Contrôle non Destructif par l’Intelligence Artificielle
Résumé
Utilisation de l’IA pour détecter les defaults en CND.
Les algorithmes d'IA entraînés sur un pool de données suffisamment important
peuvent trouver efficacement une grande variété de modèles dans une gamme de
types de données.
En CND, la technologie de l'IA peut offrir des avantages pour développer des
algorithmes capables d'automatiser les trains de marchandises, d'améliorer les
efforts de sauvetage et même de recréer des odeurs décrites dans des documents
historiques et permet souvent aux équipes d'automatiser partiellement ou
entièrement des tâches qui nécessitaient traditionnellement une intervention
humaine.
Les chercheurs de CND ont utilisé l'intelligence artificielle (IA) pour créer de
nouveaux algorithmes qui exploitent les données visuelles existantes, comme les
scans de métrologie 3D et les données de test précédentes, pour détecter les défauts
dans les nouveaux scans de métrologie.
Cela permet à l'IA d'analyser des données qui devraient généralement être
inspectées manuellement par un technicien formé à l'identification et à la
classification des défauts. La détection et la classification fiables des défauts, des
fissures et des problèmes structurels similaires sont l'un des défis les plus importants
auxquels est confronté le marché des tests non destructifs.
L'utilisation de l'IA permet de standardiser ce processus d'inspection visuelle tout en
libérant un technicien pour des travaux plus importants ou en réduisant la formation
nécessaire à une équipe pour tester certains défauts.
La problématique de la thèse cadre avec cette orientation décrite ci-dessus et les
objectifs visés se résument essentiellement en les points suivants :
- Proposer une nouvelle méthode pour l’extraction des caractéristiques
inhérentes aux données collectées. Une étude d’un état de l’art sur les
techniques de sélection et construction des caractéristiques sera fournit au
doctorant [1].
- Plusieurs classifieurs seront alors testés sur le data-set ainsi construit et réduit
et des interprétations seront fournies aux utilisateurs qui statueront sur la
pertinence et l’efficacité des résultats obtenus en comparaison avec les
techniques traditionnelles [2][3].
- L'architecture CNN sera déterminée après une optimisation hyper
paramétrique qui conduit à un réseau le plus performant. Le modèle sera
entraîné à l'aide de données synthétiques et testé sur des ensembles de
données synthétiques et expérimentales. Une comparaison sera faite avec un
réseau de pointe pour l'analyse de séries chronologiques voir temporelles et
des techniques d'estimation de l'épaisseur conventionnelles par exemple et le
franchissement de seuil. Le réseau proposé fournit une estimation précise des
valeurs des paramètres identifiées par l’entreprise et on visera de surpasser
les techniques conventionnelles dans les ensembles de données synthétiques
et expérimentales.
Références
1- Sergio Cantero-Chinchilla a, Christopher
A. Simpson a, Alexander Ballisat b, Anthony J. Croxford a, Paul D. Wilcox. A
Convolutional neural networks for ultrasound corrosion profile time series
regression. NDT & E International Volume 133, January 2023.
2- Nour El Islem Karabadji , Ilyes Khelf, Hassina Seridi, Sabeur Aridhi, Didier
Rémond , Wajdi Dhifli : A data sampling and attribute selection strategy for
improving decision tree construction. Expert Syst. Appl. 129: 84-96 (2019)
3- Nour El Islem Karabadji, Hassina Seridi, Ilyes Khelf, Nabiha Azizi , Ramzi
Boulkroune :
Improved decision tree construction based on attribute selection and data
sampling for fault diagnosis in rotating machines. Eng. Appl. Artif.
Intell. 35: 71-83 (2014)
4- Panel Boštjan Vouk, Matej Guid, Marko Robnik-Šikonja. Feature construction
using explanations of individual predictions. Engineering Applications of
Artificial Intelligence Volume 120, April 2023.
