Développement de stratégies d'apprentissage et de leurs transferts pour le Contrôle de la Santé des Structures

Development of learning strategies and their transfer in Structural Health Monitoring

• Auteur / Autrice : Hadrien Postorino
• Direction : Nazih Mechbal
• Type : Thèse de doctorat
• Discipline(s) : Acoustique
• Date : Soutenance le 05/12/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Procédés et Ingeniérie en Mécanique et Matériaux (Paris) - Laboratoire Procédés et Ingénierie en Mécanique et Matériaux
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Jury : Examinateurs / Examinatrices : Nazih Mechbal, Roger Serra, Kamal Medjaher, Alain Lhémery, Laurent Berthe
• Jury : Rapporteurs / Rapporteuses : Roger Serra, Kamal Medjaher

Mots clés

Mots clés contrôlés

Prévision

Surveillance

Thèses et écrits académiques

Aéronautique -- Recherche

Mots clés libres

Contrôle santé des structures;

Choc LASER

Ondes de Lamb

Apprentissage par transfert

Transport optimal

Structural Health Monitoring

LASER shock

Lamb Wave

Transfer Learning

Optimal Transport

Résumé

Le Contrôle de la Santé des Structures (ou Structural Healh Monitoring, SHM en anglais) accompagne le déploiement de la maintenance prédictive en surveillant textit{in situ} et en temps réel les structures aéronautiques. La technologie retenue dans ces travaux s'appuie sur des propagations d'ondes de Lamb mesurées par des transducteurs piézoélectriques. Les dommages sont alors caractérisés par des méthodes avancées de traitement du signal et d'apprentissage automatique. Un procédé innovant de délaminages induits par des chocs Laser est exploité dans ces travaux pour valider un modèle par éléments finis et pour évaluer les algorithmes de SHM sur des endommagements réalistes et entièrement maitrisés.La représentation d'un dispositif de SHM en système est exploitée afin de proposer des stratégies de résolution du problème direct et inverse par des méthodes d'apprentissage. Plusieurs approximations du problème direct sont évaluées afin de prédire rapidement des résultats de simulations numériquement couteuses. De plus, une stratégie d'apprentissage profond est proposée pour la résolution du problème avec une bonne capacité de généralisation et une robustesse aux incertitudes expérimentales.L'apprentissage dépend cependant des données d'entrainement et tout changement structurel, environnemental ou opératoire courant en SHM détériore les prédictions. Une approche innovante d'apprentissage par transfert exploitant la théorie du transport optimal propose alors de capitaliser sur les connaissances acquises sur structure pour les transférer à une autre à l'aide des potentiels de Kantorovich. Cette approche ouvre la voie à des modèles d'apprentissage profond hybrides mélangeant des données numériques riches avec des données expérimentales.

The Structural Health Monitoring (SHM) accompanies the deployment of predictive maintenance by monitoring aeronautical structures in real time. The technology used in this work is based on Lamb wave propagation measured by piezoelectric transducers. The damages are then characterized by advanced methods of signal processing and machine learning. An innovative laser shock induced delamination process is used in this work to validate a finite element model and to evaluate SHM algorithms on realistic and fully controlled damage.The representation of a SHM device as a system is exploited to propose strategies for solving the direct and inverse problem by learning methods. Several approximations of the direct problem are evaluated to quickly predict the results of numerically expensive simulations. Moreover, a deep learning approach is proposed to solve the inverse problem with a very good generalization capacity and robustness to experimental uncertainties.However, the learning depends on the training data and any structural, environmental, or operational change deteriorates the predictions. An innovative transfer learning approach based on the optimal transport theory proposes to capitalize on the knowledge acquired on a structure to transfer it to another through Kantorovich potentials. This approach opens the way to hybrid deep learning models mixing rich numerical data with experimental data in SHM.