Stage - Calibration automatique des propriétés élastiques des matériaux par mesures ultrasonores H/F

Candidater

Les propriétés élastiques peuvent être caractérisées en laboratoire par différentes méthodes, mais ces méthodes sont souvent complexes à mettre en œuvre (essais de traction par exemple). Des nouvelles approches d’inversion, laissent entrevoir la possibilité de calibrer les propriétés élastiques par des mesures ultrasonores ([1, 2]). Ces approches peuvent être réparties en deux catégories, d'un côté les algorithmes itératifs et de l'autre les algorithmes basés sur le machine learning comme les réseaux de neurones (MLP, CNN, ...). Ces méthodes sont très inégales en termes de précision d’inversion, temps d’exécution ou même de données d’entrée requises mais présentent chacune des intérêts. L’objectif du stage est de développer une chaîne de traitement automatisée pour la caractérisation des propriétés élastiques des matériaux par mesure d’ondes guidées ultrasonores (type B-Scan). Pour cela, le stage se découpe en trois parties, tout d’abord avec le développement d’un prototype de capteur multiélément basé sur des microphones MEMS ([3]) et du protocole de mesure associé. Ensuite avec l’étude des différentes méthodes d’inversion à partir des signaux ultrasonores ou des courbes de dispersion pour déterminer les forces et les faiblesses de chacune. Enfin avec le développement d’un procédé de calibration combinant les deux types de méthodes pour optimiser la calibration en termes de précision et de vitesse. [1] R. Cui and F. L. di Scalea, “On the identification of the elastic properties of composites by ultrasonic guided waves and optimization algorithm,” Composite Structures, vol. 223, p. 110969, 2019, doi: 10.1016/j.compstruct.2019.110969 [2] M. Rautela, S. Gopalakrishnan, K. Gopalakrishnan, and Y. Deng, “Ultrasonic Guided Waves Based Identification of Elastic Properties Using 1D-Convolutional Neural Networks,” in 2020 IEEE International Conference on Prognostics and Health Management (ICPHM), 2020, pp. 1–7. doi: 10.1109/ICPHM49022.2020.9187057. [3] A. W. F. Volker, J. W. Vrolijk, E. J. W. Merks-Swolfs, D. W. van der Burg, M. S. van der Heiden, and Q. E. V. N. Martina, “Non-Contact MEMS-Sensor Array Inspection of Composites and Metallic Parts Using Lamb Waves,” ASME J Nondestructive Evaluation, vol. 6, no. 4, Nov. 2023, doi: 10.1115/1.4056896.

Situé sur le plateau de Saclay en région parisienne, au sein du #CEA-List le Département d'Instrumentation Numérique (DIN) développe des méthodes et des outils de simulation et d'instrumentation pour les domaines du contrôle non destructif (CND) et du structural health monitoring (SHM) visant à détecter des défauts dans les domaines pour lesquels la sécurité d'opération est primordiale (aéronautique, nucléaire, pétrole, ferroviaire...).

Vous préparez un diplôme de niveau BAC+5 (master 2 ou école d'ingénieur) avec une forte composante en traitement du signal ou en acoustique. Vous possédez des compétences en programmation Python. Vous avez des connaissances en traitement du signal, en machine learning et vous aimez le monde expérimental. Rejoignez-nous, venez développer vos compétences et en acquérir de nouvelles ! Mot-clés: Traitement du signal, Acoustique/élasticité, SHM, CND, Intelligence Artificielle, Machine Learning

Bac+5 - Diplôme École d'ingénieurs

Français Courant,Anglais Courant

Médias associés

fr_FRFR

Contact us

We will reply as soon as possible...