Extraction du tissage 3D des pièces composites de grandes dimensions à partir d'images tomographiques en utilisant l'intelligence artificielle et des connaissances propres du matériau.

Image segmentation of 3D woven composite materials with deep learning

• Auteur / Autrice : Hafsa El herichi
• Direction : Hugues Talbot
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/04/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : [CVN] Centre de la Vision Numérique
• Partenaire(s) de recherche : Référent : CentraleSupélec

Mots clés

Mots clés libres

Segmentation

Matériaux composites

Apprentissage profond

Image segmentation

Deep learning

Woven composite

Résumé

L'utilisation de plus en plus fréquente de matériaux composites tissés dans le secteur aéronautique témoigne de leurs excellentes propriétés spécifiques (rapport tenue mécanique et impact / poids). Afin de garantir la maitrise des procédés de conception, fabrication, analyse et contrôle, Safran a consacré beaucoup d'efforts au développement de modèles numériques du tissé 3D performants, mis en œuvre dans des chaines de traitement numérique (analyses matériau et contrôle non destructif par exemple). Ces composites sont obtenus suivant un motif de tissage spécialement conçu dans le but de lui conférer certaines propriétés mécaniques. Ainsi, il est d'un grand intérêt de pouvoir assurer la conformité entre le tissage souhaité et le tissage réel se trouvant sur la pièce fabriquée afin d'expliquer et maitriser les éventuels écarts mécaniques obtenus. Afin de pouvoir garantir la qualité et intégrité des résultats produits par les chaines de traitement évoquées, la fiabilité des modèles numériques utilisés est une priorité. Safran, par son implication à la fois dans la production, le contrôle et l'analyse de ces structures, est un acteur majeur dans le domaine de la modélisation numérique des renforts composites tissés 3D. Pour l'essentiel, à l'échelle d'analyse mésoscopique, la problématique de la modélisation numérique du tissage consiste à obtenir la meilleure description géométrique (paramétrique) de chacun des torons (faisceau de fibres) présents dans un tissage après sa fabrication. Bien que différentes méthodes aient été proposées dans la littérature pour extraire les modèles numériques à partir d'images tomographiques, la quasi-totalité des méthodes sont restreintes à des cas à faible nombre des torons avec régions d'intérêt relativement petites, contenant au maximum 1 à 2 cellules unitaires ou environ une centaine des torons. En effet, vu que la plupart de ces méthodes se basent sur des techniques dites classiques avec descripteurs ad hoc, elles ne sont pas robustes aux variations et ambiguïtés présentes dans les pièces de grande taille (ex. orientations irrégulières des torons, présence des artefacts d'imagerie) qui comportent plusieurs centaines de cellules unitaires, le tout avec des milliers de torons. En conclusion, le développement d'une technique permettant l'extraction du modèle numérique du tissage des pièces aéronautiques de grande taille est un enjeu majeur pour Safran. Lever ce verrou technologique permettra d'approfondir notre compréhension des matériaux composites et accélérer leur développement, tout en réduisant les coûts associés. Cette nouvelle méthode donnera une réponse aux problématiques complexes inhérentes au contrôle non destructif des pièces composites de grandes dimensions. De même, elle permettra à Safran de maintenir une avance significative par rapport à nos concurrents sur cette technologie de rupture (tissage 3D).

Woven composite materials are increasingly used in aeronautics because of their excellent specific properties. These composites are obtained via a weaving pattern (arrangement of yarns) specially designed and optimised to achieve the mechanical properties required for operational safety. Thus, to guarantee the quality and integrity of the composite parts produced, Safran has developed digital processing workflows for modelling and analysing both their thermo-mechanical properties as well as their forming capabilities. In order to carry out these analyses, it is necessary to develop reliable digital models of these textiles. One way to obtain such models is by acquiring tomographic images to observe inside the parts and using image-processing tools to describe the inherent 3D geometry. However, to date, almost all of the methods have been designed for situations with relatively small regions of interest containing only several dozen yarns and little variability in their shapes and sizes. Indeed, most of these methods are based on classical image processing techniques (e.g., structure tensor, texture descriptors). As such, they are not robust enough for large parts that can contain several thousand yarns, with different sizes and orientations as well as variable local densities depending on their position within the part. The main objective of this PhD subject is the development of a new approach for the robust extraction of large textile models, while also guaranteeing the compatibility between the extracted 3D geometry, the observed one (in the image), and the expected one (i.e., initial weaving pattern). To meet these objectives, the proposed methods would be based on a combination of artificial intelligence techniques and deformable models. On the one hand, using neural networks will allow the identification of relationships between the different regions of the image and the model (e.g., identify the image signature corresponding to a given yarn arrangement). On the other hand, the deformable models will help constraining the problem given that they are based on an initial model (i.e., expected weaving). An interesting aspect to address would be the use of the mechanical behavior laws of the yarns to constrain the deformation of the general model (i.e., obtaining a physically admissible model). These works would include developing architectures inspired by graph neural networks capable of simultaneously managing a volume image and a textile model. Such networks would require a dialogue system between the local segmentation model and the global textile model. A possible avenue to achieve an end-to-end architecture for solving this problem would be to use physics-informed machine learning models.