Machine learning based simulation of realistic signals for an enhanced automatic diagnostic in non-destructive testing applications - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

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

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

Gerardo Emanuel Granados
  • Fonction : Auteur
  • PersonId : 1375233
  • IdRef : 234264918

Résumé

Model-based solutions for automatic diagnostics in the field of 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. The CEA LIST Institute is an internationally recognized research institution in non-destructive testing and evaluation (NDT&E). It develops the CIVA software, which offers multi-physics models and is considered a leading product for simulation for NDT&E applications. Accurate models able to reproduce experimental signals prove very helpful in an inversion process aiming at classifying or characterizing flaws. However, as they do not account for disturbances and parameter variability occurring during an experimental acquisition, simulated signals inherently look "perfect" and are, for instance, easily distinguishable from experimental data. This PhD subject aims to improve the match between simulation and experimental data by augmenting the simulation with another contribution generally referred to as "noise". The strategy proposed to obtain such noise contribution is to apply machine-learning techniques to a set of representative experimental data. Alternatively, a deep learning model can be trained to analyze "real" data and distinguish between contents (flaw signals) and style (the rest, which physical models do not simulate). Afterwards, the augmented simulation tool will be able to reproduce closely experimental data, account for 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 sensitivity analysis, management of uncertainty and diagnostic.
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. 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, qui est reconnue comme l'un des principaux logiciels de simulation multiphysique 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. Cependant, elle ne tient pas compte des perturbations et de la variabilité des entrées caractéristiques des expériences de mesure, c'est pourquoi on peut, par exemple, facilement distinguer un signal simulé « parfait » d'une acquisition expérimentale. Cette thèse porte sur le développement d'une solution permettant de réduire l'écart entre signaux simulés et expérimentaux, en augmentant les données de la simulation avec une contribution supplémentaire. Celle-ci peut être qualifiée comme « bruit » et représente tout ce qui est différent du signal physique déterministe régi par le jeu d'équations physiques correspondant à la mesure étudiée (ultrasons, électromagnétisme par exemple). La stratégie pour prendre en compte cette contribution consiste à appliquer des méthodes d'apprentissage à un jeu de données expérimental représentatif ou à entraîner un réseau de neurones à dissocier dans des acquisitions réelles le contenu (comme les signatures des défauts) du style (ce qui n'est pas simulé). Par la suite, cette simulation augmentée est 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.
Fichier principal
Vignette du fichier
131907_GRANADOS_2023_archivage.pdf (34.6 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04547403 , version 1 (15-04-2024)

Identifiants

  • HAL Id : tel-04547403 , version 1

Citer

Gerardo Emanuel Granados. Machine learning based simulation of realistic signals for an enhanced automatic diagnostic in non-destructive testing applications. Acoustics [physics.class-ph]. Université Paris-Saclay, 2023. English. ⟨NNT : 2023UPAST143⟩. ⟨tel-04547403⟩
0 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More