Développement de stratégies d'apprentissage et de leurs transferts pour le Contrôle de la Santé des Structures - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2022

Development of learning strategies and their transfer in Structural Health Monitoring

Développement de stratégies d'apprentissage et de leurs transferts pour le Contrôle de la Santé des Structures

Résumé

The Structural Health Monitoring (SHM) accompanies the deployment of predictive maintenance by monitoring aeronautical structures in real time. The technology used in this work is based on Lamb wave propagation measured by piezoelectric transducers. The damages are then characterized by advanced methods of signal processing and machine learning. An innovative laser shock induced delamination process is used in this work to validate a finite element model and to evaluate SHM algorithms on realistic and fully controlled damage.The representation of a SHM device as a system is exploited to propose strategies for solving the direct and inverse problem by learning methods. Several approximations of the direct problem are evaluated to quickly predict the results of numerically expensive simulations. Moreover, a deep learning approach is proposed to solve the inverse problem with a very good generalization capacity and robustness to experimental uncertainties.However, the learning depends on the training data and any structural, environmental, or operational change deteriorates the predictions. An innovative transfer learning approach based on the optimal transport theory proposes to capitalize on the knowledge acquired on a structure to transfer it to another through Kantorovich potentials. This approach opens the way to hybrid deep learning models mixing rich numerical data with experimental data in SHM.
Le Contrôle de la Santé des Structures (ou Structural Healh Monitoring, SHM en anglais) accompagne le déploiement de la maintenance prédictive en surveillant textit{in situ} et en temps réel les structures aéronautiques. La technologie retenue dans ces travaux s'appuie sur des propagations d'ondes de Lamb mesurées par des transducteurs piézoélectriques. Les dommages sont alors caractérisés par des méthodes avancées de traitement du signal et d'apprentissage automatique. Un procédé innovant de délaminages induits par des chocs Laser est exploité dans ces travaux pour valider un modèle par éléments finis et pour évaluer les algorithmes de SHM sur des endommagements réalistes et entièrement maitrisés.La représentation d'un dispositif de SHM en système est exploitée afin de proposer des stratégies de résolution du problème direct et inverse par des méthodes d'apprentissage. Plusieurs approximations du problème direct sont évaluées afin de prédire rapidement des résultats de simulations numériquement couteuses. De plus, une stratégie d'apprentissage profond est proposée pour la résolution du problème avec une bonne capacité de généralisation et une robustesse aux incertitudes expérimentales.L'apprentissage dépend cependant des données d'entrainement et tout changement structurel, environnemental ou opératoire courant en SHM détériore les prédictions. Une approche innovante d'apprentissage par transfert exploitant la théorie du transport optimal propose alors de capitaliser sur les connaissances acquises sur structure pour les transférer à une autre à l'aide des potentiels de Kantorovich. Cette approche ouvre la voie à des modèles d'apprentissage profond hybrides mélangeant des données numériques riches avec des données expérimentales.
Fichier principal
Vignette du fichier
ENSAM_POSTORINO_2022_archivage.pdf (16.14 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04044791 , version 2 (24-03-2023)
tel-04044791 , version 1 (12-05-2023)

Identifiants

  • HAL Id : tel-04044791 , version 2

Citer

Hadrien Postorino. Développement de stratégies d'apprentissage et de leurs transferts pour le Contrôle de la Santé des Structures. Acoustique [physics.class-ph]. HESAM Université, 2022. Français. ⟨NNT : 2022HESAE066⟩. ⟨tel-04044791v2⟩
122 Consultations
41 Téléchargements

Partager

Gmail Facebook X LinkedIn More