La propagation de l'incertitude (Uncertainty Propagation, UP) est une étape clé pour évaluer l'impact de l'incertitude des entrées sur la réponse structurelle, ayant une importance majeure dans les applications ingénierie. Cependant, pour les systèmes structurels à forte non-linéarité et à sorties multiples, la réalisation d'une analyse précise et efficace de la propagation de l'incertitude reste un défi. Cette étude propose une nouvelle méthode adaptative de UP basée sur les réseaux de neurones artificiels (Artificial Neural Network, ANN) pour relever ce défi. Dans cette méthode, la moyenne de la réponse de sortie est obtenue directement par l'ANN via une dérivation analytique, le processus de calcul nécessitant uniquement l'appel des poids et des vecteurs de biais du réseau. Pour le calcul de l'écart-type de la sortie, cette étude innove en utilisant plusieurs intégrales univariées pour remplacer l'intégrale multivariée. La méthode analytique établie et la technique d'intégration univariée atténuent efficacement les erreurs de post-traitement courantes dans l'estimation des moments statistiques de la sortie sous le cadre ANN issues des méthodes numériques traditionnelles. De plus, cette étude propose un cadre adaptatif incluant la subdivision de l'espace d'entrée et une stratégie d'ajout ponctuel ajustable afin d'améliorer la précision du calcul du problème de propagation de l'incertitude structurale. L'efficacité de la méthode proposée a été validée à travers plusieurs cas d'application incluant des problèmes fortement non linéaires, des systèmes à sorties multiples et des modèles par éléments finis. Les résultats montrent que la méthode permet non seulement d'estimer avec précision les moments statistiques, mais aussi d'obtenir efficacement la fonction de densité de probabilité de la réponse structurelle.

propagation de l'incertitude;réseau de neurones artificiels;résultats analytiques;intégrale univariée;cadre adaptatif