La thermographie à phase pulsée (TPP) a été présentée comme une nouvelle technique robuste de thermographie infrarouge (TIR) pour les essais non destructifs (END). Elle utilise la transformée de Fourier discrète (TFD) sur les images thermiques obtenues après un chauffage flash de la surface avant d'un spécimen pour extraire les informations de délai de phase (ou phase). Les gammes de phase calcules (ou cartes de phase) sont utilises pour la visualisation des défauts dans de nombreux matériaux. Le contraste de température permet de détecter les défauts à partir des données thermographiques. Cependant, les images thermiques comportent généralement un niveau de bruit important et des arrière-plans non uniformes causés par un chauffage inégal et des réflexions environnementales. Par conséquent, il n'est pas facile de reconnaître efficacement les régions défectueuses. Dans ce travail, nous avons appliqué la technique LSTM (Long Short Term Memory) et des réseaux de neurones convolutifs (RNC) basés sur des modèles d'apprentissage profond (AP) à la détection des défauts et à la classification de la profondeur des défauts à partir de données d'images thermographiques. Nos résultats expérimentaux ont montré que l'architecture proposée basée sur l'AP a obtenu des scores de précision de 0.95 et 0.77 pour la classification des pixels sains et défectueux. En outre, les résultats expérimentaux ont montré que les techniques LSTM et RNC ont obtenu des précisions de 0.91 et 0.82 pour la classification de la profondeur des défauts, respectivement. Par conséquent, la technique LSTM a surpassé la technique RNC pour les cas de détection des défauts et de classification de la profondeur des défauts. / Pulse Phase Thermography (PPT) has been introduced as a novel robust Non-Destructive Testing (NDT) Infrared Thermography (IRT) technique. It employs Discrete Fourier Transform (DFT) to thermal images obtained following flash heating of the front surface of a specimen to extract the phase delay (or phase) information. The computed phase grams (or phase maps) are used for defect visualization in many materials. The temperature contrast enables defect detection based on thermographic data. However, thermal images usually involve significant measurement noise and non-uniform backgrounds caused by uneven heating and environmental reflections. As a result, it is not easy to recognize the defective regions efficiently. In this work, we applied Long Short-Term Memory (LSTM) and Convolutions Neural Networks works (CNNs) based on deep learning (DL) models to defect detection and defect depth classification from thermographic image data. Our experimental results showed that the proposed DL-based architecture achieved 0.95 and 0.77 accuracy scores for sound and defected pixels classification. Furthermore, the experimental results illustrated that LSTM and CNN techniques achieved 0.91 and 0.82 accuracies for defect-depth classification, respectively. Consequently, the LSTM technique overcame the CNNs technique for defect detection and defect-depth classification cases.

L'évaluation non destructive (END) est un domaine permettant d'identifier tous les types de dommages structurels dans un objet d'intérêt sans appliquer de dommages et de modifications permanents. Ce domaine fait l'objet de recherches intensives depuis de nombreuses années. La thermographie infrarouge (IR) est l'une des technologies d'évaluation non destructive qui permet d'inspecter, de caractériser et d'analyser les défauts sur la base d'images infrarouges (séquences) provenant de l'enregistrement de l'émission et de la réflexion de la lumière infrarouge afin d'évaluer les objets non autochauffants pour le contrôle de la qualité et l'assurance de la sécurité. Ces dernières années, le domaine de l'apprentissage profond de l'intelligence artificielle a fait des progrès remarquables dans les applications de traitement d'images. Ce domaine a montré sa capacité à surmonter la plupart des inconvénients des autres approches existantes auparavant dans un grand nombre d'applications. Cependant, en raison de l'insuffisance des données d'entraînement, les algorithmes d'apprentissage profond restent encore inexplorés, et seules quelques publications font état de leur application à l'évaluation non destructive de la thermographie (TNDE). Les algorithmes d'apprentissage profond intelligents et hautement automatisés pourraient être couplés à la thermographie infrarouge pour identifier les défauts (dommages) dans les composites, l'acier, etc. avec une confiance et une précision élevée. Parmi les sujets du domaine de recherche TNDE, les techniques d'apprentissage automatique supervisées et non supervisées sont les tâches les plus innovantes et les plus difficiles pour l'analyse de la détection des défauts. Dans ce projet, nous construisons des cadres intégrés pour le traitement des données brutes de la thermographie infrarouge à l'aide d'algorithmes d'apprentissage profond et les points forts des méthodologies proposées sont les suivants: 1. Identification et segmentation automatique des défauts par des algorithmes d'apprentissage profond en thermographie infrarouge. Les réseaux neuronaux convolutifs (CNN) pré-entraînés sont introduits pour capturer les caractéristiques des défauts dans les images thermiques infrarouges afin de mettre en œuvre des modèles basés sur les CNN pour la détection des défauts structurels dans les échantillons composés de matériaux composites (diagnostic des défauts). Plusieurs alternatives de CNNs profonds pour la détection de défauts dans la thermographie infrarouge. Les comparaisons de performance de la détection et de la segmentation automatique des défauts dans la thermographie infrarouge en utilisant différentes méthodes de détection par apprentissage profond : (i) segmentation d'instance (Center-mask ; Mask-RCNN) ; (ii) détection d’objet (Yolo-v3 ; Faster-RCNN) ; (iii) segmentation sémantique (Unet ; Res-unet); 2. Technique d'augmentation des données par la génération de données synthétiques pour réduire le coût des dépenses élevées associées à la collecte de données infrarouges originales dans les composites (composants d'aéronefs.) afin d'enrichir les données de formation pour l'apprentissage des caractéristiques dans TNDE; 3. Le réseau antagoniste génératif (GAN convolutif profond et GAN de Wasserstein) est introduit dans la thermographie infrarouge associée à la thermographie partielle des moindres carrés (PLST) (réseau PLS-GANs) pour l'extraction des caractéristiques visibles des défauts et l'amélioration de la visibilité des défauts pour éliminer le bruit dans la thermographie pulsée; 4. Estimation automatique de la profondeur des défauts (question de la caractérisation) à partir de données infrarouges simulées en utilisant un réseau neuronal récurrent simplifié : Gate Recurrent Unit (GRU) à travers l'apprentissage supervisé par régression. / Non-destructive evaluation (NDE) is a field to identify all types of structural damage in an object of interest without applying any permanent damage and modification. This field has been intensively investigated for many years. The infrared thermography (IR) is one of NDE technology through inspecting, characterize and analyzing defects based on the infrared images (sequences) from the recordation of infrared light emission and reflection to evaluate non-self-heating objects for quality control and safety assurance. In recent years, the deep learning field of artificial intelligence has made remarkable progress in image processing applications. This field has shown its ability to overcome most of the disadvantages in other approaches existing previously in a great number of applications. Whereas due to the insufficient training data, deep learning algorithms still remain unexplored, and only few publications involving the application of it for thermography nondestructive evaluation (TNDE). The intelligent and highly automated deep learning algorithms could be coupled with infrared thermography to identify the defect (damages) in composites, steel, etc. with high confidence and accuracy. Among the topics in the TNDE research field, the supervised and unsupervised machine learning techniques both are the most innovative and challenging tasks for defect detection analysis. In this project, we construct integrated frameworks for processing raw data from infrared thermography using deep learning algorithms and highlight of the methodologies proposed include the following: 1. Automatic defect identification and segmentation by deep learning algorithms in infrared thermography. The pre-trained convolutional neural networks (CNNs) are introduced to capture defect feature in infrared thermal images to implement CNNs based models for the detection of structural defects in samples made of composite materials (fault diagnosis). Several alternatives of deep CNNs for the detection of defects in the Infrared thermography. The comparisons of performance of the automatic defect detection and segmentation in infrared thermography using different deep learning detection methods: (i) instance segmentation (Center-mask; Mask-RCNN); (ii) objective location (Yolo-v3; Faster-RCNN); (iii) semantic segmentation (Unet; Res-unet); 2. Data augmentation technique through synthetic data generation to reduce the cost of high expense associated with the collection of original infrared data in the composites (aircraft components.) to enrich training data for feature learning in TNDE; 3. The generative adversarial network (Deep convolutional GAN and Wasserstein GAN) is introduced to the infrared thermography associated with partial least square thermography (PLST) (PLS-GANs network) for visible feature extraction of defects and enhancement of the visibility of defects to remove noise in Pulsed thermography; 4. Automatic defect depth estimation (Characterization issue) from simulated infrared data using a simplified recurrent neural network: Gate Recurrent Unit (GRU) through the regression supervised learning.

Cette étude s'inscrit dans une démarche originale consistant à développer un protocole expérimental adapté aux essais de fatigue à grand nombre de cycles. Ce protocole permet de dresser des bilans locaux d'énergie et s'appuie sur des techniques d'imagerie quantitative. Les objectifs étaient de compléter et de valider une méthode de traitement d'images infrarouges permettant d'étudier séparément les mécanismes dissipatifs et les effets thermoélastiques accompagnant la fatigue à grand nombre de cycles des aciers. Un point intéressant de cette méthode est de pouvoir fonctionner alors que les amplitudes des sources thermoélastiques sont très nettement supérieures aux intensités de dissipation. Le deuxième objectif était d'arriver à combiner cette technique infrarouge avec celles mises en place pour accéder aux champs cinématiques par une méthode de corrélation d'images. Ce rapprochement a permis d'estimer l'énergie de déformation localement mise en jeu et de la comparer, sur un cycle de chargement, à l'énergie dissipée.

L'ambition de cette thèse est de contribuer à la caractérisation de la qualité des réparations des structures composites primaires en carbone par collage structural en s'appuyant pour cela sur la technique de la Thermographie InfraRouge (TIR). Le caractère ténu de la différence de comportement entre les parties constitutives de l'assemblage réparé (parent et patch en carbone-époxyde, adhésif époxyde) et donc la difficulté de capter la réponse thermique du joint collé constituent les enjeux principaux de ce travail. A cette fin, une procédure expérimentale de Contrôle Non Destructif (CND) a tout d'abord été spécifiquement mise au point pour cette étude, permettant une modélisation numérique physiquement cohérente du problème thermique ainsi qu'une bonne concordance avec les champs de température mesurés. Le travail propose par ailleurs une piste complémentaire visant à modifier les propriétés thermiques intrinsèques du joint à l'aide d'additifs dont la signature infrarouge permet d'identifier plus nettement des défauts de collage. / This PhD work intends to contribute to the characterization of structural bonded repair quality of primary composite structures using InfraRed Thermography (IRT). Generally, in this case, the parent structure and the repair patch are both made of carbon-epoxy and are linked together by an epoxy adhesive. Such repair configuration then leads to a weak property contrast between the parts of the repaired assembly. Therefore, the non-destructive analysis of the bonding quality remains difficult and represents the very challenging issue of this study. In this way, a new specific Non Destructive Testing (NDT) procedure has been firstly developed that allows physically consistent numerical model of the thermal problem and a good correlation with experimental data. Additionally, it is proposed to use relevant additives that modify the thermal properties of the glue joint in order to improve the detection of bond defects.

L’évaluation non-destructive (END) est une branche de la science qui s’intéresse à l’uniformité, la qualité et la conformité des matériaux et les composants qu’ils servent à construire. Les techniques de END visent à repérer et à mesurer les caractéristiques principales des matériaux sans en affecter ou à en détruire la structure ou la fonctionnalité. L’END permet d’observer les propriétés internes des pièces et de détecter les défauts sous leur surface. Cette approche est devenue graduellement une technologie importante pour garantir la sécurité et la fiabilité de plusieurs composantes de système en design, en fabrication et en développement de produits. La thermographie infrarouge est une approche d’END sans contact rapide qui utilise des caméras thermiques. Elle permet de détecter l’énergie thermique émise par les objets et à en afficher la distribution en température de la surface du spécimen sous observation. Dans ce projet, notre objectif est d’exploiter la thermographie infrarouge pour détecter les défauts sous la surface des objets. Plus spécialement, nous nous intéressons à la localisation des défauts et à l’estimation de leur profondeur sous la surface. Le manuscrit présente une investigation de différentes méthodes de localisation de défauts et de mesure de leur profondeur des défauts sous la surface pour différentes catégories de matériaux. / Non-Destructive Testing (NDT) is an aspect of science concerning on uniformity, quality and serviceability of materials and their components. NDT techniques attempt to inspect and measure significant features of materials without changing or destroying their structure or functionality. NDT makes it possible to observe the internal properties of parts and detect the undersurface defects. NDT has progressively become an important technology to assure safety and reliability of many system components in the design, manufacturing and development areas. Infrared thermography is essentially a fast non-contact NDT inspection method that uses thermographic cameras. This technique detects the infrared energy emitted from objects and displays the corresponding temperature distributions on the specimen. In this project, we aim to use infrared thermography for detecting subsurface defects. Localizing the defects and estimating their depths are the important problems to be addressed in our research project. The manuscript investigates different methods related to these challenges.

Cette étude présente une analyse thermomécanique du comportement en fatigue oligocyclique du polyamide 6.6 vierge et renforcé de fibres de verre courtes. Des bilans d'énergie sont réalisés en utilisant, de façon combinée, des techniques d'imagerie quantitative visible et infrarouge. Les champs de température sont obtenus par thermographie et les champs de déformation par corrélation d'images. Sur un cycle de chargement, on montre comment il est possible d'estimer séparément les sources de chaleurs moyennes par cycle, sources associées aux mécanismes dissipatifs et induites par les effets de couplage thermomécanique. On montre ensuite, pour différentes fréquences de chargement, l'évolution du bilan de puissance moyen par cycle sur une zone matérielle correspondant à la partie utile de l'éprouvette. Ce bilan prend en compte le taux de l'énergie de déformation, les chaleurs mises en jeu et les variations d'énergie interne. On observe que la forme du bilan de puissance est très fortement dépendante, pour un rapport de charge donné, à la fréquence de sollicitation, à la teneur en eau, à l'orientation des fibres de verre mais aussi aux niveaux de contrainte appliqués. / This study presents a thermomechanical analysis of fatigue behavior of pure and short glass- fiber reinforced polyamide 6.6. The energy balances are drew up using the combined application of visible and infrared quantitative imaging techniques. Temperature fields are obtained by thermography and strain fields by image correlation. Over one complete cycle, we show how it is possible to separately estimate the heat sources averaged over the cycle, associated with dissipative mechanisms and induced by thermomechanical coupling source effets. Then we show, for different loading rates, the time courses of the energy rate balance for a physical area corresponding to the gage part of the specimen. This balance takes into account the deformation energy rate, the heat sources and the internal energy variations. It is observed that the shape of the energy rate balance is highly dependent, for a given load ratio, to the load rate, the water content, the orientation of the glass fibers and the applied stress levels.

Les travaux présentés dans ce mémoire de HDR sont la synthèse de six années de recherche sur l'influence de la pesanteur lors des transferts de chaleur et de masse par ébullition et évaporation. Dans le premier chapitre de ce mémoire, je présente une synthèse de la littérature depuis 2003 sur mes activités de recherche. Je mets l'accent sur les techniques employées et les approches choisies pour comprendre les phénomènes physiques rencontrés que ce soit en évaporation ou en ébullition. A la fin de chaque section de ce chapitre, je fais le point sur notre positionnement par rapport à ces activités, je retrace le cheminement qui nous amenes à développer les méthodes inverses en conduction de la chaleur appliquées à l'ébullition convective, ou à développer l'imagerie infrarouge aux gouttes en évaporation. Dans le second chapitre de ce mémoire, je détaille les travaux effectués en présentant de manière synthétique les méthodes et outils ainsi que les résultats obtenus. Il ne s'agit pas dans ce chapitre de s'appesantir sur les détails techniques de construction des expériences qui ont déjà été publiés dans les articles en annexe. Dans le troisième chapitre de ce mémoire qui est divisé en deux sections distinctes, je présente dans un premier temps les projets acceptés qui vont démarrer dans les mois à venir. Dans un second temps, je présente des perspectives de recherche au travers de proposition de recherche qui déjà fait l'objet de demande de financement.

Les matériaux métalliques polycristallins sont des agrégats de grains plus ou moins favorablement orientés, par rapport à l'axe de sollicitation, pour le glissement plastique. Lors d'une sollicitation mécanique, cette diversité d'orientations cristallines conduit à une hétérogénéité de la déformation à l'échelle de la microstructure : des déformations plastiques locales peuvent apparaître dans certains grains alors que l'échantillon est macroscopiquement sous chargement élastique. Par ailleurs, cette plasticité locale s'accompagne de l'émergence de marques de glissement en surface du matériau et elle induit une dissipation d'énergie liée aux irréversibilités mécaniques. La description fidèle de ces phénomènes mécaniques et énergétiques, à l'échelle d'apparition de la plasticité et de l'endommagement, ouvre alors la perspective d'identifier des modèles mécaniquement admissibles et énergétiquement fondés.<br /><br />L'objectif de ces travaux est donc de développer les moyens expérimentaux nécessaires à la réalisation de telles analyses mécaniques et énergétiques à l'échelle microstructurale. Pour accéder simultanément aux informations cinématiques et thermiques à l'échelle la plus fine possible actuellement, celle des grains d'un polycristal, des mesures de champs de température par thermographie infrarouge et de champs de déformation par corrélation d'images numériques sont donc mises en œuvre au sein d'un dispositif original de couplage des deux techniques. Ce dispositif permet alors une étude simultanée des champs de température et de déformation d'un acier inoxydable austénitique 316L sous sollicitations uniaxiales monotones et cycliques.

Une étude expérimentale aérodynamique et thermique de l'impact d'un jet rond unique sur une paroi plane a été menée. Un haut-parleur permet de moduler la vitesse du jet en sortie de buse. Des mesures de vitesse par PIV montrent que le forçage amplifie les structures tourbillonnaires dans la couche de mélange du jet. Selon le forçage, ces tourbillons peuvent être très stables ou donner lieu à des interactions régulières entre tourbillons. Des décompositions triples de vitesse montrent que les contributions moyennes, cohérentes et stochastiques de l'écoulement peuvent être adaptées en fonction de la fréquence et de l'amplitude du forçage acoustique. Les fluctuations de pression associées à ces tourbillons sur la plaque d'impact ont été mesurées et évaluées à l'aide d'un formalisme intégral pour la pression. Les transferts de chaleur moyens par convection entre le jet et la paroi d'impact révèlent deux principaux effets du forçage acoustique sur les variations radiales du nombre de Nusselt pour une petite distance d'impact. L'effet de l'impact du cône potentiel du jet sur la paroi disparaît lorsque le forçage acoustique conduit à une augmentation importante des niveaux de turbulence sur l'axe du jet. Le lobe secondaire de transferts de chaleur est déplacé et atténué par le forçage acoustique. Des mesures de températures pariétales fluctuantes mettent en évidence deux modes de propagation des fluctuations de température sur la plaque d'impact. Le premier est indépendant du forçage acoustique et correspond à une propagation filamentaire. Le second est lié à la convection des tourbillons sur la plaque d'impact et correspond à la propagation radiale de fronts chauds et froids.

Au cours des dernières années, l'essor spectaculaire des microsystèmes (ou MEMS), qui touche tous les domaines industriels, est à l'origine de nombreux et nouveaux progrès technologiques. Néanmoins, dans ce contexte prometteur de large envergure, la fiabilité des MEMS s'avère être la problématique à améliorer pour franchir la phase d'industrialisation à grande échelle. C'est dans le cadre de cette thématique de fiabilité des microsystèmes, que s'inscrit ce travail.La température étant un paramètre majeur entrant dans de nombreux mécanismes d'endommagement des MEMS, notre étude présente la conception et la réalisation d'un banc de thermographie infrarouge de haute résolution (2 µm), associé à la mise en œuvre d'une méthodologie d'analyse et de traitement des mesures infrarouges.Ce dispositif innovant permet un diagnostic in-situ, sans contact et rapide des défaillances des MEMS par mesures locales et quantitatives des pertes thermiques associées. Cet outil constitue une avancée importante pour détecter, mesurer et comprendre les mécanismes d'endommagement des MEMS. Il nous permet de reconstituer des images thermiques de tout type de microsystème en cours de fonctionnement ou soumis à des tests de vieillissement accéléré, et ceci afin de réaliser une analyse fine et rapide de leur fiabilité.Ce travail apporte de nouveaux résultats en ce qui concerne la détection des mécanismes de défaillance de différents types de MEMS-RF et tout particulièrement des MEMS-RF avec contact électrique.