Le travail proposé concerne la prédiction de la réponse numérique d'une structure biomécanique modélisée et soumise à un état de chargement extérieur connu. La biomécanique couvre aujourd'hui largement les domaines variés de la mécanique et cumule les différentes complexités y afférant. De façon à progressivement s'approcher de modélisations validées de structures proches de structures réelles, la méthodologie retenue s'appuie sur des structures homogènes puis hétérogènes (tissus cutanés sains ou pathologiques) accessibles expérimentalement in vivo sous la reserve d'un contrôle des conditions aux limites appliquées.

Des données expérimentales de type essai mécanique uniaxial et biaxial, de type champ de déplacement corrélés à l'essai et d'imagerie décrivant la microstructure du tissu sont utilisées comme données d'entrée au modèle numérique. Ces données sont bruitées, obtenues dans un nombre de configurations restreint, sur un seul sujet et avec la variabilité caractéristique du domaine du vivant. Les essais ont respecté une parfaite inocuité entrainant une méconnaissance partielle des conditions aux limites.

 L'étude propose d'identifier les différentes sources d'incertitude présentes (expérimentales et numériques), de les quantifier pour approcher un modèle simplifié et optimisé par rapport aux données semblant les plus pertinentes pour répondre à la prédiction recherchée.

Une classification des sources d'incertitudes sera présentée pour distinguer les sources liées à la géométrie (forme et épaisseur) des sources liées au comportement des différents tissus constituant la structure (tissus sain ou pathologique) et à l'identification des paramètres matériaux. Les effets du temps (préconditionnement et viscoélasticité et évolution temporelle du tissu) apportent une variabilité souvent mal maîtrisée. Les conditions aux limites et les conditions d'interface (peau saine – peau pathologique) mal connues ou inconnues car inaccessibles expérimentalement conduisent à préférer un modèle avec peu de paramètres et un site optimisé issu d'une analyse de sensibilité.