Pour répondre au besoin croissant d'inspection par contrôle non destructif (CND) dans les industries manufacturières, il est impératif de développer des solutions qui exploiteront les possibilités d'automatisation pour compléter les compétences des inspecteurs humains. Le secteur du moulage sous pression d'aluminium (ADC) est un secteur en constante évolution, au service d'industries critiques pour la sécurité comme l'automobile et l'aérospatiale. Cependant, les ADC sont susceptibles de présenter des défauts de fabrication dont la plupart ne sont pas visibles à l'œil nu et nécessitent une application appropriée des techniques CND pour vérifier leur intégrité structurelle et leur aptitude à l'emploi. Ces procédures sont standardisées et doivent être menées conformément aux normes industrielles applicables. Le développement de l'automatisation des tâches d'évaluation des images radiographiques des ADC est confronté à un défi, notamment en ce qui concerne la capacité de ces solutions à se conformer aux normes CND. Les réseaux neuronaux d'apprentissage profond ont démontré un potentiel important dans la reconnaissance automatisée des défauts/défauts, néanmoins, la confiance nécessaire pour accepter de telles solutions dans les secteurs critiques pour la sécurité ne peut être acquise que si l'on comprend suffisamment comment ces modèles fonctionnent et quelles propriétés exactes des données de formation sont cruciales pour leurs performances. Au fil des ans, l'utilisation prolifique de l'apprentissage profond dans divers secteurs a popularisé la notion de sa forte dépendance aux données, en mettant davantage l'accent sur la quantité que sur la qualité. Cette thèse est composée d'études expérimentales visant à comprendre les propriétés des données de radiographie numérique à rayons X qui sont cruciales pour affecter les performances de l'apprentissage profond. Dans le premier chapitre, une étude approfondie entre l'influence du rapport contraste/bruit et du rapport signal/bruit a été menée. Les résultats de l'étude ont révélé que la variation du rapport contraste/bruit (CNR) a un impact sur le comportement d'apprentissage des modèles d'apprentissage profond d'une manière qui pourrait être exploitée pour former un modèle d'apprentissage profond hautement performant. Une deuxième étude telle que présentée au chapitre 2 de cette thèse considère les propriétés des images de radiographie numérique à rayons X, en particulier les propriétés statistiques de la distribution d'intensité des pixels. Cette découverte a ouvert la voie à la synthèse d'images radiographiques numériques et à leur utilisation comme données d'apprentissage pour une application d'apprentissage profond. Bien qu'entraîné uniquement sur les données synthétiques, le modèle a obtenu d'excellentes performances sur de véritables images de radiographie numérique à rayons X. Grâce à l'approche peu coûteuse en termes de calcul qu'elle présente, cette solution offre de bonnes perspectives dans les industries, en particulier dans l'industrie ADC qui fabrique des produits aux morphologies cohérentes. Au chapitre 3, la pertinence de la qualité des données par rapport à la quantité pure a été étudiée dans une étude expérimentale utilisant un simulateur de radiographie numérique à rayons X de pointe (aRTist). L'acquisition d'images a été réalisée sous deux formes distinctes : tout d'abord, la pratique industrielle conventionnelle qui stipule une plage fixe de qualité d'image à atteindre (par exemple, le rapport signal/bruit) a été utilisée pour acquérir des images à partir de 140 composants. Deuxièmement, un moyen non conventionnel qui se concentre sur la variation des paramètres d'exposition pour modifier les propriétés des défauts dans les images, notamment le rapport contraste/bruit (CNR), a été utilisé pour acquérir un ensemble de données avec seulement 42 % des composants de test. Les performances des modèles d'apprentissage profond formés distinctement sur chaque ensemble de données ont été comparées. Bien qu'organisé à l'aide de moins de composants, le modèle formé sur les données acquises à l'aide d'une méthode d'acquisition d'images non conventionnelle a démontré de meilleures performances de modèle. Cette étude confirme une exploitation efficace de nos résultats expérimentaux antérieurs qui identifient le CNR comme un paramètre d'image qui influence les performances de l'apprentissage profond. Le chapitre 4 se concentre sur le développement d'un algorithme de classement des défauts pour classer les défauts détectés dans les composants moulés sous pression en aluminium, inspiré de la norme ASTM E2973- 15. Le pipeline de classement utilise un algorithme d'arbre k-dimensionnel (K-D) qui structure les défauts détectés pour faciliter une évaluation efficace des défauts. Cela permet des requêtes spatiales rapides et une évaluation efficace de la gravité des défauts sur la base de critères prédéfinis tels que des normes mondiales ou des termes spécifiques au client. L'algorithme a démontré une grande efficacité, classant avec précision les défauts et peut faciliter la prise de décision automatisée (Accepter/Rejeter) en radiographie numérique à rayons X. L'adaptabilité du système à différents critères de classement garantit son applicabilité dans divers secteurs critiques pour la sécurité. Collectivement, les études contenues dans cette thèse présentent des innovations expérimentales en radiographie numérique à rayons X qui influencent les performances du modèle d'apprentissage profond pour une évaluation robuste des défauts, offrant ainsi une voie viable pour réaliser une évaluation d'image automatisée qui peut atteindre une inspection à 100 % des composants fabriqués, même dans les secteurs qui nécessitent un strict respect des normes CND. / To meet the rising need for Non-destructive Testing (NDT) inspection in manufacturing industries, it is imperative to develop solutions that will exploit automation possibilities, to supplement the competencies of human inspectors. The aluminum die casting (ADC) sector is one that evolves constantly, serving safety-critical industries like automotive and aerospace. However, ADCs are prone to having manufacturing flaws, most of which are not visible to the human eye and hence require proper application of NDT techniques to ascertain their structural integrity, and fitness for use. The NDT procedures are standardized and must be conducted in accordance with applicable industrial standards. Developing automated solutions of tasks such as the evaluation of radiographic images of ADCs faces a challenge, particularly in the ability such solutions to conform to NDT standards. Deep learning neural networks have demonstrated significant potential in automated flaw/defect recognition, nonetheless, the confidence needed to accept such solutions in safety-critical sectors can only be gained if there is sufficient understanding of how these models operate, and what exact properties within training data is crucial to their performance. Over the years, the prolific use of deep learning across various sectors has popularized the notion of its high dependence on data, with more emphasis on the quantity, rather than the quality. This dissertation is composed of experimental studies aimed at understanding the properties of digital X-ray radiography data that is crucial in impacting deep learning performance. In the first chapter, an extensive study between the influence of contrast-to-noise ratio and signal-to-noise ratio was conducted. Findings from the study revealed that contrast-to-noise ratio (CNR) variation impacts training behaviour of the deep learning models in a manner that could be leveraged to train a deep learning model to be highly performant. A second study as presented in Chapter 2 of this dissertation considers the properties of digital X-ray radiography images, specifically the statistical properties of the pixel intensity distribution. This finding paved the way for the synthesization of digital X-ray images, using them as training data for a deep learning application. Although trained on only the synthetic data, the trained model performed excellently on real digital X-ray radiography images. With the computationally inexpensive approach it presents, this solution holds good prospect in industries, especially ADC industry that manufactures products with consistent morphologies. In Chapter 3, the relevance of data quality over sheer quantity was investigated in an experimental study using a state-of-the-art digital X-ray radiography simulator (aRTist). Acquisition of images were carried out in two distinct forms: firstly, the conventional industrial practice that stipulates a fixed range of image quality to be attained (e.g., the signal-to-noise ratio) was used to acquire images from 140 components. Secondly, a non-conventional means that focuses on varying exposure parameters to alter the properties of flaws in the images, notably the contrast-to-noise-ratio (CNR), was used to acquire dataset with only 42 % of the test components. The performances of deep learning models trained distinctly on each dataset was compared. Although curated using fewer components, the model trained on the data acquired using the proposed unconventional image acquisition method demonstrated better model performance. This study confirms an effective harnessing of our earlier experimental findings that identifies CNR as an image parameter that influences deep learning performance. Chapter 4 focuses on developing a flaw grading algorithm to classify detected flaws in aluminum die casting components, inspired by ASTM E2973-15 standard. The grading pipeline employs a k-dimensional (K-D) tree algorithm that structures detected flaws to facilitate efficient evaluation of the flaws. This approach enables rapid spatial queries and effective flaw severity evaluation based on predefined criteria such as global standards or client-specific terms. The algorithm demonstrated high efficiency, accurately grading flaws, and can facilitate automated decision-making (Accept/Reject) in digital X-ray radiography. The system's adaptability to different grading criteria ensures its applicability across various safety-critical sectors. Collectively, the studies contained in this dissertation present experimental innovations in Digital X-ray radiography that influence deep learning model performance for robust defect evaluation, thereby offering a viable pathway to realizing automated image evaluation that can achieve 100 % inspection of manufactured components, even in sectors that require strict adherence to NDT standards.

Des simulations numériques thermomécaniques sont nécessaires afin de prédire l'apparition des déchirures à chaud, survenant en fin de solidification, dans les procédés de coulée directes des alumineries. Toutefois, ces simulations nécessitent plusieurs intrants notamment des propriétés mécaniques et des lois de comportement à différentes températures. Pour ce projet, un analyseur mécanique dynamique est utilisé afin de caractériser ces intrants pour un alliage d'aluminium 5182 (4.5pds% Mg). L'analyse dynamique en flexion est utilisée pour la première fois afin d'étudier l'évolution du module élastique avec la fraction liquide dans la microstructure. Également, des séries d'essais de fluage sont effectuées en mode traction afin de proposer des lois de comportement. L'utilisation d'un modèle de calcul de parcours de solidification considérant la rétrodiffusion permet d'estimer la fraction liquide en cours d'essais selon la température. Les éprouvettes utilisées pour les différents essais mécaniques ont été usinées à partir d'un lingot d'aluminium 5182 coulé par le procédé de coulée directe. Afin d'étudier l'effet de la microstructure, des éprouvettes ont été usinées à partir de trois positions selon la largeur du lingot. Plus l'éprouvette provient d'une position près de la surface et plus la microstructure est affinée. Les microstructures fines semblent être moins rigides lorsque du liquide est présent dans la microstructure. Également, trois taux de chauffe ont été étudiés pour les analyses dynamiques (10⁰C/min, 20⁰C/min et 30⁰C/min). La température du solidus diminue avec l'augmentation du taux de chauffe puisque l'homogénéisation partielle lors de la chauffe est moins importante. Un plan d'expérience a été effectué pour les essais de fluage avec des éprouvettes provenant de deux positions dans le lingot (surface, centre), testées à trois niveaux de températures(555⁰C, 560⁰C, 565⁰C) et à deux niveaux de contraintes (0.25MPa et 0.50 MPa). Cinq comportements en fluage ont été observés : un fluage uniforme, une fissuration partielle, une localisation suivie d'une rupture, une rupture fragile et un retour de la déformation. Des températures élevées et des contraintes élevées augmentent la prévalence des localisations et des ruptures tandis que les retours de la déformation ne sont observés qu'à plus basse température avec une faible contrainte. Les courbes de fluage uniforme et de fissuration partielle ont été modélisées par des lois de comportements mécaniques. / Numerical thermomechanical simulations are necessary to predict the occurrence of hot tears, occurring at the end of solidification, in direct casting processes of aluminum smelters. However, these simulations require several inputs including mechanical properties and behavior laws at different temperatures. For this project, a dynamic mechanical analyzer is used to characterize these inputs for an aluminum alloy 5182 (4.5wt% Mg). Dynamic bending analysis is used for the first time to study the evolution of the elastic modulus with the liquid fraction in the microstructure. Also, series of creep tests are performed in tensile mode to propose behavioral laws. The use of a calculation model of solidification path considering the back diffusion allows to estimate the liquid fraction during the tests according to the temperature. The specimens used for the various mechanical tests were machined from a AA5182 ingot cast by the direct casting process. In order to study the effect of the microstructure, test specimens were machined from three positions according to the width of the ingot. The closer the specimen is to the surface, the more refined the microstructure. The fine microstructures appear to be less rigid when liquid is present in the microstructure. Also, three heating rates were studied for dynamic analyses (10⁰C/min, 20⁰C/min and 30⁰C/min). The solidus temperature decreases with increasing heating rate since the partial homogenization during heating is smaller. A design of experiment was performed for creep tests with test specimens from two positions in the ingot (surface, center), tested at three temperature levels (555⁰C, 560⁰C, 565⁰C) and at two stress levels (0.25MPa and 0.50 MPa). Five creep behaviors were observed: uniform creep, partial cracking, localization followed by failure, brittle failure, and deformation recovery. High temperatures and high stresses increase the occurrence of localization and failure while deformation recovery is observed only at low temperatures and stresses. The uniform creep and partial cracking curves were modeled by mechanical behavior laws.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

The aims of this project are to present an understanding in what happens when aluminium-(Al) alloys are welded, and to investigate how the Mg-, Si- and Cr-contents in AA6005A influence the weld strength and cracking susceptibility. It is known that heat from welding affects the mechanical properties (strength) of the material. Different heat cycles during welding are one of the main reasons that the strength varies. Welding can cause various phenomena such as decreased strength, porosity, deformation, cracks and corrosion. To minimize these phenomena one has to have a balance between the welding parameters, alloy composition and welding fixture setup. Al alloys are sensitive to heat from welding because they have high heat conductivity and high thermal expansion coefficient. They also deform easily when the material is heated locally. If the material is deformed too much then cracking easily occurs. This project has examined how the Mg-, Si- and Cr-contents in AA6005A, affect the welded material. A V-joint with MIG welding is used for producing weld samples. For evaluation Vickers micro-hardness, tensile testing, radiography (X-ray), LOM and SEM with EBSD and EDS was used. The evaluation focuses on mechanical properties and microstructure. The results show that small variations of Mg-, Si- and Cr-content do not have any clear effects on the welded material. The results from tensile testing show that all samples have failed in the heat affected zone (HAZ). The tensile strength of all samples are higher than standard but the yield strength are lower than standard (EN ISO 10042:2005). The lowering in hardness and tensile strength in the HAZ are believed to be a result from beta-phase (AlFeSi), lead to transformation and coarsening of the strengthening and metastable precipitate. The HAZ is wide, ranging about 20 mm from the fusion line in 5 mm thick plate. The microstructure evaluation has shown that the grain size in the HAZ has been influenced while welding.  The EDS analysis shows that a small amount of AlFeSi particles occur in the base material and HAZ but not in the weld seam. Future research is suggested to focus on understanding more about ageing, coarsening of beta-phase and precipitation of intermetallic phases.