La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Application au contrôle non destructif ultrasonore d'un algorithme de déconvolution utilisant des réseaux de neurones convolutifs

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Chapon, Arthur (2020). Application au contrôle non destructif ultrasonore d'un algorithme de déconvolution utilisant des réseaux de neurones convolutifs. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

Par rapport à d’autres méthodes de contrôle non destructif, comme la radiographie, on peut reprocher aux ultrasons leur manque de résolution et/ou de pénétration à l’intérieur du volume d’une pièce. Le but de cette étude est de proposer une méthode de traitement des signaux ultrasonores A-Scans, imitant la déconvolution mais utilisant des techniques d’apprentissage machine. La déconvolution permet d’obtenir de très bons résultats en théorie mais perd beaucoup en efficacité en pratique. L’objectif est double : permettre une inspection à une fréquence plus faible de manière à ce que le signal soit moins atténué tout en conservant une résolution équivalente voire meilleure. L’entrainement de l’algorithme d’apprentissage machine devait s’effectuer avec le minimum de cas expérimentaux, c’est pourquoi des simulations ont été utilisées.

Ainsi une architecture de réseau de neurones à couche de convolution a été développée. L’apprentissage, supervisé, s’est fait avec des simulations par éléments finis générées avec Pogo, un logiciel utilisant le calcul sur carte graphique. Ces simulations ont été traitées pour les rendre plus vraisemblables. Des mesures expérimentales ont été menées pour tester la résolution de l’algorithme. Des réflecteurs éloignés d’une demi-longueur d’onde à 2.25 MHz dans de l’aluminium ont pu être distingués. Un bruit expérimental et amplifié à 20 puis 5 dB a été ajouté. La résolution maximale diminue mais le nombre de fausses détections augmente avec le bruit.

Deux exemples d’utilisation du réseau de neurones développé ici sont présentés. Dans un premier temps, la résolution axiale d’une image produite par une méthode de focalisation en tout point (TFM) a été sensiblement améliorée en traitant préalablement les données avec le CNN. Deux interfaces distantes de 0.96 mm dans de l’aluminium sont très facilement distinguables alors qu’elle ne le sont pas sur une image TFM classique. Une tentative d’identification de réflecteur en dessinant le contour d’une interface est aussi présentée.

Titre traduit

Deconvolutional algorithm using convolutional neural network applied to ultrasonic testing

Résumé traduit

Compared to other non-destructive testing methods, such as radiography, ultrasound is often said to lack resolution and penetration into the volume. The purpose of this study is to propose a method of processing A-Scans ultrasonic signals, imitating deconvolution but using machine learning techniques. Deconvolution produces very good results in theory but loses a lot of effectiveness in practice. The objective is twofold : to allow inspection at a lower frequency so that the signal is less attenuated while maintaining an equivalent or even better resolution. The training of the machine learning algorithm had to be done with the minimum number of experimental cases, hence simulations were used.

Therefore, a convolution layer neural network architecture was developed. The learning was perfomed with Pogo FEA, a software using graphics card calculation. These simulations were processed to add typical experimental noise. Experimental measurements were carried out to test the resolution of the algorithm. Reflectors at a distance of half a wavelength at 2.25 MHz in aluminium could be distinguished. An experimental noise amplified to 20 and then 5 dB was added. The maximum resolution decreases but the number of false detections increases with
noise.

Two examples of the use of the CNN developed here are presented. First, the axial resolution of an image produced by a total focusing method (TFM) was significantly improved by pre-processing the data. Two interfaces spaced 0.96 mm apart in aluminum are very easily distinguishable while they are not on a conventional TFM image. An attempt to identify a reflector by drawing the outline of an interface is also presented.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire par article présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise avec mémoire en génie, concentration personnalisée". Comprend des références bibliographiques (pages 55-57).
Mots-clés libres: contrôle non destructif, ultrason, réseau de neurones, traitement du signal, éléments finis
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Bélanger, Pierre
Programme: Maîtrise en ingénierie > Génie
Date de dépôt: 10 mars 2020 14:36
Dernière modification: 10 mars 2020 14:36
URI: https://espace.etsmtl.ca/id/eprint/2470

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt