Anorganische Salzhydrate sind aufgrund ihrer hohen spezifischen Schmelzwärmen als Phase-Change-Materials(PCM) für Latentwärmespeicher favorisiert. Die Unterkühlung der Salzhydratschmelzen stellt oftmals ein besonderes Problem bei technischen Anwendungen dar. Erstmalig wurden kombinatorische Methoden zur strukturell unspezifischen Suche nach Keimbildnern genutzt. Das hier entwickelte Verfahren erlaubt es, thermische Kristallisationseffekte zwischen 10°C und 170°C zu untersuchen. Bis zu 2025 Materialkombinationen können sowohl parallel synthetisiert als auch analysiert werden. Die Synthese der Keimbildner erfolgte durch Verhältnisvariation gelöster Salze mittels automatisierter Dosierung auf Trägerplatten und anschließendem Tempern. Die aktiven Kombinationen wurden durch zeitaufgelöste Thermographie identifiziert. Die Schlüssigkeit des gesamten Verfahrens konnte durch das erfolgreiche Screening zweier PCM mit unterschiedlichen Schalttemperaturen (NaCH3COO*3H2O; Fp=58°C und LiNO3*3H2O; Fp=29°C) nachgewiesen werden.

Reproduction de : Thèse doctorat : Mécanique des fluides et biomécanique : Reims : 2008. / Titre provenant de l'écran titre. Bibliogr. f.171-176.

Reproduction de : Thèse doctorat : Energétique : Reims : 2008. / Titre provenant de l'écran titre. Bibliogr. p. 259-263.

Konstanz, Univ., Diplomarb., 2003.

Th. doct.-ing.--Méc.--Toulouse--I.N.P., 1982. N°: 20 l.

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.

Les matériaux composites carbone-époxy connaissent un intérêt grandissant dans le domaine de l'aéronautique. Des tests de contrôle non-destructif permettent de détecter des défauts. Ce travail s'attache particulièrement au contrôle non-destructif de matériaux composite carbone-époxy par la thermographie optique lockin. Il élargit le domaine de l'analyse quantitative des mesures thermographiques. Les paramètres géométriques tels la profondeur, la taille et la forme des défauts sont déterminés dans des pièces en matériau composite anisotrope et globalement homogène. Dans un but d'évaluation quantitative des défauts, des techniques de traitement d'image sont appliquées à des images de longues pièces aéronautiques pour former des vues panoramiques. Des images thermiques prises avant et après chargement mécanique sont superposées afin de pouvoir déterminer un endommagement. Différentes images thermale (lockin et excitation ultrasonore) sont fusionnées afin d'obtenir plus d'information sur des défauts du type impacts. La formation d'images est modélisée par une fonction de point qui dépend de la profondeur du défaut et de la fréquence de modulation. Un modèle est calculé en utilisant des fonctions de Green et adapté à des matériaux anisotropes. Les grandeurs : profondeur, taille et forme du défaut sont déterminées par des problèmes inverses. Les mesures sont comparées aux simulations numériques et un algorithme de reconstruction des défauts planaires est validé / In the aerospace industry, carbon-ber reinforced plastic (CFRP) materials are becoming increasingly popular. Due to mechanical fracture and hence safety related issues, CFRP components must be inspected for defects with non-destructive methods. This thesis focuses on non-destructive testing of CFRP materials with optical lockin thermography. The eld of quantitative analysis of thermographic measurements is enhanced. The data of geometrical parameters e.g. depth, size and shape of defects in structures of globally homogeneous and anisotropic CFRP materials is required for fracture mechanics. To evaluate defects in a quantitative way, image processing algorithms are applied to thermographic phase images in order to get panoramic views of extended aircraft parts and to compare measurements before and after a fatigue load in order to determine potential defect growth. Images of lockin and ultrasound excited thermography are combined with data-fusion techniques to get improved information on defects such as impacts. The image formation process can be modeled through a point-spread function, which depends on the depth of the defect and the modulation frequency. A function is computed by using Green's functions and is adapted to anisotropic materials. The quantities depth, size and shape of a defect are determined through inverse numerical lters. Measurements are compared to numerical simulations and a reconstruction algorithm of planar subsurface defects is validated

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.

Dans ce mémoire, on étudie les effets des surfaces d'objets à géométrie complexe dans les images de phase et les images d'amplitude par thermographie infrarouge. L'objectif, avec les images de phase, est de vérifier si le concept de fréquence limite [7] est valable avec les surfaces d'objets à géométrie complexe: un batterie d'expériences correspondantes a été menée. Avec les images d'amplitude, l'objectif de la recherche est de trouver une relation possible entre la surface d'un objet inspecté à géométrie complexe et ses images d'amplitude. Les résultats ont montré que la fréquence limite établie sur les images de phase n'est pas affectée par la surface d'objets à géométrie complexe. De plus, on a également constaté que l'image d'amplitude est effectivement associée à la surface d'objets à géométrie complexe. On peut extraire la géométrie de la surface d'un objet à partir d'une image d'amplitude. Dans notre travail, la méthode de "shape from heating" rapportée par Barker et al., [17] et par Pelletier et al., [8] a été adaptée aux images d'amplitude. On l'a nommée "shape from amplitude". / In this work, effects of complex-shape objects on phase and amplitude images in infrared thermography are studied. The objective with phase images is to test if the blind frequency concept [7] is still suitable for complex-shaped surfaces: many experiments were undertaken. With amplitude images, our objective focuses on the possible relationship between the surface shape of a specimen and its amplitude images. The results showed that the blind frequency based on phase images is not affected by the surface shape of the object. Moreover, we also saw that amplitude image is indeed related to the object surface shape. We can extract the object surface shape from an amplitude image thanks to the "shape from heating" method reported by Barker et al., [17] and Pelletier et al., [8]. This method was adapted to amplitude images, we called it "shape from amplitude".

La thermographie pulsée (PT), importante méthode de contrôle non destructif, a suscité un intérêt croissant ces dernières années, en raison de sa rapidité de mesure, de son excellente mobilité et de sa haute résolution. Son champ d'application s'étend à divers matériaux, tels que les métaux et les matériaux composites. Les données thermographiques consistent en des séquences infrarouges bidimensionnelles représentant l'évolution de la température de surface de l'échantillon testé. Même pour les professionnels qualifiés, il est difficile d'identifier avec précision tous les types de défauts. En outre, la caractérisation des défauts peut être encore plus difficile à décider. Bien que l'apprentissage profond soit devenu une approche populaire du traitement automatisé des données ces dernières années, il existe quelques problèmes communs lorsqu'ils sont appliqués à l'analyse de séquences d'images thermographiques. Tout d'abord, les approches d'apprentissage profond sont généralement gourmandes en données, alors que les données thermographiques sont rares, la préparation des essais étant généralement fastidieuse. Deuxièmement, le ressuage étant axé sur la détection des défauts sous la surface, il est souvent très difficile d'obtenir l'emplacement exact des défauts. Cependant, la caractérisation précise des défauts est cruciale pour l'entraînement des réseaux neuronaux profonds. Troisièmement, contrairement au domaine de la vision par ordinateur, où il existe de nombreux ensembles de données bien préparés pour l'évaluation comparative de différents algorithmes, il n'existe que quelques ensembles de données de ressuage accessibles au public. Cependant, ces ensembles de données sont essentiels pour faire progresser les algorithmes de traitement des données thermographiques. Quatrièmement, les modèles d'apprentissage profond, malgré leurs bonnes performances, sont souvent considérés comme des « boîtes noires ». Cela constitue un obstacle à leur déploiement dans l'industrie pour l'assurance qualité, car il est très difficile de gagner la confiance de l'utilisateur final, qui est responsable de la qualité du produit. La présente étude se penche sur les questions susmentionnées. Pour remédier à la pénurie de données et au nombre limité d'ensembles de données de référence, deux ensembles de données de PT ont été préparés et mis à la disposition du public, l'un pour la segmentation des défauts et l'autre pour l'estimation et la localisation de la profondeur des défauts. Ce dernier ensemble de données est étiqueté à l'aide des images CAO correspondantes. Cela permet d'améliorer la précision des informations d'étiquetage. En outre, pour améliorer l'explicabilité des modèles profonds utilisés pour le traitement des données infrarouges, trois méthodes d'IA explicables sont étudiées, notamment la méthode de visualisation de la carte d'activation, la méthode d'attribution des caractéristiques et la méthode d'occlusion des caractéristiques. La méthode de visualisation de la carte d'activation montre le processus de prise de décision du modèle profond, qui est similaire à la perception humaine. La méthode d'attribution des caractéristiques et la méthode d'occlusion des caractéristiques ont généré des cartes thermiques similaires, démontrant que les modèles utilisent les caractéristiques correctes pour prendre les décisions finales. La crise de confiance du modèle profond peut donc être atténuée. / Pulsed thermography (PT), as an important nondestructive testing method, has attracted increasing attention in recent years, due to its rapid measurement speed, excellent mobility, and high resolution. Its applicability spans across various materials, such as metal and composite materials. The thermographic data consist of two-dimensional infrared sequences representing the evolution of the surface temperature of the test specimen. Even for skilled professionals, it is challenging to accurately identify all kinds of defects. Furthermore, the characterization for the defects can be even more difficult to decide. Although deep learning has become a popular automated data processing approach in recent years, there are some common issues when they are applied to the analysis of thermographic image sequences. First, deep learning approaches are typically data-hungry, whereas thermographic data are scarce as the preparation for testing is usually tedious. Second, as PT focuses on the detection of subsurface defects, it is often quite challenging to obtain the exact location of the defects. However, the accurate characterization of the defects is crucial for the training of deep neural networks. Third, unlike the computer vision field, where there are numerous well-prepared datasets for benchmarking different algorithms, there are only a few such publicly accessible PT datasets. However, these datasets are fundamental for advancing algorithms in thermographic data processing. Fourth, the deep learning models, despite their good performance, are often considered "black boxes". This presents an obstacle to their deployment in the industry for quality assurance due to the significant challenge of earning the trust of the end user who bears the responsibility for the product's quality. This study investigates the aforementioned issues. To address the scarcity of data and the limited benchmark datasets, two PT datasets are prepared and made publicly available, one is for defect segmentation and the other is for defect depth estimation and localization. The latter dataset is labeled using the corresponding CAD images. This enhances the accuracy of the labeling information. Furthermore, to enhance the explainability of the deep models used for infrared data processing, three explainable AI methods are investigated, including the activation map visualization method, feature attribution method, and feature occlusion method. The activation map visualization method shows the decision-making process of the deep model, which is similar to human perception. The feature attribution method and feature occlusion method generated similar heat maps, demonstrating that the models use the correct features to make final decisions. The trust crisis of the deep model can therefore be mitigated.