Dans ce travail, nous abordons la quantification de dommage de type délaminage dans des stratifiés en CFRP. Le problème de quantification est transformé en un problème de classification multiclasses au sens de l'apprentissage statistique. Chaque classe correspond à une certaine sévérité de dommage. Le modèle de machine à vecteurs de support (SVM) est utilisé pour effectuer la classification. Généralement, des descripteurs de dommage basés sur une utilisation directe des signaux mesurés (SBF) sont utilisés pour apprendre les modèles décisionnels. Dans ce travail, nous nous basons sur l'hypothèse qu'un dommage génère nécessairement une part de non linéarité dans la réponse dynamique de la structure et nous investiguons la pertinence de l'utilisation de descripteurs de dommage basés sur un modèle non linéaire (NMBF) pour améliorer les performances du modèle décisionnel. Les NMBF proposés sont calculés en se basant sur le modèle de Hammerstein en parallèle identifié avec un signal de type "sweep exponentiel". Une réduction de dimension du vecteur des caractéristiques en utilisant l'ACP est également conduite et son effet sur les performances du processus de quantification suggéré est étudié. L'approche de quantification proposée a été testée et validée en utilisant des résultats de simulation puis des résultats expérimentaux obtenus sur des plaques composites en CFRP équipées d'éléments piézoélectriques et contenant diverses sévérités de délaminage. Les dommages de type délaminage ont été générés au sein des échantillons de manière calibrée et réaliste à l'aide de la technique du choc LASER et plus particulièrement du choc LASER symétrique. Nous avons démontré expérimentalement que cette configuration de choc LASER est une alternative efficace aux méthodes classiques de génération de dommage telles que les impacts classiques et les patches de Téflon, permettant une meilleure calibration du dommage en type, profondeur et taille. / In this work, we approach delamination quantification in Carbon Fiber Reinforced Polymer (CFRP) laminates as a classification problem whereby each class corresponds to a certain damage extent. A Support Vector Machine (SVM) is used to perform multi-class classification task. Classically, Signal Based Features (SBF) are used to train SVMs when approaching SHM from a machine learning perspective. In this work, starting from the assumption that damage causes a structure to exhibit nonlinear response, we investigate whether the use of Nonlinear Model Based Features (NMBF) increases classification performance. NMBF are computed based on parallel Hammerstein models which are identified with an Exponential Sine Sweep (ESS) signal. Dimensionality reduction of features vector using Principal Component Analysis (PCA) is also conducted in order to find out if it allows robustifying the quantification process suggested in this work. The proposed quantification approach was first tested and validated using simulation results. Thereafter, experimental results on CFRP composite plates equipped with piezoelectric elements and containing various delamination severities are considered for demonstration. Delamination-type damage is introduced into samples in a calibrated and realistic way using LASER Shock Wave Technique (LSWT) and more particularly symmetrical LASER shock configuration. We have experimentally demonstrated that such a configuration of LASER shock is an effective alternative to conventional damage generation techniques such as conventional impacts and Teflon inserts since it allows for a better calibration of damage in type, depth and size.
| Identifer | oai:union.ndltd.org:theses.fr/2017ENAM0070 |
| Date | 07 December 2017 |
| Creators | Ghrib, Meriem |
| Contributors | Paris, ENSAM, Berthe, Laurent, Mechbal, Nazih, Rébillat, Marc, Guskov, Mikhail, Ostachowicz, Wieslaw |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0021 seconds