The problem of modelling thermal histories lies in the exploration of a time-temperature space, usually so broad, in order to identify the optimal paths. For overcoming this difficulty, many approaches were proposed, using linear and non-linear optimisation algorithms. Generally, these approaches do not take into account the experimental data (fission track age [FTA] and fission track length distribution (FTLD]) to better aim the search strategy. The present work shows that experimental data hold some precious information, for which it should be known how to extract it. In fact, it allows us to tighten the time-temperature space of search, supposed to contain the optimal solutions. A genetic algorithm is also used in this work to perform the search for these optimal solutions. Le problème de la modélisation des histoires thermiques réside dans l'exploration d'un espace temps-température, souvent très vaste, pour identifier les parcours thermiques optimaux. Pour surmonter cette difficulté, plusieurs approches ont été proposées, utilisant des algorithmes d'optimisation linéaires et non linéaires. En général, ces approches n'exploitent pas les données expérimentales (âge, traces de fission, ATF, et distribution des longueurs de traces de fission, DLTF) pour orienter la recherche des solutions. Dans ce travail, on montre que les données expérimentales renferment des informations précieuses, qu'il faut savoir extraire. En effet, ces informations nous permettent de réduire l'espace de recherche tempstempérature. La nécessité d'une phase d'optimisation, pour rechercher avec efficacité les histoires thermiques potentielles, nous a conduit à l'utilisation des algorithmes génétiques. Les résultats fournis par ce modèle inverse sur des données réelles et artificielles, sont très prometteurs.
Read full abstract