">V\u00e9rification vs validation Dans les simulations scientifiques<\/a> \u2014 Placez l&rsquo;\u00e9talonnage dans le cadre plus large de cr\u00e9dibilit\u00e9 VVUQ<\/li>\n<li><a href=\"https:\/\/matforge.org\/using-fipy-for-phase-field-modeling\/\" rel=\"nofollow noopener\" target=\"_blank\">Utiliser Fipy pour la mod\u00e9lisation de champ de phase<\/a> \u2014 mod\u00e8les de mise en \u0153uvre pratiques pour Fipy, le solveur de volumes finis bas\u00e9 sur Python<\/li>\n<\/ul>\n<hr>\n<h2>Sources cl\u00e9s<\/h2>\n<ol>\n<li><strong>Wu, Rosi\u0107, de Lorenzis, Matthies (2021)<\/strong> \u2014 Identification des param\u00e8tres pour la mod\u00e9lisation en champ de phase de la fracture&nbsp;: une approche bay\u00e9sienne avec mise \u00e0 jour sans \u00e9chantillonnage. <em>M\u00e9canique informatique<\/em> 67(2). doi:10.1007\/S00466-020-01942-X<\/li>\n<li><strong>Schmid et al. (2025)<\/strong> \u2014 Calibrage d&rsquo;un mod\u00e8le de fracture en champ de phase fini-d\u00e9formation pour des mat\u00e9riaux granulaires li\u00e9s avec une quantification d&rsquo;incertitude. arxiv:2509.10484v1<\/li>\n<li><strong>Matsuura (2021)<\/strong> \u2014 Mod\u00e8le adjoint pour estimer les param\u00e8tres des mat\u00e9riaux en fonction de l&rsquo;\u00e9volution de la microstructure au cours de la d\u00e9composition spinodale. <em>Mat\u00e9riaux de r\u00e9vision physique<\/em> 5, 113801. doi:10.1103\/physrevmaterials.5.113801<\/li>\n<li><strong>Waqar, Patel, Simon (2023)<\/strong> \u2014 Un tutoriel sur l&rsquo;approche statistique bay\u00e9sienne des probl\u00e8mes inverses. <em>APL Mach. Apprenez.<\/em> 1(4), 041101. doi:10.1063\/1.5077393<\/li>\n<li><strong>\u0160odan, Divi\u0107, Friedman, Nikoli\u0107 (2025)<\/strong> \u2014 enqu\u00eate sur l&rsquo;identification des param\u00e8tres bay\u00e9siens \u00e0 l&rsquo;aide d&rsquo;\u00e9chantillons de laboratoire non standard. <em>Appl. SCI.<\/em> 15(11), 6194. doi:10.3390\/App1516194<\/li>\n<\/ol>\n<hr>\n<p><em>Cet article synth\u00e9tise les r\u00e9sultats de la recherche en science des mat\u00e9riaux informatiques \u00e9valu\u00e9e par des pairs. Toutes les valeurs des param\u00e8tres, les descriptions de m\u00e9thodes et les structures de flux de travail sont d\u00e9riv\u00e9es des sources primaires cit\u00e9es. Aucune URL fabriqu\u00e9e ou r\u00e9clamation non prise en charge n&rsquo;est incluse.<\/em><\/p>\n","protected":false,"raw":"<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li><strong>Model Calibration<\/strong> d\u00e9termine des param\u00e8tres inconnus afin qu'une simulation produit des pr\u00e9dictions correspondant aux observations exp\u00e9rimentales<\/li>\n<li>Quatre familles de m\u00e9thodologies dominent le domaine&nbsp;: inf\u00e9rence bay\u00e9sienne, optimisation bas\u00e9e sur les associations, mod\u00e9lisation de substitution et moindres carr\u00e9s traditionnels - chacune avec des compromis distincts en termes de co\u00fbt de calcul, de dimensionnalit\u00e9 des param\u00e8tres et de quantification de l'incertitude.<\/li>\n<li><strong>Analyse d'identification<\/strong> est une \u00e9tape de pr\u00e9-\u00e9talonnage obligatoire. Les param\u00e8tres qui ne peuvent \u00eatre contraints par les donn\u00e9es exp\u00e9rimentales disponibles doivent \u00eatre fix\u00e9s \u00e0 partir de mesures ind\u00e9pendantes ou de litt\u00e9rature<\/li>\n<li>Un flux de travail en deux \u00e9tapes (constantes de masse en premier, puis fracture\/dissipation) r\u00e9duit consid\u00e9rablement le risque de surajustement et la dimension des param\u00e8tres efficaces<\/li>\n<li>L'\u00e9cosyst\u00e8me Python (FIPY, PYMC, Scikit-Learn, Sympy) fournit un pipeline d'\u00e9talonnage complet de la simulation vers l'avant \u00e0 l'extraction post\u00e9rieure<\/li>\n<\/ul>\n<hr>\n<h2>Qu'est-ce que l'\u00e9talonnage du mod\u00e8le et en quoi diff\u00e8re-t-il de la quantification de l'incertitude&nbsp;?<\/h2>\n<p>L'\u00e9talonnage du mod\u00e8le est le processus d'ajustement des param\u00e8tres d'un mod\u00e8le de calcul afin que ses pr\u00e9dictions correspondent \u00e0 un ensemble d'observations de r\u00e9f\u00e9rence. Dans la science des mat\u00e9riaux informatiques, ces param\u00e8tres peuvent \u00eatre des coefficients de diffusion, une \u00e9nergie interfaciale, des constantes de mobilit\u00e9, une \u00e9nergie de fracture, des constantes \u00e9lastiques ou une viscosit\u00e9. Ils ne peuvent pas tous \u00eatre d\u00e9riv\u00e9s des premiers principes et doivent \u00eatre d\u00e9termin\u00e9s par rapport aux donn\u00e9es exp\u00e9rimentales.<\/p>\n<p>L'\u00e9talonnage se trouve dans le cadre de v\u00e9rification, de validation et de quantification de l'incertitude (VVUQ). Les trois \u00e9tapes ont des objectifs distincts :<\/p>\n<ol>\n<li><strong>V\u00e9rification<\/strong> \u2014 Les \u00e9quations sont-elles impl\u00e9ment\u00e9es et r\u00e9solues correctement&nbsp;?<\/li>\n<li><strong>Validation<\/strong> \u2014 Le mod\u00e8le repr\u00e9sente-t-il le syst\u00e8me r\u00e9el de mani\u00e8re ad\u00e9quate pour son utilisation pr\u00e9vue&nbsp;?<\/li>\n<li><strong>Quantification de l'incertitude<\/strong> \u2014 Comment les intrants incertains affectent-ils les pr\u00e9visions&nbsp;?<\/li>\n<\/ol>\n<p>L'\u00e9talonnage produit un jeu de param\u00e8tres. La quantification de l'incertitude propage les barres d'erreur \u00e0 travers ces param\u00e8tres. La validation compare le mod\u00e8le final \u00e0 un ensemble de donn\u00e9es ind\u00e9pendant. La confusion entre l'\u00e9talonnage et la validation est une erreur courante&nbsp;: l'\u00e9talonnage ajuste les param\u00e8tres d'un ensemble de donn\u00e9es, tandis que la validation teste le mod\u00e8le calibr\u00e9 par rapport \u00e0 un autre ensemble de donn\u00e9es qui n'a pas \u00e9t\u00e9 utilis\u00e9 pour le r\u00e9glage.<\/p>\n<p>Le <a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">Guide de v\u00e9rification et de validation sur Matforge<\/a> explique le processus de cr\u00e9dibilit\u00e9 plus large. L'article <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Quantification de l'incertitude et analyse de sensibilit\u00e9<\/a> explique comment propager l'incertitude \u00e0 partir des param\u00e8tres calibr\u00e9s vers les pr\u00e9dictions.<\/p>\n<hr>\n<h2>Le probl\u00e8me d'\u00e9talonnage dans la science des mat\u00e9riaux informatiques<\/h2>\n<p>Les mod\u00e8les de champ de phase, les mod\u00e8les d'\u00e9lasticit\u00e9 de d\u00e9formation finie, les mod\u00e8les de d\u00e9composition spinodal et les mod\u00e8les de dislocation discr\u00e8te contiennent tous des param\u00e8tres qui ne peuvent \u00eatre d\u00e9riv\u00e9s uniquement de la th\u00e9orie. Ces mod\u00e8les d\u00e9crivent l'\u00e9volution de la microstructure, la propagation des fractures, la s\u00e9paration de phase et le mouvement des d\u00e9fauts. Ils n\u00e9cessitent des entr\u00e9es telles que :<\/p>\n<ul>\n<li><strong>coefficients de diffusion<\/strong> \u2014 r\u00e9gissent les taux de transport de masse<\/li>\n<li><strong>\u00c9nergie interfaciale<\/strong> \u2014 contr\u00f4le la rigidit\u00e9 limite de phase<\/li>\n<li><strong>Constantes de mobilit\u00e9<\/strong> \u2014 D\u00e9terminez la rapidit\u00e9 avec laquelle les interfaces se d\u00e9placent<\/li>\n<li><strong>Taux de lib\u00e9ration d'\u00e9nergie critique (GC)<\/strong> \u2014 Fixe le seuil d'\u00e9nergie de fracture<\/li>\n<li><strong>Constantes \u00e9lastiques<\/strong> \u2014 D\u00e9finir la r\u00e9ponse contrainte-d\u00e9formation<\/li>\n<li><strong>Viscosit\u00e9 des dommages<\/strong> \u2014 Contr\u00f4le la dissipation lors de la propagation des fissures<\/li>\n<\/ul>\n<p>Ces param\u00e8tres sont g\u00e9n\u00e9ralement identifi\u00e9s par des probl\u00e8mes inverses&nbsp;: vous observez la sortie (courbes de d\u00e9placement charge-d\u00e9placement, champs de d\u00e9formation, fractions de phase, tailles de grains) et d\u00e9duisez les param\u00e8tres qui l'ont produit. La nature inverse du probl\u00e8me signifie qu'il est souvent mal pos\u00e9 - plusieurs jeux de param\u00e8tres peuvent produire des sorties similaires, en particulier lorsque les donn\u00e9es exp\u00e9rimentales sont rares ou bruyantes.<\/p>\n<hr>\n<h2>Quatre familles de m\u00e9thodologie<\/h2>\n<p>Les approches d'\u00e9talonnage modernes se r\u00e9partissent en quatre familles distinctes. Chacun a des forces et des limites diff\u00e9rentes en fonction du co\u00fbt du mod\u00e8le, de la dimensionnalit\u00e9 des param\u00e8tres et si la quantification de l'incertitude est requise.<\/p>\n<h3>1. Inf\u00e9rence bay\u00e9sienne avec MCMC<\/h3>\n<p>L'\u00e9talonnage bay\u00e9sien traite les param\u00e8tres comme des variables al\u00e9atoires avec des distributions de probabilit\u00e9 plut\u00f4t que comme des valeurs fixes. Le workflow se compose de quatre \u00e9tapes :<\/p>\n<ol>\n<li><strong>D\u00e9finir les a priori<\/strong> \u2014 Attribuer des distributions de probabilit\u00e9 \u00e0 chaque param\u00e8tre en fonction des connaissances ant\u00e9rieures ou des plages exp\u00e9rimentales<\/li>\n<li><strong>Construire une vraisemblance<\/strong> \u2014 Quantifier la fa\u00e7on dont les pr\u00e9dictions du mod\u00e8le correspondent aux observations compte tenu d'un jeu de param\u00e8tres<\/li>\n<li><strong>\u00c9chantillonner le post\u00e9rieur<\/strong> \u2014 Utilisez MCMC (Metropolis-Hastings, Nuts ou Hamiltonian Monte Carlo) pour pr\u00e9lever des \u00e9chantillons de la distribution post\u00e9rieure<\/li>\n<li><strong>Statistiques post\u00e9rieures d'extrait<\/strong> \u2014 Calculez les distributions marginales, les intervalles cr\u00e9dibles et les corr\u00e9lations<\/li>\n<\/ol>\n<p>Cette approche est la fronti\u00e8re actuelle de la recherche pour la science des mat\u00e9riaux informatiques. Des \u00e9tudes r\u00e9centes de Schmid et al. (2025) et \u0160odan et al. (2025) utilisent un \u00e9talonnage bay\u00e9sien bas\u00e9 sur les substitutions pour produire des distributions post\u00e9rieures compl\u00e8tes pour les constantes \u00e9lastiques, l'\u00e9nergie de rupture et les param\u00e8tres de dommages.<\/p>\n<p>La principale limitation est le co\u00fbt de calcul. Le MCMC traditionnel n\u00e9cessite des milliers de simulations avanc\u00e9es, ce qui n'est pas pratique pour les mod\u00e8les de champ de phase co\u00fbteux. C'est pourquoi la mod\u00e9lisation de substitution (voir la section 3) est devenue presque obligatoire pour l'\u00e9talonnage bay\u00e9sien des solveurs de champs de phase.<\/p>\n<p><strong>Mises \u00e0 jour sans \u00e9chantillonnage<\/strong> fournissent un point d'entr\u00e9e pratique. Wu et al. (2021) ont introduit des mises \u00e0 jour lin\u00e9aires bay\u00e9siennes sans \u00e9chantillonnage pour l'\u00e9talonnage des fractures en champ de phase. Au lieu d'ex\u00e9cuter des milliers d'it\u00e9rations MCMC, cette m\u00e9thode calcule l'attente conditionnelle des param\u00e8tres donn\u00e9s directement par les donn\u00e9es exp\u00e9rimentales. Il produit des estimations post\u00e9rieures de forme ferm\u00e9e sans \u00e9chantillonnage, ce qui \u00e9vite le co\u00fbt de calcul massif du MCMC. Pour les chercheurs sans infrastructure de GPU ou calcul parall\u00e8le, les m\u00e9thodes sans \u00e9chantillonnage sont nettement plus simples \u00e0 mettre en \u0153uvre et fournissent toujours des distributions post\u00e9rieures quantifi\u00e9es.<\/p>\n<h3>2. Optimisation adjointe<\/h3>\n<p>Les m\u00e9thodes adjointes r\u00e9solvent le probl\u00e8me d'\u00e9talonnage en tant que probl\u00e8me d'optimisation \u00e0 contrainte PDE. Au lieu d'ex\u00e9cuter \u00e0 plusieurs reprises les simulations, la m\u00e9thode calcule les gradients de la fonction objectif par rapport \u00e0 tous les param\u00e8tres \u00e0 l'aide d'une seule simulation en arri\u00e8re, quel que soit le nombre de param\u00e8tres.<\/p>\n<p>Matsuura (2021) a d\u00e9montr\u00e9 une estimation simultan\u00e9e de six param\u00e8tres dans un mod\u00e8le de d\u00e9composition spinodale en champ de phase \u00e0 l'aide d'une approche bas\u00e9e sur l'adjoint. Le calcul du gradient ne n\u00e9cessite qu'une seule simulation avant et une simulation en arri\u00e8re, contrairement aux approches de diff\u00e9rences finies, qui n\u00e9cessitent des simulations N+1 pour n param\u00e8tres. Cela fait des m\u00e9thodes adjointes le choix naturel pour l'\u00e9talonnage multi-param\u00e8tres dans les grands mod\u00e8les de champ de phase.<\/p>\n<p>Le workflow suit ces \u00e9tapes :<\/p>\n<ol>\n<li><strong>D\u00e9finir la fonction objectif<\/strong> \u2014 Mesurer la non-concordance entre la sortie de simulation et les donn\u00e9es exp\u00e9rimentales<\/li>\n<li><strong>R\u00e9soudre le probl\u00e8me d'avancement<\/strong> \u2014 Ex\u00e9cutez la simulation en champ de phase<\/li>\n<li><strong>R\u00e9soudre le probl\u00e8me adjoint<\/strong> \u2014 Propager le gradient de fonction objectif \u00e0 l'arri\u00e8re \u00e0 travers le mod\u00e8le<\/li>\n<li><strong>Param\u00e8tres de mise \u00e0 jour<\/strong> \u2014 Utilisez le gradient adjoint dans un optimiseur bas\u00e9 sur le gradient (L-BFGS, gradient conjugu\u00e9)<\/li>\n<\/ol>\n<p>Les m\u00e9thodes annexes \u00e9voluent efficacement avec le nombre de param\u00e8tres, mais n\u00e9cessitent des d\u00e9riv\u00e9s analytiques ou des solveurs adjoints. Cela signifie que vous devez acc\u00e9der au code du solveur ou \u00e0 un cadre de diff\u00e9renciation automatique compatible. Ils produisent des estimations ponctuelles plut\u00f4t que des distributions post\u00e9rieures compl\u00e8tes, de sorte que la quantification de l'incertitude n\u00e9cessite des \u00e9tapes suppl\u00e9mentaires telles que le bootstrapping ou la lin\u00e9arisation autour de l'optimum.<\/p>\n<h3>3. Mod\u00e9lisation de substitution pour les simulations co\u00fbteuses<\/h3>\n<p>Lorsqu'une simple simulation de champ de phase prend des heures ou des jours, l'\u00e9talonnage direct devient impraticable. Les mod\u00e8les de substitution se rapprochent du simulateur co\u00fbteux et servent de remplacements bon march\u00e9 pendant la boucle d'\u00e9talonnage.<\/p>\n<p>Trois familles de substitution dominent l'\u00e9talonnage de la science des mat\u00e9riaux :<\/p>\n<p><strong>\u00c9mulateurs de processus gaussiens (GPE)<\/strong> \u2014 Id\u00e9al pour les dimensions des param\u00e8tres faibles \u00e0 mod\u00e9r\u00e9s (g\u00e9n\u00e9ralement \u2264&nbsp;10). Les GPE fournissent des estimations d'incertitude native, ce qui signifie que vous obtenez \u00e0 la fois une r\u00e9ponse pr\u00e9dite et un intervalle de confiance pour chaque \u00e9valuation de substitution. Ils fonctionnent mieux lorsque la r\u00e9ponse du mod\u00e8le est fluide et que l'espace des param\u00e8tres est relativement faible.<\/p>\n<p><strong>Extensions polynomiales du chaos (PCE)<\/strong> - efficace pour des r\u00e9ponses fluides, en particulier avec une r\u00e9gression clairsem\u00e9e. Schmid et al. (2025) ont utilis\u00e9 un PCE clairsem\u00e9 du troisi\u00e8me ordre pour l'\u00e9talonnage en trois param\u00e8tres de l'\u00e9nergie de rupture, des constantes \u00e9lastiques et la viscosit\u00e9 des dommages. Le PCE peut \u00eatre \u00e9quip\u00e9 de relativement peu de points de simulation (20-50), puis \u00e9valu\u00e9 \u00e0 un co\u00fbt proche de z\u00e9ro pendant la boucle d'\u00e9talonnage.<\/p>\n<p><strong>Pinns et substituts du r\u00e9seau de neurones<\/strong> - \u00e9mergeant comme des alternatives sans maillage pour les probl\u00e8mes inverses avec des donn\u00e9es clairsem\u00e9es. Le <a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">Pinns Guide sur Matforge<\/a> couvre leur architecture et leur formation. Les PINN traitent des param\u00e8tres inconnus comme des variables formables et peuvent les d\u00e9couvrir \u00e0 partir d'observations de limites clairsem\u00e9es, en contournant enti\u00e8rement les simulations avanc\u00e9es co\u00fbteuses.<\/p>\n<p>L'\u00e9talonnage de substitution introduit une nouvelle source d'incertitude&nbsp;: l'erreur d'approximation de la m\u00e8re porteuse elle-m\u00eame. Un substitut qui correspond bien aux donn\u00e9es d'entra\u00eenement peut tr\u00e8s mal extrapoler. La validation par des points de simulation ind\u00e9pendants est essentielle.<\/p>\n<h3>4. M\u00e9thodes traditionnelles des moindres carr\u00e9s et des gradients<\/h3>\n<p>L'optimisation des moindres carr\u00e9s reste l'approche dominante dans la pratique industrielle et les mod\u00e8les acad\u00e9miques plus simples. Le workflow minimise une fonction de d\u00e9sajustement au carr\u00e9 :<\/p>\n<p>$$min_{theta} sum_{i=1}^{n} frac{(y_{text{sim}}(theta)<em>i - y<\/em>{text{exp}}_i)<sup>2}{sigma_i<\/sup>2}$$<\/p>\n<p>O\u00f9 \u03b8 sont les param\u00e8tres, y_sim est la sortie de simulation, y_exp est les donn\u00e9es exp\u00e9rimentales et \u03c3_i repr\u00e9sente l'incertitude de mesure.<\/p>\n<p>Cette approche a de v\u00e9ritables atouts :<\/p>\n<ul>\n<li>Simple \u00e0 mettre en \u0153uvre (scipy.optimize, lsqnonneg)<\/li>\n<li>Convergence rapide pour les probl\u00e8mes convexes<\/li>\n<li>Th\u00e9orie de convergence bien comprise<\/li>\n<\/ul>\n<p>Mais il a \u00e9galement des limitations claires :<\/p>\n<ul>\n<li>Aucune quantification d'incertitude sur les param\u00e8tres<\/li>\n<li>Sujet \u00e0 des minima locaux dans les probl\u00e8mes non convexes<\/li>\n<li>D\u00e9gradation avec augmentation du nombre de param\u00e8tres<\/li>\n<\/ul>\n<p>Les m\u00e9thodes bas\u00e9es sur le gradient (descente de gradient, L-BFG) s'am\u00e9liorent sur les moindres carr\u00e9s de base en utilisant des d\u00e9riv\u00e9s pour acc\u00e9l\u00e9rer la convergence. Mais ils produisent toujours des estimations ponctuelles, et non des distributions, et n\u00e9cessitent un choix attentif d'initialisation pour \u00e9viter les faibles minima locaux.<\/p>\n<hr>\n<h2>Cadre de d\u00e9cision&nbsp;: quand utiliser chaque m\u00e9thode<\/h2>\n<p>Le tableau ci-dessous r\u00e9sume quand chaque m\u00e9thode d'\u00e9talonnage est la plus appropri\u00e9e. Utilisez-le comme une r\u00e9f\u00e9rence rapide avant de vous engager dans une campagne de calcul.<\/p>\n<table>\n<thead>\n<tr>\n<th>Mod\u00e8le caract\u00e9ristique<\/th>\n<th>Point de d\u00e9part recommand\u00e9<\/th>\n<th>Attention principale<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Peu de param\u00e8tres (\u2264 4), r\u00e9ponse fluide, co\u00fbt de simulation mod\u00e9r\u00e9<\/td>\n<td>Optimisation des moindres carr\u00e9s ou des annexes<\/td>\n<td>Estimations ponctuelles uniquement&nbsp;; Valider par rapport aux gammes de litt\u00e9rature<\/td>\n<\/tr>\n<tr>\n<td>5 \u00e0 15 param\u00e8tres, quantification des besoins, acc\u00e9l\u00e9r\u00e9 par GPU<\/td>\n<td>Bay\u00e9sien bas\u00e9 sur les substituts avec PCE ou GPE<\/td>\n<td>Valider le substitut de mani\u00e8re ind\u00e9pendante; V\u00e9rifiez le comportement d'extrapolation<\/td>\n<\/tr>\n<tr>\n<td>&gt; 15 param\u00e8tres, co\u00fbt de calcul \u00e9lev\u00e9<\/td>\n<td>Optimisation bas\u00e9e sur les associations ou PINN<\/td>\n<td>N\u00e9cessite un acc\u00e8s au code du solveur ou un support de diff\u00e9renciation automatique<\/td>\n<\/tr>\n<tr>\n<td>Un simulateur co\u00fbteux, un espace de param\u00e8tres de faible dimension, a besoin de post\u00e9rieurs complets<\/td>\n<td>\u00c9mulateur de processus gaussien avec MCMC<\/td>\n<td>Le GPE \u00e9volue mal au-del\u00e0 de ~ 20 param\u00e8tres<\/td>\n<\/tr>\n<tr>\n<td>Donn\u00e9es clairsem\u00e9es, probl\u00e8me inverse avec des conditions aux limites uniquement<\/td>\n<td>Mise \u00e0 jour bay\u00e9sienne sans \u00e9chantillonnage ou sans \u00e9chantillonnage<\/td>\n<td>Les PINN n\u00e9cessitent un \u00e9quilibre minutieux des pertes ; Les m\u00e9thodes sans \u00e9chantillonnage supposent une r\u00e9ponse lin\u00e9aire<\/td>\n<\/tr>\n<tr>\n<td>R\u00e9glage industriel, d\u00e9lai d'ex\u00e9cution rapide n\u00e9cessaire, aucune exigence d'UQ<\/td>\n<td>Optimisation bas\u00e9e sur le gradient avec initialisation fixe<\/td>\n<td>Toujours valider par rapport \u00e0 un ensemble de donn\u00e9es ind\u00e9pendant<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<hr>\n<h2>Analyse d'identification : la pr\u00e9-\u00e9tape obligatoire<\/h2>\n<p>L'une des le\u00e7ons les plus importantes des \u00e9tudes d'\u00e9talonnage r\u00e9centes est que <strong>tous les param\u00e8tres ne sont pas identifiables \u00e0 chaque exp\u00e9rience<\/strong>. L'analyse d'identification d\u00e9termine les param\u00e8tres qui peuvent \u00eatre limit\u00e9s par vos donn\u00e9es disponibles avant de commencer l'\u00e9talonnage.<\/p>\n<p>Schmid et al. (2025) Param\u00e8tres de rupture calibr\u00e9s pour les mat\u00e9riaux granulaires li\u00e9s par rapport aux donn\u00e9es de force-d\u00e9placement. Leur analyse a r\u00e9v\u00e9l\u00e9 que le taux de lib\u00e9ration d'\u00e9nergie critique (GC) \u00e9tait <strong>non identifiable<\/strong> \u00e0 partir des quantit\u00e9s disponibles. Seuls le module de Young et la viscosit\u00e9 des dommages ont \u00e9t\u00e9 limit\u00e9s par les donn\u00e9es. L'\u00e9tude a recommand\u00e9 explicitement de fixer des param\u00e8tres non identifiables \u00e0 partir de la litt\u00e9rature ou d'un autre type d'exp\u00e9rience.<\/p>\n<p>Il s'agit d'une le\u00e7on pratique essentielle&nbsp;: si un param\u00e8tre n'est pas identifiable, vous ne devez pas essayer de le calibrer \u00e0 partir du jeu de donn\u00e9es actuel. Au lieu de cela, fixez-le \u00e0 partir de mesures ind\u00e9pendantes telles que des champs de d\u00e9formation DIC, des vitesses d'onde ultrasonore ou des tests d'indentation.<\/p>\n<p>L'identifiabilit\u00e9 peut \u00eatre \u00e9valu\u00e9e par :<\/p>\n<ul>\n<li><strong>Identification locale<\/strong> \u2014 Examinez si le Jacobien de la sortie du mod\u00e8le par rapport aux param\u00e8tres est le rang complet au point de r\u00e9f\u00e9rence<\/li>\n<li><strong>Identification globale<\/strong> \u2014 V\u00e9rifiez que les valeurs de param\u00e8tres distinctes produisent des r\u00e9sultats distincts (souvent n\u00e9cessitent une analyse bay\u00e9sienne ou des probabilit\u00e9s de profil)<\/li>\n<li><strong>V\u00e9rifications pr\u00e9dictives pr\u00e9alables<\/strong> \u2014 Simulez les plages de donn\u00e9es exp\u00e9rimentales et compar\u00e9es \u00e0 celles des donn\u00e9es exp\u00e9rimentales.<\/li>\n<\/ul>\n<p>Sauter l'analyse d'identifiabilit\u00e9 est un mode de d\u00e9faillance courant. De nombreux \u00e9talonnages publi\u00e9s rapportent des distributions post\u00e9rieures pour des param\u00e8tres qui n'ont jamais \u00e9t\u00e9 r\u00e9ellement contraints par les donn\u00e9es exp\u00e9rimentales. Ces distributions sont math\u00e9matiquement valides mais scientifiquement non informatives - elles refl\u00e8tent les donn\u00e9es ant\u00e9rieures et non les donn\u00e9es.<\/p>\n<hr>\n<h2>Un workflow pratique d'\u00e9talonnage en deux \u00e9tapes<\/h2>\n<p>Toutes les principales \u00e9tudes d'\u00e9talonnage suivent une proc\u00e9dure en deux \u00e9tapes. Ce flux de travail emp\u00eache le surajustement et r\u00e9duit la dimension effective du probl\u00e8me d'\u00e9talonnage.<\/p>\n<h3>\u00c9tape&nbsp;1&nbsp;: Constantes \u00e9lastiques et en masse<\/h3>\n<p>Estimer les propri\u00e9t\u00e9s des mat\u00e9riaux en vrac \u00e0 partir de mesures directes ind\u00e9pendantes :<\/p>\n<ul>\n<li><strong>Module de Young et ratio de Poisson<\/strong> \u2014 \u00e0 partir des vitesses d'ondes ultrasonores ou des tests de traction<\/li>\n<li><strong>Coefficients de diffusion<\/strong> \u2014 \u00e0 partir des mesures de s\u00e9gr\u00e9gation des joints de grains<\/li>\n<li><strong>\u00c9nergie interfaciale<\/strong> \u2014 \u00e0 partir de calculs d'\u00e9quilibre de phase (CALPHAD) ou de mesure directe<\/li>\n<\/ul>\n<p>Ces param\u00e8tres contr\u00f4lent la r\u00e9ponse m\u00e9canique globale et sont g\u00e9n\u00e9ralement bien contraints par des mesures exp\u00e9rimentales directes. Leur calibrage fixe d'abord le comportement m\u00e9canique de base et isole les param\u00e8tres de rupture\/dissipation plus difficiles \u00e0 l'\u00e9tape 2.<\/p>\n<h3>\u00c9tape 2 : Param\u00e8tres de fracture et de dissipation<\/h3>\n<p>Calibrer les param\u00e8tres li\u00e9s \u00e0 la rupture par rapport aux donn\u00e9es de r\u00e9ponse m\u00e9canique&nbsp;:<\/p>\n<ul>\n<li><strong>Taux de lib\u00e9ration d'\u00e9nergie critique (GC)<\/strong> \u2014 \u00e0 partir des courbes de charge-d\u00e9placement dans les essais de fracture (flexion \u00e0 3 points, fracture de traction)<\/li>\n<li><strong>Viscosit\u00e9 des dommages<\/strong> \u2014 de la sensibilit\u00e9 \u00e0 la vitesse de d\u00e9formation et de l'analyse de dissipation<\/li>\n<li><strong>Mobilit\u00e9 de la fracture<\/strong> \u2014 \u00e0 partir des mesures de vitesse de propagation des fissures<\/li>\n<\/ul>\n<p>Cette \u00e9tape fonctionne avec un jeu de param\u00e8tres r\u00e9duit (g\u00e9n\u00e9ralement 2-4 param\u00e8tres) car l'\u00e9tape 1 a fix\u00e9 les constantes de masse. L'approche en deux \u00e9tapes r\u00e9duit consid\u00e9rablement le risque de surajustement et rend le probl\u00e8me d'\u00e9talonnage num\u00e9riquement traitable.<\/p>\n<hr>\n<h2>Applications de science des mat\u00e9riaux avec des param\u00e8tres r\u00e9els<\/h2>\n<h3>M\u00e9canique des fractures : \u00e9talonnage des fractures en champ<\/h3>\n<p>Le Wu et al. (2021) ont \u00e9talonn\u00e9 un mod\u00e8le de fracture en champ de phase avec des tests de flexion \u00e0 trois points sur un mortier de ciment. Les param\u00e8tres inclus :<\/p>\n<ul>\n<li>Constantes \u00e9lastiques (module de Young, ratio de Poisson) \u00e0 partir des mesures ultrasonores<\/li>\n<li>Fracture Energy GC \u00e0 partir des courbes charge-d\u00e9placement<\/li>\n<li>Interface mobility from crack velocity observations<\/li>\n<li>Viscosit\u00e9 des dommages caus\u00e9e par l'analyse de dissipation<\/li>\n<\/ul>\n<p>L'\u00e9talonnage bay\u00e9sien a produit des distributions post\u00e9rieures avec des intervalles de 95&nbsp;% cr\u00e9dibles. La mise \u00e0 jour sans \u00e9chantillonnage a \u00e9vit\u00e9 des milliers de simulations \u00e0 terme, produisant des estimations post\u00e9rieures en forme ferm\u00e9e en heures au lieu de semaines.<\/p>\n<h3>D\u00e9composition spinodale : estimation multi-param\u00e8tres<\/h3>\n<p>Matsuura (2021) a estim\u00e9 six param\u00e8tres simultan\u00e9ment dans un mod\u00e8le de d\u00e9composition spinodale \u00e0 champ de phase \u00e0 l'aide d'une m\u00e9thode bas\u00e9e sur l'annexe. Param\u00e8tres inclus :<\/p>\n<ul>\n<li>Diffusivit\u00e9 chimique<\/li>\n<li>Coefficients d'\u00e9nergie de gradient<\/li>\n<li>Mobilit\u00e9 d'interface<\/li>\n<li>Taux de r\u00e9action d\u00e9pendant de la temp\u00e9rature<\/li>\n<li>Perturbations de composition initiale<\/li>\n<li>Constantes de couplage d'\u00e9nergie de contrainte<\/li>\n<\/ul>\n<p>La m\u00e9thode Adjoint a r\u00e9solu les six param\u00e8tres d'une seule boucle d'optimisation avec une simulation avant et une simulation vers l'arri\u00e8re par it\u00e9ration - beaucoup plus efficaces que les approches \u00e0 diff\u00e9rence finie qui n\u00e9cessiteraient sept simulations par it\u00e9ration.<\/p>\n<h3>Mat\u00e9riaux \u00e9lastoplastiques : sp\u00e9cimens non standard<\/h3>\n<p>\u0160odan et al. (2025) Param\u00e8tres \u00e9lastoplastiques calibr\u00e9s \u00e0 partir d'\u00e9chantillons en aluminium non standard. L'\u00e9tude a d\u00e9montr\u00e9 que l'identification des param\u00e8tres bay\u00e9siens fonctionne bien m\u00eame avec des g\u00e9om\u00e9tries complexes et des donn\u00e9es exp\u00e9rimentales non standard, produisant des distributions post\u00e9rieures compl\u00e8tes pour la contrainte d'\u00e9lasticit\u00e9, le module de durcissement et la sensibilit\u00e9 au taux de d\u00e9formation.<\/p>\n<hr>\n<h2>L'\u00e9cosyst\u00e8me Python pour l'\u00e9talonnage<\/h2>\n<p>Les flux de travail d'\u00e9talonnage int\u00e8grent plusieurs outils Python sur diff\u00e9rentes \u00e9tapes :<\/p>\n<table>\n<thead>\n<tr>\n<th>\u00c9tape<\/th>\n<th>Outils recommand\u00e9s<\/th>\n<th>But<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Simulation de transfert<\/td>\n<td>FIPY, Moose, Prisms-PF<\/td>\n<td>Simulation de champ de phase ou d'\u00e9lasticit\u00e9<\/td>\n<\/tr>\n<tr>\n<td>Raccord de substitution<\/td>\n<td>Scikit-learn, Chaospy, UQPY<\/td>\n<td>Processus gaussiens, PCE, r\u00e9gression<\/td>\n<\/tr>\n<tr>\n<td>Inf\u00e9rence bay\u00e9sienne<\/td>\n<td>PYMC, Stan<\/td>\n<td>\u00c9chantillonnage MCMC, extraction post\u00e9rieure<\/td>\n<\/tr>\n<tr>\n<td>Optimisation<\/td>\n<td>scipy (scipy.optimize), symptique<\/td>\n<td>M\u00e9thodes bas\u00e9es sur des gradients, d\u00e9riv\u00e9s symboliques<\/td>\n<\/tr>\n<tr>\n<td>Analyse d'identification<\/td>\n<td>Salib, SMT<\/td>\n<td>Probabilit\u00e9s de profil, d\u00e9pistage de la sensibilit\u00e9<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Fipy, un solveur de volume fini bas\u00e9 sur Python, s'int\u00e8gre naturellement dans les pipelines de calibration. Vous pouvez d\u00e9finir des mod\u00e8les de champs de phase avec Fipy, les associer \u00e0 Pymc pour l'inf\u00e9rence bay\u00e9sienne et utiliser Scikit-Learn pour la mod\u00e9lisation de substitution. L'\u00e9cosyst\u00e8me g\u00e8re l'int\u00e9gralit\u00e9 du pipeline&nbsp;: simulation directe \u2192 \u00e9valuation inadapt\u00e9e \u2192 mise \u00e0 jour des param\u00e8tres \u2192 extraction post\u00e9rieure.<\/p>\n<p>Pour un exemple pratique d'int\u00e9gration Fipy, vous feriez g\u00e9n\u00e9ralement :<\/p>\n<ol>\n<li>D\u00e9finir le mod\u00e8le de champ de phase dans Fipy avec des param\u00e8tres symboliques<\/li>\n<li>Ex\u00e9cuter les simulations \u00e0 des points de conception exp\u00e9rimentaux<\/li>\n<li>Installez un substitut (GPE ou PCE) \u00e0 l'aide de Scikit-Learn ou de Chaospy<\/li>\n<li>Appelez PYMC pour d\u00e9finir les a priori, la probabilit\u00e9 et l'\u00e9chantillonnage MCMC<\/li>\n<li>Extraire les statistiques post\u00e9rieures et calculer les intervalles cr\u00e9dibles<\/li>\n<\/ol>\n<hr>\n<h2>\u00c9talonnage, quantification de l'incertitude et validation<\/h2>\n<p>Ces trois \u00e9tapes forment un pipeline de cr\u00e9dibilit\u00e9 connect\u00e9e&nbsp;:<\/p>\n<p><strong>Calibration<\/strong> \u2192 D\u00e9termine les param\u00e8tres des donn\u00e9es d'entra\u00eenement<br> <strong>Validation<\/strong> \u2192 Mod\u00e8les calibr\u00e9s par rapport aux donn\u00e9es ind\u00e9pendantes<br> <strong>Propage d'incertitude<\/strong><\/p>\n<p>Le <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Guide de quantification d'incertitude<\/a> sur Matforge couvre la prochaine \u00e9tape apr\u00e8s l'\u00e9talonnage&nbsp;: propageant l'incertitude des param\u00e8tres \u00e0 travers le mod\u00e8le \u00e0 l'aide de Monte Carlo, PCE ou d'autres m\u00e9thodes. Une fois que vous avez des distributions post\u00e9rieures \u00e0 partir de l'\u00e9talonnage, vous devez les propager \u00e0 travers le mod\u00e8le pour obtenir des intervalles de pr\u00e9diction sur les quantit\u00e9s d'int\u00e9r\u00eat.<\/p>\n<p>Un flux de travail complet ressemble \u00e0 ceci :<\/p>\n<ol>\n<li>D\u00e9finir les priors et la conception exp\u00e9rimentale<\/li>\n<li>Ex\u00e9cuter les simulations \u00e0 des points de conception exp\u00e9rimentaux<\/li>\n<li>Fit Surrogate (GPE, PCE ou PiNN)<\/li>\n<li>Ex\u00e9cutez MCMC pour une extraction post\u00e9rieure<\/li>\n<li>Valider par rapport \u00e0 un ensemble de donn\u00e9es ind\u00e9pendant<\/li>\n<li>Propager les distributions post\u00e9rieures \u00e0 travers le mod\u00e8le pour UQ<\/li>\n<li>Param\u00e8tre de rapport Intervalles cr\u00e9dibles, intervalles de pr\u00e9diction et classements de sensibilit\u00e9<\/li>\n<\/ol>\n<hr>\n<h2>Erreurs courantes dans le calibrage du mod\u00e8le<\/h2>\n<p>Les \u00e9tudes d'\u00e9talonnage \u00e9chouent fr\u00e9quemment en raison d'erreurs \u00e9vitables. Les plus courants comprennent :<\/p>\n<ol>\n<li><strong>Ignorer l'analyse de l'identifiabilit\u00e9<\/strong> \u2014 L'\u00e9talonnage des param\u00e8tres qui ne peuvent pas \u00eatre limit\u00e9s par les donn\u00e9es disponibles produit des post\u00e9rieurs non informatifs qui refl\u00e8tent les observations ant\u00e9rieures, et non les observations.<\/li>\n<li><strong>Utiliser un ensemble de donn\u00e9es pour l'\u00e9talonnage et la validation<\/strong> \u2014 La validation doit utiliser un ensemble de donn\u00e9es ind\u00e9pendant qui n'a pas \u00e9t\u00e9 utilis\u00e9 pour le r\u00e9glage. Sinon, vous mesurez le surajustement, pas la pr\u00e9cision du mod\u00e8le<\/li>\n<li><strong>Traiter l'\u00e9talonnage comme une optimisation<\/strong>&nbsp;: l'optimisation des moindres carr\u00e9s produit des estimations ponctuelles mais ne dit rien sur l'incertitude des param\u00e8tres. Un \u00e9talonnage bay\u00e9sien avec des distributions post\u00e9rieures est essentiel pour les pr\u00e9dictions cr\u00e9dibles<\/li>\n<li><strong>Surajustement avec trop de param\u00e8tres<\/strong> \u2014 Plus de param\u00e8tres s'adaptent toujours mieux mais augmentent le risque de surajustement. Utilisez l'analyse d'identification pour r\u00e9duire la dimension avant l'\u00e9talonnage<\/li>\n<li><strong>Ne pas valider les substituts<\/strong> - une m\u00e8re porteuse qui correspond bien aux donn\u00e9es d'entra\u00eenement peut mal extrapoler. Les points de validation ind\u00e9pendants sont obligatoires<\/li>\n<li><strong>Calibrage d\u00e9routant avec validation<\/strong> \u2014 param\u00e8tres de calibrage ; La validation teste le mod\u00e8le calibr\u00e9 par rapport aux donn\u00e9es ind\u00e9pendantes. Ils remplissent diff\u00e9rents r\u00f4les dans le cadre VVUQ<\/li>\n<li><strong>ignorer l'incertitude de mesure<\/strong> \u2014 Les probabilit\u00e9s doivent tenir compte d'une erreur exp\u00e9rimentale. Ignorer l'incertitude de mesure r\u00e9tr\u00e9cit de mani\u00e8re trop confiante les distributions post\u00e9rieures<\/li>\n<\/ol>\n<hr>\n<h2>R\u00e9sum\u00e9 et \u00e9tapes suivantes<\/h2>\n<p>L'\u00e9talonnage du mod\u00e8le relie des mod\u00e8les de champ de phase th\u00e9oriques et des pr\u00e9dictions pertinentes exp\u00e9rimentalement. La communaut\u00e9 des sciences des mat\u00e9riaux informatiques s'est d\u00e9plac\u00e9e de mani\u00e8re d\u00e9cisive vers des cadres probabilistes (bay\u00e9siens) au cours de la derni\u00e8re d\u00e9cennie, motiv\u00e9s par la n\u00e9cessit\u00e9 de quantifier l'incertitude et l'accessibilit\u00e9 accrue des mod\u00e8les de substitution.<\/p>\n<p>Les principaux points \u00e0 retenir pour votre prochaine campagne de calibrage&nbsp;:<\/p>\n<ul>\n<li><strong>Commencez par l'analyse d'identification<\/strong> \u2014 Tous les param\u00e8tres ne sont pas limit\u00e9s par vos donn\u00e9es. Correction de param\u00e8tres non identifiables \u00e0 partir de mesures ind\u00e9pendantes.<\/li>\n<li><strong>Utilisez le flux de travail en deux \u00e9tapes<\/strong> - d'abord les constantes de masse, puis la fracture\/dissipation. Cela r\u00e9duit la dimension et emp\u00eache le surajustement.<\/li>\n<li><strong>Choisissez votre m\u00e9thode par le co\u00fbt du mod\u00e8le<\/strong> - les moindres carr\u00e9s pour les mod\u00e8les simples, associent pour l'efficacit\u00e9 multi-param\u00e8tres, bay\u00e9sien pour l'incertitude, les substituts pour les SIM co\u00fbteuses.<\/li>\n<li><strong>Valider avec des donn\u00e9es ind\u00e9pendantes<\/strong> \u2014 N'utilisez jamais l'ensemble de donn\u00e9es d'\u00e9talonnage pour la validation.<\/li>\n<li><strong>Propager l'incertitude vers l'avant<\/strong> - l'\u00e9talonnage vous donne des post\u00e9rieurs&nbsp;; La propagation UQ vous donne des intervalles de pr\u00e9diction.<\/li>\n<\/ul>\n<hr>\n<h2>Guides connexes<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/understanding-phase-field-models-in-materials-science\/\" rel=\"nofollow noopener\" target=\"_blank\">comprendre les mod\u00e8les de champ de phase dans la science des mat\u00e9riaux<\/a> \u2014 Contexte sur les \u00e9quations de champ de phase, la mobilit\u00e9, l'\u00e9nergie interfaciale et les strat\u00e9gies num\u00e9riques<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Quantification de l'incertitude et analyse de sensibilit\u00e9<\/a> \u2014 Propager les incertitudes de param\u00e8tres calibr\u00e9s gr\u00e2ce \u00e0 des simulations utilisant des indices PCE, Monte Carlo et SOBOL<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">R\u00e9seaux de neurones informatis\u00e9s (PINN) pour les simulations scientifiques<\/a> \u2014 Surrogations de r\u00e9seaux de neurones pour les probl\u00e8mes inverses et la d\u00e9couverte de param\u00e8tres de donn\u00e9es clairsem\u00e9es<\/li>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">V\u00e9rification vs validation Dans les simulations scientifiques<\/a> \u2014 Placez l'\u00e9talonnage dans le cadre plus large de cr\u00e9dibilit\u00e9 VVUQ<\/li>\n<li><a href=\"https:\/\/matforge.org\/using-fipy-for-phase-field-modeling\/\" rel=\"nofollow noopener\" target=\"_blank\">Utiliser Fipy pour la mod\u00e9lisation de champ de phase<\/a> \u2014 mod\u00e8les de mise en \u0153uvre pratiques pour Fipy, le solveur de volumes finis bas\u00e9 sur Python<\/li>\n<\/ul>\n<hr>\n<h2>Sources cl\u00e9s<\/h2>\n<ol>\n<li><strong>Wu, Rosi\u0107, de Lorenzis, Matthies (2021)<\/strong> \u2014 Identification des param\u00e8tres pour la mod\u00e9lisation en champ de phase de la fracture&nbsp;: une approche bay\u00e9sienne avec mise \u00e0 jour sans \u00e9chantillonnage. <em>M\u00e9canique informatique<\/em> 67(2). doi:10.1007\/S00466-020-01942-X<\/li>\n<li><strong>Schmid et al. (2025)<\/strong> \u2014 Calibrage d'un mod\u00e8le de fracture en champ de phase fini-d\u00e9formation pour des mat\u00e9riaux granulaires li\u00e9s avec une quantification d'incertitude. arxiv:2509.10484v1<\/li>\n<li><strong>Matsuura (2021)<\/strong> \u2014 Mod\u00e8le adjoint pour estimer les param\u00e8tres des mat\u00e9riaux en fonction de l'\u00e9volution de la microstructure au cours de la d\u00e9composition spinodale. <em>Mat\u00e9riaux de r\u00e9vision physique<\/em> 5, 113801. doi:10.1103\/physrevmaterials.5.113801<\/li>\n<li><strong>Waqar, Patel, Simon (2023)<\/strong> \u2014 Un tutoriel sur l'approche statistique bay\u00e9sienne des probl\u00e8mes inverses. <em>APL Mach. Apprenez.<\/em> 1(4), 041101. doi:10.1063\/1.5077393<\/li>\n<li><strong>\u0160odan, Divi\u0107, Friedman, Nikoli\u0107 (2025)<\/strong> \u2014 enqu\u00eate sur l'identification des param\u00e8tres bay\u00e9siens \u00e0 l'aide d'\u00e9chantillons de laboratoire non standard. <em>Appl. SCI.<\/em> 15(11), 6194. doi:10.3390\/App1516194<\/li>\n<\/ol>\n<hr>\n<p><em>Cet article synth\u00e9tise les r\u00e9sultats de la recherche en science des mat\u00e9riaux informatiques \u00e9valu\u00e9e par des pairs. Toutes les valeurs des param\u00e8tres, les descriptions de m\u00e9thodes et les structures de flux de travail sont d\u00e9riv\u00e9es des sources primaires cit\u00e9es. Aucune URL fabriqu\u00e9e ou r\u00e9clamation non prise en charge n'est incluse.<\/em><\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 13<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Apprenez le MCMC bay\u00e9sien, l&rsquo;optimisation adjointe, la mod\u00e9lisation de substitution et les flux de travail pratiques pour la calibration de mod\u00e8les de mat\u00e9riaux informatiques.<\/p>\n","protected":false,"raw":"Apprenez le MCMC bay\u00e9sien, l'optimisation adjointe, la mod\u00e9lisation de substitution et les flux de travail pratiques pour la calibration de mod\u00e8les de mat\u00e9riaux informatiques."},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/matforge.org\/model-calibration-techniques-computational-materials-science\/","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[44,42,47,15,5,49,43,41,23,46,10,48,16,24,45,50],"class_list":["post-1286","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-adjoint-methods","tag-bayesian-inference","tag-computational-materials-science","tag-deep-learning","tag-fipy","tag-identifiability","tag-mcmc","tag-model-calibration","tag-numerical-methods","tag-parameter-estimation","tag-pde","tag-phase-field","tag-scientific-python","tag-scientific-simulation","tag-surrogate-modeling","tag-uq","fr-FR"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  13 minutesApprenez le MCMC bay\u00e9sien, l&#039;optimisation adjointe, la mod\u00e9lisation de substitution et les flux de travail pratiques pour la calibration de mod\u00e8les de mat\u00e9riaux informatiques.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-21T14:31:24+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"22 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques\",\"datePublished\":\"2026-08-21T14:31:24+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/\"},\"wordCount\":4566,\"commentCount\":0,\"keywords\":[\"M\u00e9thodes adjointes\",\"Inf\u00e9rence bay\u00e9sienne\",\"Sciences des mat\u00e9riaux informatiques\",\"deep learning\",\"FiPy\",\"identifiability\",\"MCMC\",\"model calibration\",\"numerical methods\",\"parameter estimation\",\"PDE\",\"phase-field\",\"scientific python\",\"scientific simulation\",\"surrogate modeling\",\"UQ\"],\"articleSection\":[\"Simulation &amp; Projets de mod\u00e9lisation\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/\",\"name\":\"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-21T14:31:24+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/model-calibration-techniques-computational-materials-science\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/","og_locale":"fr_FR","og_type":"article","og_title":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques - matforge.org","og_description":"Reading Time:  13 minutesApprenez le MCMC bay\u00e9sien, l'optimisation adjointe, la mod\u00e9lisation de substitution et les flux de travail pratiques pour la calibration de mod\u00e8les de mat\u00e9riaux informatiques.","og_url":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/","og_site_name":"matforge.org","article_published_time":"2026-08-21T14:31:24+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"steven","Dur\u00e9e de lecture estim\u00e9e":"22 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques","datePublished":"2026-08-21T14:31:24+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/"},"wordCount":4566,"commentCount":0,"keywords":["M\u00e9thodes adjointes","Inf\u00e9rence bay\u00e9sienne","Sciences des mat\u00e9riaux informatiques","deep learning","FiPy","identifiability","MCMC","model calibration","numerical methods","parameter estimation","PDE","phase-field","scientific python","scientific simulation","surrogate modeling","UQ"],"articleSection":["Simulation &amp; Projets de mod\u00e9lisation"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/","url":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/","name":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-21T14:31:24+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/fr\/model-calibration-techniques-computational-materials-science\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/"},{"@type":"ListItem","position":2,"name":"Techniques de calibration de mod\u00e8les pour la science des mat\u00e9riaux informatiques"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1286","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1286"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1286\/revisions"}],"predecessor-version":[{"id":1404,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1286\/revisions\/1404"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1286"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1286"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1286"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}