Optimisation de la précision et de la robustesse de la mesure d’épaisseur des matériaux corrodés par l’intégration des réseaux de neurones Transformer

Sendra, Thibault (2025). Optimisation de la précision et de la robustesse de la mesure d’épaisseur des matériaux corrodés par l’intégration des réseaux de neurones Transformer. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

L’évaluation précise de l’épaisseur des matériaux corrodés représente un enjeu majeur en contrôle non destructif (CND), en raison de la complexité des signaux ultrasonores et de la superposition des échos. Face aux limites des architectures de réseaux de neurones convolutifs (CNN) utilisées dans la littérature, ce travail explore l’intégration des réseaux de neurones Transformer (TNN) afin d’améliorer la résolution et la fiabilité des mesures d’épaisseur.

Entraînée et validée sur un dataset combinant des simulations par éléments finis et des données expérimentales issues de mesures sur un bloc corrodé, une première architecture hybride CNN- TNN a été développée. Validée dans un article révisé par les pairs, cette approche a démontré que l’intégration d’un module Transformer introduit un contexte global dans l’apprentissage, permettant ainsi de surpasser les performances des modèles CNN existants. Toutefois, cette approche présentait une complexité computationnelle élevée et un risque de surajustement.

Pour y remédier, une version optimisée, le Lite CNN-TNN, a été conçue en intégrant une couche convolutive en parallèle du mécanisme Multi-Head Self-Attention (MHSA). Cette hybridation a permis de capitaliser sur la capacité des CNN à extraire des caractéristiques locales tout en conservant les avantages du Transformer pour capturer des interactions globales. Cette approche a amélioré la stabilité de l’apprentissage et réduit significativement le nombre de paramètres du modèle.

Par ailleurs, le modèle de simulation a été optimisé en intégrant des signaux réalistes issus d’échos expérimentaux, en ajustant la taille de la sonde et en affinant la méthodologie de labellisation pour mieux refléter les conditions réelles. L’optimisation de la méthode d’apprentissage a également été renforcée grâce à des techniques d’augmentation de données adaptées.

Les résultats obtenus confirment la pertinence de cette approche : le modèle Lite CNN-TNN a atteint un taux de succès de 98,84% sur le dataset expérimental et 97,40% sur le dataset simulé, surpassant le meilleur modèle CNN de la littérature qui a obtenu 98,70% et 95,70% respectivement, tout en étant 24 fois plus rapide.

Titre traduit

Optimization of accuracy and robustness in thickness measurement of corroded materials through the integration of Transformer neural networks

Résumé traduit

Accurate evaluation of corroded material thickness is a major challenge in nondestructive evaluation (NDE) due to the complexity of ultrasonic signals and overlapping echoes. Given the limitations of Convolutional Neural Network (CNN) architectures found in the literature, this work explores the integration of Transformer Neural Networks (TNN) to improve the resolution and reliability of thickness measurements.

Trained and validated on a dataset combining finite element simulations and experimental data from measurements on a corroded block, an initial hybrid CNN-TNN architecture was developed. Validated in a published, peer reviewed paper, this approach demonstrated that incorporating a Transformer module introduces a global learning context, enabling superior performance compared to existing CNN models. However, this method exhibited high computational complexity and a risk of overfitting.

To address these limitations, an optimized version, Lite CNN-TNN, was designed by integrating a convolutional layer in parallel with the Multi-Head Self-Attention (MHSA) mechanism. This hybridization leveraged the CNN’s ability to extract local features while preserving the Transformer’s capacity to capture global interactions. This approach improved learning stability while significantly reducing the model’s parameter count.

Furthermore, the simulation model was enhanced by incorporating realistic signals from experimental echoes, adjusting probe size, and refining the labeling methodology to better reflect real-world conditions. The learning process was also optimized through tailored data augmentation techniques.

The results confirm the effectiveness of this approach : the Lite CNN-TNN model achieved a success rate of 98.84% on the experimental dataset and 97.40% on the simulated dataset, surpassing the best CNN model from the literature, which reached 98.70% and 95.70% respectively, while being 24 times faster.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par articles présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise avec mémoire en génie mécanique". Comprend des références bibliographiques (pages 111-119).
Mots-clés libres:	apprentissage profond, contrôle non destructif, corrosion, déconvolution, simulation par éléments finis, mesure d’épaisseur, intelligence artificielle, réseau de neurones convolutifs, réseau de neurones Transformer, temps de vol, traitement du signal, test ultrasonique
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Bélanger, Pierre
Programme:	Maîtrise en ingénierie > Génie mécanique
Date de dépôt:	30 juin 2025 15:40
Dernière modification:	30 juin 2025 15:40
URI:	https://espace.etsmtl.ca/id/eprint/3654

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt