Caractérisation semi-automatique de défauts par ultrasons multiéléments : application aux soudures

Semi-Automatic Defects Characterization by Phased Array Ultrasonic Testing : application to Welds

• Auteur / Autrice : Abd Ennour Bouzenad
• Direction : Mourad Bentahar, Silvio Montrésor, Slah Yaacoubi
• Type : Thèse de doctorat
• Discipline(s) : Acoustique
• Date : Soutenance le 03/12/2021
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Centrale Nantes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'acoustique de l'Université du Mans - Laboratoire d'Acoustique de l'Université du Mans / LAUM
• Jury : Examinateurs / Examinatrices : Youssef Chahir, Marc Duquennoy, Abdeldjalil Ouahabi
• Jury : Rapporteurs / Rapporteuses : Valérie Kaftandjian, Marc Deschamps

Mots clés

Mots clés contrôlés

Contrôle non destructif

Essais par ultrasons

Contrôle par émission acoustique

Soudures

Mots clés libres

Soudure

Ultrasons multi-éléments

Contrôle non destructif

Traitement d'images

Aide à la décision

Weld

Phased array ultrasonic testing

Nondestructive testing

Image processing

Decision-making aid

Résumé

L’automatisation de détection des défauts dans les matériaux de structure et leur caractérisation dans le domaine du contrôle non destructif existe depuis plusieurs années et implique différentes techniques telle que la radiographie et les ultrasons. Plus particulièrement, l’utilisation des ultrasons multiéléments (PAUT) a connu durant ces dernières années un important développement notamment dans le contrôle des soudures, ce qui lui a valu d’être toujours un sujet d’actualité en liaison avec l’automatisation de détection basée sur les images PAUT. Ce travail de thèse recense tout d’abord les approches de détection automatiques développées dans la littérature en lien avec la présente thèse. Pour des raisons d’efficacité, nous n’avons pas retenu celles basées sur l’apprentissage statistique car elles requièrent des données volumineuses et des temps de traitement plus longs. Dans ce travail de thèse, nous proposons l’application d’un nouveau critère permettant de détecter des anomalies à partir d’une suite d’images PAUT effectués lors de différents contrôles de soudures. Nous avons ainsi étudié la performance de la méthodologie proposée en termes de détection et de dimensionnement de différents défauts (longueur et hauteur). Cela a été effectué à l’aide d’une défauthèque inédite, composée de plusieurs cas de défauts de natures diverses et variées, qui a été construite dans le cadre de cette thèse. Nous montrons ainsi que le code développé dans le cadre de cette thèse répond bien au besoin industriel fixé initialement pour ce qui est de la détection des différents défauts et l’estimation de leur longueur. En particulier, ledit code de calcul ne requiert pas beaucoup de mémoire et fournit des résultats comparables à ceux trouvés par des contrôleurs certifiés en un temps raisonnablement court tout en évitant les erreurs liées aux facteurs humains que nous rencontrons habituellement dans différentes méthodes de contrôle non destructif. Ainsi, la performance de l’approche mise en place est discutée en fonction des paramètres mis en jeu tels que le type de filtre et la technique de construction de l’image de référence. La complexité de la mesure de la hauteur des défauts et son adéquation avec les problématiques industrielles contemporaines sont également discutées notamment dans le cadre de la détection d’une et/ou plusieurs indications. Enfin, nous présentons une seconde application et ce dans le but d’effectuer une discrimination entre les micro-endommagements causés par l’attaque par hydrogène à haute température (HTHA) et les inclusions dans les aciers carbone. Deux méthodologies ont été proposées à cet effet. La première est effectuée à l’aide de l’apprentissage statistique alors que la seconde se base sur le système expert. Un nouveau critère a été alors développé en concertation avec des experts dans ce domaine. Les résultats ont montré la fiabilité qui devrait également être étendue pour inclure de nouvelles bases de données.

The automation of defects detection in structural materials and their characterization in the field of nondestructive testing has existed for several years and involves different techniques such as radiography and ultrasound. In particular, the use of phased array ultrasonic testing (PAUT) has experienced in recent years a significant development in particular in the control of welds, which has made it a topic of current interest in connection with the automation of detection based on PAUT images. This thesis first lists the automatic detection approaches developed in the literature in connection with the present thesis. For efficiency reasons, we have not retained those based on statistical learning because they require large data and longer processing times. In this thesis, we propose the application of a new criterion to detect anomalies from a series of PAUT images taken during different weld inspections. We have studied the performance of the proposed methodology in terms of detection and sizing of different defects (length and height). This was done using a new defect database, composed of several cases of defects of various natures, which was built in the framework of this thesis. We show that the code developed in the framework of this thesis meets the industrial need initially set for the detection of various defects and the estimation of their length. In particular, the processing code does not require a lot of memory and provides results comparable to those found by certified inspectors in a reasonably short time while avoiding the errors related to human factors that we usually encounter in various non-destructive testing methods. Thus, the performance of the implemented approach is discussed depending on the parameters involved, such as the type of filter and the reference image construction technique. The complexity of the measurement of the height of defects and its adequacy with contemporary industrial problems are also discussed, particularly in the context of the detection of one or more indications. Finally, we present a second application with the aim of discriminating between micro-damage caused by high temperature hydrogen attack (HTHA) and inclusions in carbon steels. Two methodologies have been proposed for this purpose. The first one is performed using statistical learning while the second one is based on the expert system. A new criterion was then developed in consultation with experts in this field. The results showed its reliability, which should also be extended to include new databases.