Time-based interpretation of acoustic emission data : importance of suitable validation criteria and relevance of Bayesian variational methods with and without a priori
Aspects temporels dans l’interprétation des données d’émission acoustique : importance de critères de validation adaptés et pertinence de méthodes variationnelles bayésiennes avec et sans a priori
Résumé
The acoustic emission technique is a passive and non-destructive method for structural health monitoring and material characterization. Under stress, structures release energy in the form of waves transients called acoustic emissions, which carry the characteristics of their sources. These waves are represented in a common feature space. The number of sources and the relevant features being unknown, so for different subsets of features, a clustering is done by varying the number of clusters. Validation consists of determining the number of clusters and the subset of relevant features. This validation has long been made with criteria based on the shape of the clusters, without taking into account clusters chronology. In this thesis we have defined sequential validation criteria dedicated to acoustic emission. A clustering validation method based on cluster trigger histograms has also been proposed for chronological monitoring of events. Finally, a partially supervised learning model has been proposed to help the clustering with partial information. This model also makes it possible to determine the number of natural clusters automatically, without the intervention of a criterion.
La technique de l'émission acoustique est une méthode passive et non destructive d'évaluation de l'état de santé des structures. Sous contrainte, les structures libèrent de l'énergie sous forme d'ondes transitoires appelées émissions acoustiques, portant les caractéristiques de leurs sources. Ces ondes sont représentées dans un espace commun de descripteurs. Le nombre de sources et les descripteurs pertinents étant inconnus, pour différents sous-ensembles de descripteurs, un partitionnement est fait en faisant varier le nombre de clusters. La validation consiste à déterminer le nombre de clusters et le sous-ensemble de descripteurs pertinents. Cette validation a longtemps reposé sur des critères basés sur la forme des clusters, sans tenir compte de la chronologie de ces derniers. Dans cette thèse nous avons défini des critères de validation séquentiels dédiés à l'émission acoustique. Une méthode d'évaluation du partitionnement basée sur les histogrammes de déclenchement des clusters a également été proposée pour un suivi chronologique des évènements. Enfin un modèle de partitionnement partiellement supervisé a été proposé pour orienter le partitionnement avec des informations partielles. Ce modèle permet aussi de déterminer le nombre de clusters naturels de façon automatique, sans l'intervention d'un critère.
| Origine | Version validée par le jury (STAR) |
|---|