Thèse de doctorat : Electronique, Electrotechnique et Automatique : Ecully, Ecole centrale de Lyon : 2008. / Titre provenant de l'écran-titre. 48 ref.

Thèse (Ph.D.)--Université Laval, 2005. / Titre de l'écran-titre (visionné le 23 février 2006). Dans le résumé: le " 1/2 " de la formule "[mu]=([alpha] /[pi]f)1/2" est suscrit ; le " b " des symboles " fb " et " f'b "est souscrit ; le " 1 " de la formule " z=C1[mu] " et du symbole "C1" est souscrit ; le " n " de la formule " Dn=D/z " est souscrit. Bibliogr. Présenté aussi en version papier.

Les matériaux diélectriques jouent un rôle important dans les applications industrielles et les domaines de la recherche scientifique et leur utilisation a augmenté ces dernières années. Leurs applications concernent l'industrie moderne des circuits intégrés et les réseaux d'antennes compacts. De plus, les composites structuraux légers dans l'industrie aérospatiale, les armures corporelles en Kevlar et les composites à matrice céramique pour la stabilité thermique dans les environnements chauds des moteurs sont des exemples de certaines des applications récemment développées des matériaux diélectriques. Par conséquent, la détection des défauts de ces matériaux diélectriques devient très importante pour le contrôle du processus de fabrication, l'optimisation de la conception et des performances des appareils électriques, et la surveillance et le diagnostic du système. Par conséquent, le besoin de tests de contrôle non destructifs (CND) précis des matériaux structurels et fonctionnels diélectriques a également augmenté. Cependant, le CND de ces matériaux n'est pas aussi développé que celui des métaux et de nouvelles approches pour évaluer la qualité de ces matériaux lors de la fabrication et de la maintenance n'ont pas encore été développées. Par conséquent, il sera utile de développer de nouvelles méthodes telles que des techniques de détection capacitive qui peuvent surmonter certaines des restrictions associées à d'autres techniques d'évaluation des matériaux diélectriques. La simulation numérique utilisant la modélisation par éléments finis (FEM) tridimensionnelle (3D) est utilisée dans le logiciel COMSOL Multiphysics pour simuler la distribution du champ électrique à partir d'un capteur capacitif coplanaire et la façon dont il interagit avec divers échantillons composés de différents types de défauts. Une analyse détaillée FEM est fournie pour étudier les paramètres de conception, y compris la forme/taille/distance des électrodes coplanaires pour évaluer et identifier les caractéristiques importantes des électrodes capacitives coplanaires, telles que la pénétration et la force du champ électrique en fonction du capteur propriétés géométriques. De plus, l'influence des différentes fréquences, du décollement et de la présence ou de l'absence d'une plaque de blindage métallique et d'une électrode de garde sur le résultat de sortie est analysée par la même méthode. En outre, la distribution du champ électrique, en fonction du nombre d'électrodes, à partir d'un capteur capacitif coplanaire multi-électrodes avec différents agencements d'électrodes d'entraînement et de détection, et comment ce champ peut être modifié en changeant l'agencement est simulé et illustré par le MEF 3D. Des expériences physiques sont réalisées avec plusieurs capteurs capacitifs coplanaires pour vérifier les résultats de la simulation et évaluer les performances de la sonde. Dans ces expériences, les performances d'imagerie du capteur, l'effet des paramètres de conception sur les performances du capteur, l'impact des divers matériaux testés et la faisabilité de la sonde capacitive coplanaire multi-électrodes seront pris en compte. La comparaison des résultats de simulation numérique et d'expériences physiques montre qu'ils sont en bon accord qualitatif. / Dielectric materials have an extensive role in both industrial applications and scientific research areas and their use has increased in recent years. Furthermore, lightweight structural composites in the aerospace industry, Kevlar body-armour and ceramic-matrix composites for thermal stability in hot engine environments are examples of some of the recently developed applications of dielectric materials. Therefore, the flaw detection of these dielectric materials becomes markedly important for the process control in manufacturing, optimization of electrical apparatus design and performance, and system monitoring and diagnostics. Consequently, the need for accurate non-destructive testing (NDT) of dielectric structural and functional materials has also been increased. However, the NDT of such materials is not as well developed as those for metals and new approaches to evaluate the quality of these materials during manufacturing and maintenance have not yet been expanded. Therefore, it will be valuable to develop new methods such as capacitive sensing techniques which can overcome some of the restrictions associated with other techniques for assessing dielectric materials. The numerical simulation using three dimensional (3 D) Finite Element Modelling (FEM) is employed in COMSOL Multiphysics software to simulate the electric field distribution from a coplanar capacitive sensor and the way it interacts with various specimens composed of different types of defects. A detailed analysis FEM is provided to study the design parameters including the shape/size/distance of the coplanar electrodes to assess and identify the important features of the coplanar capacitive electrodes, such as the penetration and strength of the electric field as a function of sensor geometrical properties. In addition, the influence of the different frequencies, lift-off, and the presence or absence of a metal shielding plate and guard electrode on the output result is analyzed by the same method. Besides, the electric field distribution, as a function of the number of electrodes, from a multi-electrode coplanar capacitive sensor with different arrangements of driving and sensing electrodes, and how this field may be altered by changing the arrangement is simulated and illustrated by the 3D FEM. Physical experiments are carried out by several coplanar capacitive sensors to verify the simulation results and evaluate the performance of the probe. In these experiments, the imaging performance of the sensor, the effect of design parameters on the sensor performance, the impact of various materials under test, and the feasibility of the multi-electrode coplanar capacitive probe will be considered. Comparison of the numerical simulation results and physical experiments illustrate that they are in good qualitative agreement.

Les matériaux diélectriques jouent un rôle important dans les applications industrielles et les domaines de la recherche scientifique et leur utilisation a augmenté ces dernières années. Leurs applications concernent l'industrie moderne des circuits intégrés et les réseaux d'antennes compacts. De plus, les composites structuraux légers dans l'industrie aérospatiale, les armures corporelles en Kevlar et les composites à matrice céramique pour la stabilité thermique dans les environnements chauds des moteurs sont des exemples de certaines des applications récemment développées des matériaux diélectriques. Par conséquent, la détection des défauts de ces matériaux diélectriques devient très importante pour le contrôle du processus de fabrication, l'optimisation de la conception et des performances des appareils électriques, et la surveillance et le diagnostic du système. Par conséquent, le besoin de tests de contrôle non destructifs (CND) précis des matériaux structurels et fonctionnels diélectriques a également augmenté. Cependant, le CND de ces matériaux n'est pas aussi développé que celui des métaux et de nouvelles approches pour évaluer la qualité de ces matériaux lors de la fabrication et de la maintenance n'ont pas encore été développées. Par conséquent, il sera utile de développer de nouvelles méthodes telles que des techniques de détection capacitive qui peuvent surmonter certaines des restrictions associées à d'autres techniques d'évaluation des matériaux diélectriques. La simulation numérique utilisant la modélisation par éléments finis (FEM) tridimensionnelle (3D) est utilisée dans le logiciel COMSOL Multiphysics pour simuler la distribution du champ électrique à partir d'un capteur capacitif coplanaire et la façon dont il interagit avec divers échantillons composés de différents types de défauts. Une analyse détaillée FEM est fournie pour étudier les paramètres de conception, y compris la forme/taille/distance des électrodes coplanaires pour évaluer et identifier les caractéristiques importantes des électrodes capacitives coplanaires, telles que la pénétration et la force du champ électrique en fonction du capteur propriétés géométriques. De plus, l'influence des différentes fréquences, du décollement et de la présence ou de l'absence d'une plaque de blindage métallique et d'une électrode de garde sur le résultat de sortie est analysée par la même méthode. En outre, la distribution du champ électrique, en fonction du nombre d'électrodes, à partir d'un capteur capacitif coplanaire multi-électrodes avec différents agencements d'électrodes d'entraînement et de détection, et comment ce champ peut être modifié en changeant l'agencement est simulé et illustré par le MEF 3D. Des expériences physiques sont réalisées avec plusieurs capteurs capacitifs coplanaires pour vérifier les résultats de la simulation et évaluer les performances de la sonde. Dans ces expériences, les performances d'imagerie du capteur, l'effet des paramètres de conception sur les performances du capteur, l'impact des divers matériaux testés et la faisabilité de la sonde capacitive coplanaire multi-électrodes seront pris en compte. La comparaison des résultats de simulation numérique et d'expériences physiques montre qu'ils sont en bon accord qualitatif. / Dielectric materials have an extensive role in both industrial applications and scientific research areas and their use has increased in recent years. Furthermore, lightweight structural composites in the aerospace industry, Kevlar body-armour and ceramic-matrix composites for thermal stability in hot engine environments are examples of some of the recently developed applications of dielectric materials. Therefore, the flaw detection of these dielectric materials becomes markedly important for the process control in manufacturing, optimization of electrical apparatus design and performance, and system monitoring and diagnostics. Consequently, the need for accurate non-destructive testing (NDT) of dielectric structural and functional materials has also been increased. However, the NDT of such materials is not as well developed as those for metals and new approaches to evaluate the quality of these materials during manufacturing and maintenance have not yet been expanded. Therefore, it will be valuable to develop new methods such as capacitive sensing techniques which can overcome some of the restrictions associated with other techniques for assessing dielectric materials. The numerical simulation using three dimensional (3 D) Finite Element Modelling (FEM) is employed in COMSOL Multiphysics software to simulate the electric field distribution from a coplanar capacitive sensor and the way it interacts with various specimens composed of different types of defects. A detailed analysis FEM is provided to study the design parameters including the shape/size/distance of the coplanar electrodes to assess and identify the important features of the coplanar capacitive electrodes, such as the penetration and strength of the electric field as a function of sensor geometrical properties. In addition, the influence of the different frequencies, lift-off, and the presence or absence of a metal shielding plate and guard electrode on the output result is analyzed by the same method. Besides, the electric field distribution, as a function of the number of electrodes, from a multi-electrode coplanar capacitive sensor with different arrangements of driving and sensing electrodes, and how this field may be altered by changing the arrangement is simulated and illustrated by the 3D FEM. Physical experiments are carried out by several coplanar capacitive sensors to verify the simulation results and evaluate the performance of the probe. In these experiments, the imaging performance of the sensor, the effect of design parameters on the sensor performance, the impact of various materials under test, and the feasibility of the multi-electrode coplanar capacitive probe will be considered. Comparison of the numerical simulation results and physical experiments illustrate that they are in good qualitative agreement.

Thèse de doctorat : Sciences physiques et de l'Ingénieur. Mécanique : Bordeaux 1 : 2009. Thèse de doctorat : Sciences physiques et de l'Ingénieur. Mécanique : Tongji University : 2009. / Thèse soutenue en co-tutelle. Titre provenant de l'écran-titre.

In a very restrictive economic context, the built heritage managers are eager to evaluate their structures in order to know there security state and also assess the need for maintenance. Among the most common structural disorders in old masonry structures, we find the presence of voids within the masonry and especially deep unfilled joint defects. The objective of this research is to use radar technology to increase the accuracy of this technique in recognizing geometric masonry structures and particularly the detection of deep unfilled joint defects. An imaging algorithm inspired from migration methods and based on a multi-receiver acquisition was developed. To implement this method, improvement in the use of radar data, such as determining the emission time, inaccessible to conventional radar system were needed. The development of the algorithm was made from numerical experiments on simulated environments integrating various dimensions of unfilled joint defects. A sensitivity study has also been proposed. The imaging algorithm was finally tested on real masonry structures and the effectiveness in detecting small-sized voids (deep unfilled joint defects, buried pipes) was demonstrated. The determination of wave velocity in the medium combined to the exploitation of phase in the recorded echoes allowed to precisely locate and partially identify the different interfaces of the monitored structure.

Thèse de doctorat : Electronique, Electrotechnique et Automatique : Ecully, Ecole centrale de Lyon : 2008. / 48 ref.

Thèses (M.Sc.A.)--Université de Sherbrooke (Canada), 2002. / Titre de l'écran-titre (visionné le 18 juillet 2006). Publié aussi en version papier.

Ce mémoire porte sur l’étude de nouvelles méthodes quantitatives d’analyse d’images rayons x en test non destructif. Ces méthodes permettent d’obtenir plus d’information à partir d’images radiographiques numériques et devraient faciliter l’automatisation de l’inspection industrielle de pièces. Le travail se sépare en trois parties. Premièrement, le contexte de radiographie industrielle qui a mené à ce travail de recherche sera détaillé. Ensuite, il sera question d’un article publié dans le cadre de la conférence de recherche de l’ASNT en avril 2019 [5]. Cet article propose une nouvelle méthode quantitative d’analyse radiographique pour le craquement par corrosion sous contrainte des pipelines. Il est parfait pour introduire le reste de ce mémoire puisque le travail fait dans le cadre de cet article a directement contribué au reste de la recherche. Il sera ensuite question du travail effectué pour obtenir des images rayons x de défauts internes de pièces d’inspection industrielle. Nous parlerons des nouvelles méthodes ayant été appliquées, telles que la simulation, le recalage itératif d’une image simulée et l’optimisation de la courbe d’atténuation globale de la pièce. Pour terminer, nous montrerons le résultat de ce projet sous la forme d’images de différences entre les images simulées et les images réelles.

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.