CRTI Library

Les méthodes de Contrôle Non Destructif (CND) sont très largement utilisées dans la surveillance de l’état de santé des structures (Structural Health Monitoring ou SHM). Le problème rencontré dans le contrôle par ultrasons est la détection du plus petit défaut en présence du bruit de structure. La détection de deux ou plusieurs échos superposés dans un signal peut être posée comme un problème de résolution. En effet, dans le domaine de l’acoustique linéaire, la dimension du défaut détectable dépend de la longueur d’onde. En présence d’une structure grossière, l'atténuation des ondes ultrasonores dans ces matériaux devient très importante, elle rend leur inspection très complexe. Par ailleurs, les utilisateurs de certaines installations industrielles exigent une inspection en service de ces dernières. Une surveillance est alors recommandée. Dans ce contexte, nous menons des études afin d'améliorer le rapport signal sur bruit et ainsi augmenter la probabilité de détection des défauts. Dans le domaine de l’acoustique non linéaire, la détection des défauts micrométriques devient possible. En effet, la présence d’un micro-endommagement dans le matériau va enrichir le contenu spectral du signal reçu par l’apparition d’harmoniques. L’objectif de ce projet est donc de développer et d’implémenter des outils de traitement des signaux ultrasonores permettant d’améliorer la qualité des résultats de CND par ultrasons en termes de détection, de localisation et d’identification des défauts présents dans un matériau. Dans ce contexte, nous adoptons les approches suivantes : 1. Méthodes méta-heuristiques (Firefly Algorithm, Teaching Learning Based Optimization, …) appliquées à l’amélioration de la détection de défauts dans des structures grossières. 2. Méthodes probabilistes appliquées à l’émission acoustique pour la surveillance et le suivi. 3. Identification et classification des mécanismes sources d’émission acoustique par des méthodes d’intelligence artificielle (KNN, K moyen, Linear least square fit, …) 4. Détection de micro-endommagements dans des matériaux homogènes (métal) et hétérogènes (béton) par l’association de méthodes d’acoustique non linéaire et de techniques de traitement du signal (algorithmes métaheuristiques et machine learning)