Modélisation hybride de la propagation des ondes de Lamb dans des structures minces pour la surveillance in situ des dommages par corrosion-fatigue

La surveillance in situ des dommages causés par la corrosion et la fatigue est un sujet important dans le secteur aérospatial pour contrôler l’intégrité structurelle des composants d’avions. En effet, la combinaison de la corrosion et de la fatigue fragilise les composants métalliques et accélère la propagation des fissures [1]. Les procédures actuelles de surveillance de ces dommages sur les avions reposent sur des inspections non destructives programmées, qui peuvent engendrer des coûts importants. La maintenance prédictive offre une alternative prometteuse pour optimiser ces procédures en ciblant les inspections nécessaires. Il s’agit d’utiliser un système de surveillance autonome qui détecte et identifie les dommages grâce à des algorithmes alimentés par les données des capteurs installés sur la structure sous surveillance.

L’objectif du projet est de développer un tel système de surveillance in situ des dommages causés par la corrosion dans les composants structurels aéronautiques en utilisant la propagation des ondes de Lamb. D’un point de vue expérimental, il a été démontré que ces ondes ultrasonores sont sensibles aux dommages dus à la corrosion dès leur apparition et peuvent être générées à faible coût avec de petits dispositifs piézoélectriques [2]. Cependant, du point de vue du traitement du signal, les algorithmes de surveillance existants reposent principalement uniquement sur des données mesurées et n’intègrent pas de modèle physique [3]. Ainsi, les résultats obtenus sur une structure spécifique ne sont généralement pas transférables à une autre structure similaire (par exemple, épaisseur différente) ou à d’autres conditions opératoires (par exemple, température).

L’objectif principal de cette thèse est d’explorer des méthodologies de modélisation hybride de la propagation des ondes de Lamb, combinant à la fois un modèle physique et des outils d’intelligence artificielle. Selon l’approche hybride choisie, l’intelligence artificielle peut être utilisée pour réduire la dimensionnalité d’un modèle numérique [4] et ainsi accélérer les temps de calcul, et/ou réaliser une assimilation de données [5] pour adapter un modèle à de nouvelles conditions opérationnelles (apprentissage par transfert ). Ces deux approches font l’objet de recherches récentes qui n’ont pas encore été adaptées aux spécificités des problèmes de propagation des ondes de Lamb. Le deuxième objectif de cette thèse est de développer des algorithmes de suivi des dommages par corrosion-fatigue qui exploitent ces modèles hybrides. Ils seront formés et validés à l’aide de données expérimentales d’ondes de Lamb acquises in situ lors du

processus de corrosion-fatigue d’une structure d’intérêt. Les performances des algorithmes développés seront évaluées à travers des études comparatives avec des algorithmes de référence existants. Enfin, un troisième objectif de cette thèse est d’évaluer la durabilité environnementale de la méthodologie de surveillance proposée. A cet effet, une analyse de cycle de vie sera réalisée pour quantifier l’impact de tous les éléments nécessaires à la mise en œuvre du système de surveillance, depuis les développements algorithmiques jusqu’au déploiement sur une structure.

[1] M. El May, N. Saintier, T. Palin‐Luc et O. Devos. « Critère non local de résistance à la fatigue cyclique

pour les matériaux métalliques présentant des défauts de corrosion », Fatigue & Fracture of Engineering Materials &

Structures, vol. 38, 2015.

[2] S. Grondel, C. Delebarre, J. Assaad, J.-P. Dupuis et L. Reithler, « Surveillance des fissures de fatigue des

joints de sangles en aluminium rivetés par

des techniques d’analyse des ondes de Lamb et de mesure des émissions acoustiques », Ndt & E International, vol. 35, 2002.

[3] N. Mechbal, JS Uribe et M. Rébillat, « Un classificateur probabiliste multi-classes pour

la surveillance de l’état des structures », Systèmes Mécaniques et Traitement du Signal, Vols. 60-61, pp. 106-123, 2015.

[4] K. Lee et KT Carlberg, « Réduction de modèle de systèmes dynamiques sur des variétés non linéaires à l’aide

d’auto-encodeurs convolutifs profonds », Journal of Computational Physics, vol. 404, 2019.

[5] S. Cheng, C. Quilodrán-Casas, S. Ouala, … et R. Arcucci. « Apprentissage automatique avec

assimilation de données et quantification d’incertitude pour les systèmes dynamiques : une revue », IEEE/CAA Journal

of Automatica Sinica, vol. 10, 2023.