Résumé:
Ce travail introduit une approche efficace pour détecter les défauts et estimer leurs dimensions à la surface et à l’intérieur des matériaux non ferromagnétiques. L’électro Magnétique Acoustique Transducer (EMAT) est l'un des capteurs du Control Non Destructive (CND) par ultrasons qui fournit une inspection sans contact aux matériaux conducteurs, afin de détecter la présence des différent défauts. Cependant, la caractérisation des défauts reste un problème qui doit être résolu. Dans ce travail de thèse, nous avons proposé une approche basée sur les méthodes de régression multivariée pour trouver la relation entre les dimensions du défaut et la tension mesurée par le capteur EMAT. Cette approche est développée en mettant en œuvre deux modèles importants : le modèle direct et le modèle inverse. Le modèle direct est basé sur la méthode des éléments finis (FEM) qui a été appliquée pour modéliser la réponse du capteur EMAT au matériau analysé, afin de construire une base de données pour ajuster le modèle d'inversion. Cette base de données est constituée par un ensemble de dimensions de défauts et un ensemble de signaux mesurés correspondant à chaque défaut. Le modèle inverse est réalisé par l'application de la méthode de régression partielle des moindres carrés (PLSR) et de la méthode du réseau neuronal artificiel (ANN), dans une étude comparative entre les deux méthodes en termes de temps de calcul et précision pour les petites bases de données.
