Simulation réaliste basée sur des techniques d'apprentissage pour l'amélioration du diagnostic en contrôle non destructif

par Gerardo Granados

Projet de thèse en Mécanique des solides

Sous la direction de Didier Clouteau.

Thèses en préparation à université Paris-Saclay , dans le cadre de École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences , en partenariat avec MSSMAT - Mécanique des sols structures et Matériaux (laboratoire) et de CentraleSupélec (référent) depuis le 19-10-2020 .


  • Résumé

    Le développement d'outils de diagnostic automatique est un sujet de recherche très actif dans le domaine du contrôle non destructif, car il s'inscrit dans la stratégie de modernisation et de gestion améliorée des lignes de production au niveau européen [1]. Ces outils visent à fournir à une chaîne de contrôle de plus haut niveau une évaluation qualitative ou quantitative de l'état du matériau inspecté (état sain, endommagé, dimensionnement, criticité de l'anomalie). L'institut CEA LIST est reconnu internationalement comme un acteur majeur de recherche dans le domaine du contrôle. Il développe la plateforme CIVA [2], qui est reconnue comme l'un des principaux logiciels de simulation multi-physique du domaine. Une modélisation fiable et précise des phénomènes physiques mis en jeu dans la mesure non destructive est un atout important dans une démarche de caractérisation des indications contenues dans le signal expérimental [3]. Cependant, elle ne tient pas compte des perturbations et de la variabilité des entrées caractéristiques de toute expérience de mesure, c'est pourquoi on peut par exemple facilement distinguer un signal simulé « parfait » d'une acquisition expérimentale. Le sujet de thèse proposé vise à développer une solution permettant de réduire l'écart entre signaux simulés et expérimentaux, en augmentant la simulation avec une contribution supplémentaire que l'on peut qualifier de « bruit » et qui représente tout ce qui n'est pas le signal physique déterministe régi par le jeu d'équations physiques correspondant à la mesure étudiée (ultrasons, électromagnétisme). La stratégie pour calculer cette contribution consiste à appliquer des méthodes d'apprentissage à un jeu de données expérimental représentatif, ou a entraîner un réseau de neurones à dissocier dans des acquisitions réelles le contenu (les signatures de défauts) du style (le reste, qui n'est pas simulé). Par la suite cette simulation augmentée sera utilisée dans des processus d'analyse de sensibilité, de gestion des incertitudes et de diagnostic automatique développés au CEA LIST. Elle permettra d'obtenir une meilleure adéquation entre la simulation et l'expérience, ainsi que la prise en compte de potentielles dérives cas-dépendantes dues à un environnement particulier.

  • Titre traduit

    Machine learning based simulation of realistic signals for an enhanced automatic diagnostic in non-destructive testing applications


  • Résumé

    Model based solutions for automatic diagnostic in the field on non-destructive testing are currently a topic of great interest in both academic and industrial communities. Their ultimate objective is to provide a qualitative or quantitative evaluation of the inspected material state (sound, flawed, flawed with anomaly dimensions or criticality) in an industrial context like a production line. Such tools, providing inputs for real-time process control, contribute to the general trend in Europe that aims at modernizing Industry and services [1]. The CEA LIST institute is an internationally recognized research institution in the field of nondestructive testing. It develops the CIVA software [2], which offers multi-physics models and is considered as a leading product for simulation for NDT applications. Accurate models able to reproduce experimental signals prove very helpful in an inversion process aiming at classifying or characterizing flaws [3]. However, as they do not account for disturbances and parameters variability occurring during an experimental acquisition, simulated signals inherently look “perfect” and are, for instance, easily distinguishable from experimental data. This PhD subject aims at improving the match between simulation and experimental data, by augmenting the simulation with another contribution on can generally refer to as “noise”. The strategy proposed to obtain such noise contribution is to apply machine- learning techniques like dictionary learning to a set of representative experimental data. Alternatively, a deep learning model can be trained to analyze real data and then distinguish between contents (flaw signals) and style (the rest, which is not simulated by physical models). Afterwards, the augmented simulation tool will be able to reproduce closely experimental data, take into account specific discrepancies due to a particular environment and reproduce the variability observed experimentally. It will thus enhance the performance of model based tools developed at CEA LIST for sensibility analysis, management of uncertainty and diagnostic.