Caractérisation non-destructive de joints collés utilisant des réseaux de neurones convolutives sur des ondes guidées Lamb

Eiserloh, Clément (2022). Caractérisation non-destructive de joints collés utilisant des réseaux de neurones convolutives sur des ondes guidées Lamb. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

Il y a une forte sollicitation des industries pour développer des assemblages collés, cette demande est engendrée par les nombreux avantages que peuvent proposer les joints collés. Par exemple, une très bonne résistance aux contraintes mécaniques, la réduction des coûts ou encore l’esthétisme. Cependant, il n’existe actuellement aucune méthode non destructive permettant de garantir et de quantifier la qualité d’un assemblage collé. En effet, les solutions utilisées sont principalement des approches destructives, comme l’application de joint de recouvrement. Ainsi, le but de ces travaux est de mettre en place une méthode capable de reconnaitre le niveau d’adhésion d’un assemblage collé. Pour cela, des acquisitions ultrasonores ont été utilisées, les échantillons ont été excité avec des ondes guidées afin d’obtenir les différents modes. Ensuite, l’analyse des courbes de dispersion propre à chaque assemblage, permet l’identification des paramètres mécaniques. Pour effectuer ce travail, un réseau de neurones a été mis en place, celui-ci se base sur des données simulées d’assemblage collées avec une méthode par éléments finis. Puis il a été testé sur des courbes de dispersion expérimentales afin de déterminer les caractéristiques réelles du joint. L’étude est principalement guidée sur l’estimation du module d’Young, que l’on considère comme une image fiable de la qualité du joint. Premièrement, les résultats sont satisfaisants sur les données simulées, une prédiction du module d’un assemblage est réalisée avec une erreur inférieure à 0,05 % sur l’ensemble de la base de données test. Ensuite, de bons résultats ont été obtenus lors du suivi d’un joint collé pendant son séchage. Enfin, pendant l’inversion d’acquisitions sur cinq joints réels, les estimations ont permis de différencier et de classer ces joints en fonction de leurs propriétés de collage. Dans un premier temps, le réseau n’a pas pu se stabiliser sur des estimations correctes, puis la mise en place d’un double réseau de neurones convolutifs a réussi à identifier la qualité des joints. Ils ont été réalisés par le CNRC qui a une expertise dans ce type de fabrication, et également ils peuvent concevoir des joints volontairement faibles. Ces résultats sont intéressants, mais il faut tout de même rester modéré. Puisqu’il s’agit uniquement de cinq échantillons qui ont la même géométrie, de plus, lorsque la FFT2D estimée par le réseau est superposée à la FFT2D acquise les courbes de dispersion ne se chevauchent pas totalement. Il réside des défauts à basse fréquence. Finalement, l'étude montre qu’il est possible de réaliser l’inversion par réseau de neurones convolutifs d’un joint collé en se basant sur des ondes guidées. Cela fonctionne lorsqu’il s’agit de déterminer des paramètres mécaniques réels, par exemple le module d’Young. Cette étude met en lumière que cela fonctionne sans doute avec des aspects plus abstraits comme la qualité globale du joint.

Titre traduit

Non-destructive testing of bonded joints using guided Lamb ultrasound waves convolutional neural networks and machine learning

Résumé traduit

Bonded joints are currently being developed in a wide range of industries. These joints offer numerous advantages such as a very good mechanical resistance, cost reduction and they have an aesthetic asset. However, currently there are no nondestructive method to guarantee and quantify the quality of a bonded joint. Indeed, the current solutions are mainly destructive solutions, such as the use of overlap joints. Thus, the aim of this project is to develop a method which allows identifying the adhesion level of a bonded joint. Ultrasonic acquisition were used, the sample were excited with ultrasonic guided waves in order to obtain the different modes. Then, the analysis of the dispersion curves allows the identification of the mechanical parameters. In this project an algorithm capable of identifying the mechanical characteristics based on dispersion curves was developed. For this work, a neural network was implemented, it was trained on finite element simulations of wave propagation in bonded joints. Then, it was tested on experimental data to determine the real characteristic of the joint. The main hypothesis in this work is that the simulated Young’s modulus of the adhesive can be used to estimate the quality of the joint. The results obtained in simulations were promising: the estimation of the modulus of the adhesive of a joint was achieved with an error under 0.05 % on the whole test dataset. Then, more promising results were obtained when monitoring a bonded joint during curing. Finally, when inverting acquisitions on five real joints, the estimates allowed to differentiate and classify the samples according to their bonding quality. At first, the network failed to stabilize on correct estimates, then the implementation of a double network allowed to identify the quality of the joints. These joints were made by CNRC which has expertise in the manufacture of bonded joints, and also, the can manufacture joints voluntarily weak. Although those results were promising, it is important to point out the weak aspects of the method. Firstly, only five joints with the same geometry were used in this study. Secondly, when comparing the experimental dispersion curves with the dispersion curves predicted by the inversion method some discrepancies could be observed. Finally, this study shows that it is possible to perform an inversion of bonded joints with convolution neural network based on ultrasonic guided waves to determine their mechanical properties such as the Young’s modulus. This study also showed that the method was also able to evaluate more abstract aspect such as overall joint adhesion.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise avec mémoire en génie de la production automatisée". Comprend des références bibliographiques (pages 87-89).
Mots-clés libres:	joints collées, adhésif, caractérisation, réseaux de neurones, convolutions, ondes Lamb, transformée de Fourier
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Bélanger, Pierre
Codirecteur:	Codirecteur Toews, Matthew
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	10 févr. 2023 14:12
Dernière modification:	10 févr. 2023 14:12
URI:	https://espace.etsmtl.ca/id/eprint/3152

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt