Soutenance de thèse de Romain Cormerais (ESEO 2017)
Nous avons le plaisir de vous inviter à la soutenance de thèse de Romain CORMERAIS, intitulée
« Hybridation de Capteur pour le Contrôle Non Destructif de matériau Aéronautique ».
La soutenance se déroulera en visio-conférence. En cas de difficultés à vous connecter depuis l’application TEAMS, nous vous conseillons de suivre la réunion depuis votre navigateur web.
Veuillez-vous assurer que votre microphone et que votre caméra soient bien désactivés avant de rejoindre l'appel.
Cette thèse a été réalisée en collaboration avec l’Institut de Recherche en Energie Electrique de Nantes Atlantiques (IREENA) de l’Université de Nantes situé à Saint-Nazaire, le Laboratoire d’Acoustique de l’Université du Mans (LAUM) de l’Université du Mans et le Groupe Signal Image et Instrumentation (GSII) de l’ESEO à Angers.
Résumé :
Dans le secteur de l’aéronautique, les pièces d’avions sont contrôlées à leur fabrication, à leur assemblage puis pendant leur service. Les défauts peuvent être de natures, de tailles et d’orientations différentes et les matériaux utilisés sont souvent complexes. Parmi les nombreuses techniques de Contrôle Non Destructif (CND) le contrôle par Ultrasons (US) est une des méthodes de CND les plus répandues. Elle présente cependant une zone aveugle d’établissement du champ acoustique proche du capteur lorsqu’elle est employée sans sabot. Les Courants de Foucault (CF) sont également largement utilisés dans l’industrie mais l’induction électromagnétique ne permet de contrôler qu’une zone pelliculaire des matériaux à cause de l’effet de peau électromagnétique. Les travaux présentés dans ce manuscrit utilisent conjointement ces deux méthodes de CND aux avantages et inconvénients complémentaires pour atteindre des contrôles plus complets et plus fiables. Cette fusion de données est réalisée à travers une approche de traitement de données grâce à des techniques de Machine Learning. Des Réseaux de Neurones Artificiels (RNAs) sont utilisés pour caractériser des défauts à partir de mesures US et CF. Des bases de données d’apprentissage sont constituées via des simulations US et CF. Ces bases de données sont utilisées pour entraîner les RNAs. Les RNAs sont ensuite capables d’estimer les paramètres des défauts démontrant les apports de cette approche de fusion de données.
Le jury sera composé de :
- Odile Abraham, Directrice du laboratoire GeoEND à l’Université Gustave Eiffel,
- Patrick Siarry, Professeur des Universités à l’Université Paris-Est Créteil,
- Natalia Sergeeva-Chollet, Ingénieur-Chercheur au CEA LIST, Université Paris-Saclay,
- Alain Le Duff, Chef de projet scientifique à Olympus IMS,
- Gérard Berthiau, Professeur des Universités à l’IREENA, Université de Nantes,
- Aroune Duclos, Maître de Conférences au LAUM, Le Mans Université
- Roberto Longo Enseignant-Chercheur au LAUM/GSII, ESEO
- Guillaume Wasselynck, Maître de Conférences à l’IREENA, Université de Nantes
Crédit photo : ESEO.
Equipe ESEO