Couplage réseaux de neurones et modèle physique pour la détection de défaut par thermographie infra-rouge

23 Octobre 2023

---

Catégorie : Stagiaire

---

L'ONERA développe depuis de nombreuses années des méthodes innovantes de contrôle non destructif (CND) pour la détection de défaut dans les structures aéronautiques et spatiales. L'expertise de l'ONERA pour la détection automatique des défauts repose d'une part sur la maîtrise d'une variété de modalités d'inspection CND (thermographie active infra-rouge, ultra-sons, vibrométrie laser, courants de Foucault etc), et d'autres part sur la maîtrise du développement de méthodes de traitements automatiques de données, exploitant notamment les approches les plus récentes de Deep Learning. Mais, ces approches algorithmiques s'avèrent gourmandes en quantité de données et n'exploitent a priori aucune connaissance des phénomènes physiques qui sont en jeu lors de l'acquisition des données. Cependant des méthodes couplant des réseaux de neurones et la connaissance des lois physiques ont été développées dans l'état de l'art [1]. Ainsi, les réseaux appelés PINNs (physics informed neural networks), permettent d'exploiter le potentiel des algorithmes reposant sur des réseaux de neurones tout en intégrant des contraintes issues des lois de la physique lors de l'apprentissage du réseau. Utilisés depuis plusieurs années dans le domaine de la mécanique des fluides, les PINNS n'ont été introduit que récemment en CND [2,3].

L'objectif du stage est de mettre en œuvre une méthode de détection automatique de défaut, couplant la connaissance d'un modèle physique et un réseau de neurones pour la détection automatique de défaut en CND. Le/la stagiaire s'intéressera en particulier au cadre de la thermographie active infra-rouge, qui consiste à chauffer le matériau par un moyen externe (laser ou lampe halogène) et à observer l'évolution de l'échauffement au cours du temps avec une caméra infrarouge, pour détecter le défaut. D'un point de vue méthodologique, le/la stagiaire pourra d'abord s'appuyer sur un article récent de l'état de l'art sur l'emploi des PINNs en thermographie active [3], pour ensuite proposer ses propres solutions originales de traitement. Il/elle validera dans un premier temps ses méthodes sur des données simulées et expérimentales déjà produites au DMAS mais la participation à la réalisation de nouvelles bases de données par le/la stagiaire sur les bancs expérimentaux du DMAS est également envisagée dans le stage, suivant l'avancée des travaux.

Bibliographie :

[1] R. Maziar et al. "Physics-informed neural networks: A deep learning framework for solving forward and
inverse problems involving nonlinear partial differential equations." Journal of Computational Physics 378 (2019): 686-707.
[2] T. Hsiao et al., A Physics-informed Neural Network for Pulsed Thermography-Based Defect Detection and Parameter Estimation. Proceedings of the 13th European Conference on Non-Destructive Testing, 2023
[3] K. Shukla et al. Physics-informed neural network for ultrasound nondestructive quantification of surface breaking cracks. Journal of Nondestructive Evaluation, 39, 1-20, 2020