Smart testing – gestion des données d’essais

Collecter les données d’exploitation des machines d’essais (matériels utilisés, historique d’exploitation, planning, etc.), ainsi que les données d’essais (spécifications d’essais, conditions aux limites, réponse du spécimen aux charges qui lui sont appliquées, etc.), les structurer et les stocker dans le but de les analyser localement (optimisation d’un essai en cours) et globalement (capitalisation du savoir et savoir-faire acquis par la réalisation de multiples campagnes expérimentales).

Le maintien en conditions opérationnelles des moyens d’essais pour éviter des dérives de planning dues à une panne machine est au cœur des stratégies expérimentales. Il s’agit par conséquent de pouvoir surveiller le comportement des différents composants d’un banc pour identifier des anomalies représentatives d’une défaillance à venir. Les essais sont coûteux en temps et en volume. L’analyse des données au fur et à mesure de la progression d’un essai ou d’une campagne d’essais permet d’ajuster les spécifications de manière à réduire les incertitudes au bon niveau pour répondre le plus rapidement possible aux objectifs de la démarche expérimentale. Le comportement d’un spécimen ou de la machine d’essai est régi par les lois de la physique, qui peuvent être modélisées par des modèles mathématiques plus ou moins performants. L’enrichissement de ces modèles par des données opérationnelles et expérimentales permet d’améliorer la précision des résultats de simulation numérique : on parle de modèles hybrides, qui allient la physique et l’intelligence artificielle. Ces techniques peuvent permettre de bénéficier de jumeaux numériques qui pourront, à termes, réaliser des essais virtuels pour soulager le volume de spécimens réels à approvisionner pour les essais, et piloter les spécifications d’essais en fonction des réponses de ces spécimens et des simulations de comportement pour permettre de conclure plus rapidement quant aux objectifs à atteindre.