clear all 
close all

input = 'punch_ref.inp';
output = 'punch_ref.dat';
RunINP(input)
[U,RF] = readAbaqusOutput(output);

%U_exp = 30 ;
RF_exp = -250 ;

error = abs(RF_exp-RF);

% Calculer error pour plusieurs valeurs de E

n_samples = 10;
E_min = 0.001 ;
E_max = 1 ;
%E_values = E_min + (E_max - E_min) * rand(n_samples, 1);

E_values = linspace(E_min,E_max,n_samples);

for i=1:n_samples
    filename = num2str(i);
    nom_fichier_out = append(filename,'_out');
    nom_fichier_inp_out = append(nom_fichier_out,'.inp');
    nom_fichier_dat_out = append(nom_fichier_out,'.dat');
    nom_fichier_dat = append(filename,'.dat');
    
    modify_INP(input, nom_fichier_inp_out,E_values(i));
    RunINP(nom_fichier_inp_out);  
    [U,RF] = readAbaqusOutput(nom_fichier_dat_out);
    u(i) = U ;
    rf(i) = RF ;
end

figure
plot(E_values,rf,'bx')

error_E = abs(RF_exp-rf);
figure
plot(E_values,error_E,'bx')

% Apprentissage
net = feedforwardnet(10); % 10 neurones dans la couche cachée
net = train(net,E_values,error_E);

%% Optimisation
% Bornes inférieures et supérieures des paramètres
lb = [E_min];
ub = [E_max];

% Paramètres initiaux pour l'optimisation
init_params = [mean([E_min, E_max])];

% Options pour l'optimisation
options = optimoptions('fmincon', 'Algorithm', 'sqp');

% Optimisation des paramètres E1, E2, E3 pour minimiser l'écart avec les données expérimentales
[E_opt, fval] = fmincon(@(E) objective_function(E, net, 0), init_params, [], [], [], [], lb, ub, [], options);

% Affichage des résultats
fprintf('Le paramètre optimisé est : E = %f\n', E_opt(1));