Des essais homogènes macroscopiques, tels que les tests classiques de tension et de compression, peuvent être réalisés pour obtenir une mesure des propriétés moyennes d’un composite donné. Cependant, ces tests ne permettent pas d’identifier les paramètres mécaniques in situ des phases constitutives ou encore de l’interface d’adhésion entre la matrice et les fibres. Grâce aux avancées récentes au niveau des appareils optiques et des technologies d’imagerie, plusieurs techniques de mesures en champ complet telle que la Corrélation d’Images Numériques (CIN) et la Corrélation de Volumes Numériques (CVN) ont fait leur apparition. Ces techniques permettent la quantification des champs de déplacements/déformations en 2D ou 3D sur la surface ou même à l’intérieur d’un matériau opaque soumis à des chargements externes. La disponibilité de telles informations a permis le développement de différentes méthodes inverses d’identification de paramètres des matériaux. Parmi ces dernières, l’Actualisation du Modèle Éléments Finis (AMÉF) et la Méthode des Champs Virtuels (MCV) ont été grandement exploitées. L’utilisation combinée d’une technique de mesure en champ complet et d’une méthode d’identification inverse constitue une stratégie très prometteuse pour identifier simultanément plusieurs propriétés mécaniques locales.

L’objectif principal de cette thèse était de développer et d’améliorer des approches inverses en 2D et en 3D, étant efficaces à la fois en termes de précision et de temps de calcul. Les approches développées ont été validées en réalisant différentes expériences virtuelles permettant l’identification des propriétés mécaniques locales de composites avec diverses caractéristiques mécaniques et morphologiques.

En premier lieu, un algorithme inverse basé sur la technique d’Actualisation du Modèle Éléments Finis (AMÉF) a été développé et ensuite amélioré. L’amélioration a d’abord consisté à utiliser une technique d’optimisation hybride, i.e. combinaison d’une méthode globale sans dérivées et d’une méthode d’optimisation de premier ordre, afin d’augmenter la précision des paramètres identifiés. De plus, une série de contraintes mécaniquement pertinentes, comprenant un modèle d’homogénéisation approprié, a été ajoutée pour régulariser le problème d’identification. La fonctionnalité de cette nouvelle approche numérique et analytique, à savoir l’Actualisation du Modèle Régularisé (AMR), a été comparée à celle de la AMÉF en présence de champs de déplacements bruités de composites unidirectionnels à fibres longues.

En second lieu, une nouvelle approche basée sur la Méthode de Champs Virtuels (MCV) a été développée pour concilier précision et efficacité numérique. La nouveauté de cette Méthode de Champs Virtuels Régularisée (MCVR) est qu’une régularisation, similaire à celle de l’AMR, a été introduite dans la formulation classique de la MCV. L’évaluation sur des expériences simulées a révélé que la MCVR est plus robuste que la MCV en présence de bruit. En outre, la MCVR a conduit à une précision de résultats semblable à celle de l’approche AMR, mais pour un temps de calcul significativement plus court. De plus, la taille optimale de la région d’intérêt a été déterminée en considérant un compromis raisonnable entre les besoins de magnification de la CIN pour mieux obtenir les hétérogénéités de déformation et la précision des paramètres identifiés.

En dernier lieu, la MCV a été étendue en 3D dans le but d’identifier les paramètres constitutifs des composites particulaires. Elle a été subséquemment améliorée en développant la MCVR en ajoutant des contraintes de régularisation. L’évaluation sur des données 3D de déformations bruitées en champ complet a prouvé la supériorité de cette approche. La taille optimale de la région d’intérêt a également été déterminée par une procédure semblable à celle présentée en 2D.

La contribution principale de cette thèse est le développement de méthodes d’identification robustes et efficaces en termes de temps de calcul, qui résultent en des paramètres mécaniques appropriés en 2D et 3D. La thèse a aussi fait la démonstration que l’ajout de techniques de régularisation s’inspirant de modèles d’homogénéisation peut significativement améliorer la précision des solutions.

Macroscopic homogeneous testing, such as classical tension and compression tests, can be performed for obtaining the average behavior of a given composite. However, these tests cannot provide the local fiber and matrix properties, nor the matrix-fiber interface adhesion properties. Thanks to recent advances made in optical devices and imaging technologies, several full-field measurement techniques such as Digital Image Correlation (DIC) and Digital Volume Correlation (DVC) have been developed. These techniques allow quantifying 2D or 3D displacement/strain fields over the surface, or even inside an opaque material subjected to external loadings. The experimental availability of such rich information has given rise to several inverse material parameters identification techniques. Among these, the Finite Element Model Updating (FEMU) and the Virtual Fields Method (VFM) have been widely exploited due to their inherent advantages such as their lower sensitivity to noise. The combination of a full-field measurement technique and an inverse identification method is a very promising strategy for simultaneously identifying several local mechanical properties.

The main objective of this thesis was to develop improved inverse identification approaches in 2D and 3D, that were efficient in terms of both accuracy and computational time. The developed approaches were validated by conducting several virtual experiments through local mechanical properties identification of composites with various mechanical and morphological characteristics.

First, an inverse algorithm based on the Finite Element Model Updating (FEMU) technique was developed and improved. The improvement consisted first in using a hybrid optimization technique, i.e. a combination of a global derivative-free algorithm and a gradient-based optimization method, so as to enhance the accuracy of the identified parameters. In addition, a set of mechanically relevant constraints, consisting of an appropriate homogenization model, were included so as to regularize the identification problem. The functionality of this new numerical-analytical approach, named the Regularized Model Updating (RMU), was compared to that of the FEMU method in the presence of noisy measured displacement fields for uni-directional long fiber composites.

Second, a new approach based on the Virtual Fields Method (VFM) was developed with the capability of reconciling accuracy and computational efficiency. The novelty of this Regularized Virtual Fields Method (RVFM) was that mechanically relevant constraints were exploited within an optimization framework to regularize the solution of the related system of equations in the VFM. Application of the RVFM using simulated experiments revealed that it outperformed the VFM when dealing with noisy measured strain fields. Furthermore, the RVFM led to results of an accuracy similar to that obtained from the RMU, but in a significantly shorter calculation time. Moreover, the optimum size of the region of interest was determined considering a reasonable compromise between DIC magnification requirements and the accuracy of the identified parameters.

Finally, the VFM was extended to 3D with the aim of identifying constitutive parameters of particulate composites. It was subsequently improved by developing RVFM to achieve lower uncertainties in the sought parameters by adding regularization constraints. The evaluation on 3D artificial noisy full-field strain data proved the full potential of the approach. The optimum size of region of interest was also determined through a similar procedure as that used in 2D.

The main contribution of this thesis was to develop robust inverse identification approaches that are computationally efficient, while yielding appropriate constitutive parameters in 2D and 3D. This thesis work also showed that addition of mechanically motivated constraints can significantly improve the robustness of existing approaches