| Summary: | La caractérisation des matériaux par méthode non destructive est largement répandue dans l’industrie. La méthode s’appuie souvent sur l’analyse d’un signal provenant d’un capteur (ultrason, courants de Foucault, bruit Barkhausen ou autres), afin d’évaluer une caractéristique du matériau telle que la dureté superficielle, la profondeur des traitements thermiques et thermochimiques, etc. Tout d’abord, il est nécessaire d’avoir une corrélation physique entre la propriété physique et la réponse du moyen de contrôle mise en oeuvre. Ensuite, le signal acquis doit être enregistré dans des conditions optimales qui permettent de transcrire l’information nécessaire à la caractérisation. Mais malgré ces précautions, il arrive dans certains cas que la corrélation entre ces propriétés physiques et le signal soit difficile à établir. Cela est dû principalement à la complexité de la propriété physique recherchée et aux multiples interactions avec d’autres facteurs influents qui donne lieu à une faible corrélation entre le paramètre suivi et celle-ci. En effet, les méthodes classiques sont souvent basées sur l’analyse d’un seul paramètre, comme le Root Mean Square (RMS), le maximum ou le kurtosis par exemple, afin de corréler la propriété du matériau à ce dernier. Mais cette corrélation reste incomplète puisqu’elle ne décrit pas toute la déformation du signal en fonction de la propriété recherchée. Dans cet article, nous proposons d’utiliser une méthode multi paramètres qui permet, à partir d’un signal, d’extraire des paramètres pertinents qui décrivent correctement le signal, et de les utiliser afin de remonter à des propriétés mécaniques telles que la profondeur de cémentation ou les contraintes résiduelles. Des algorithmes de Machine Learning et/ou de Deep Learning sont utilisés, et les résultats sont comparés entre eux.
|
|---|