Stage de Fin d'Études Ingénieur - Master H/F CEA

Dans de nombreuses industries (aéronautique, énergie, spatial...), il est crucial de connaitre l'état de santé des structures pour assurer la sécurité des usagers et prolonger la durée de vie. Le monitoring à l'aide de capteurs intégrés à la structure, appelé SHM (Structural Health Monitoring), vise à répondre à cet enjeu. En particulier, la recherche de systèmes et algorithmes de traitement de données optimaux pour le SHM de structures minces en matériau composites est un sujet de recherche actif, car ces matériaux sont de plus en plus utilisés en raison des nombreux avantages qu'ils apportent (allègement des structures à propriétés mécaniques identiques, facilité d'assemblage, de forme...)
Parmi les techniques de surveillance possibles, le contrôle par ondes élastiques guidées est sensible aux principaux défauts structuraux pouvant apparaitre au cours de la vie de la structure. A partir de mesures ultrasonores avec un nombre limité de capteurs, des algorithmes permettent de détecter et localiser les défauts. Cependant, la caractérisation de ces derniers demeure complexe, or la sévérité d'un endommagement dépend de la nature du défaut et de son étendue.
Des travaux antérieurs menés au laboratoire ont montré le potentiel de l'apprentissage par réseaux de neurone pour remonter, à partir d'images de défauts dans des plaques isotropes, à la taille de défaut, les images étant obtenues à l'aide d'un algorithme classique de la littérature [1,2].
L'objectif du stage est d'étendre cette approche à d'autres types de défauts, notamment dans des structures composites qui sont anisotropes. Le stagiaire s'appuiera sur une base de données de signaux ultrasonores d'inspection de défauts dans des plaques en composite, obtenue à l'aide du module CIVA SHM [3]. Il pourra être amené à réaliser des simulations complémentaires pour enrichir la base de données si besoin. Il s'agira d'appliquer différents algorithmes d'imagerie développés par ailleurs au LSPM [4] pour identifier lesquels favorisent l'inversion de la nature du défaut par approche réseau de neurone (amélioration du taux de succès, et/ou réduction de la taille de la base de données pour l'entrainement du réseau à taux de succès identique). Dans une approche progressive, la méthode sera d'abord testée pour remonter à la taille du défaut, puis à sa profondeur, et enfin à sa nature. Des essais expérimentaux pourront également être menés par le stagiaire pour éprouver la méthode.

[1] https://doi.org/10.1088/0964-1726/17/3/035035
[2] https://doi.org/10.1016/j.ndteint.2021.102480
[3] https://www.extende.com/fr/civa-logiciel-de-simulation-cnd/modules-disponibles-dans-civa/structural-health-monitoring-avec-civa/
[4] https://doi.org/10.1121/10.0036595