Bibliographie & annexes
Présentation
En anglais
RÉSUMÉ
Il existe des méthodes alternatives aux méthodes classiques pour l'estimation de propriétés thermophysiques. Ces méthodes s'appuient sur des outils issus du domaine de l'intelligence artificielle. Il s'agit des réseaux de neurones artificiels et des systèmes neuro-flous. Ils permettent ici d'estimer la diffusivité thermique d'un matériau homogène. En effet, la présence d'un défaut de structure modifie localement cette propriété, c'est pourquoi la connaître peut constituer une aide au CND. Les démarches décrites peuvent aisément s'appliquer à d'autres problèmes d'estimation de propriétés ou de paramètres.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Alternative methods exist for the estimation of thermophysical properties. These methods are based on artificial intelligence tools. These tools are artificial neuronal networks and neuro-fuzzy systems. They allow for estimating the thermal diffusivity of a homogeneous material. Indeed, a structural defect locally modifies this property and this is why knowing this property can be useful in non-destructive testing (NDT). The approaches described can easily be applied to other issues concerning the estimation of parameters or properties .
Auteur(s)
-
Olivier FAUGEROUX : Docteur de l’université de Perpignan Via Domitia - Maître de conférences, université de Perpignan Via Domitia, laboratoire PROMES-CNRS UPR 8521
-
Stéphane GRIEU : Docteur de l’université de Perpignan Via Domitia - Professeur des universités, université de Perpignan Via Domitia, laboratoire PROMES-CNRS UPR 8521
-
Adama TRAORE : Docteur de l’université de Montpellier II - Maître de conférences, université de Perpignan Via Domitia, laboratoire PROMES-CNRS UPR 8521
-
Jean-Luc BODNAR : Docteur de l’université de Reims Champagne-Ardenne - Maître de conférences, université de Reims Champagne-Ardenne, laboratoire GRESPI
-
Bernard CLAUDET : Docteur de l’université de Perpignan Via Domitia - Professeur des universités, université de Perpignan Via Domitia, laboratoire PROMES-CNRS UPR 8521
INTRODUCTION
La mise en application d’une méthode de contrôle non destructif nécessite l’interprétation et/ou l’exploitation des différents résultats qu'elle fournit. Il est donc indispensable de bien maîtriser l’outil permettant cette exploitation/interprétation, cette dernière pouvant simplement être menée grâce au savoir-faire du manipulateur/expérimentateur. Différents outils mathématiques peuvent toutefois être utilisés, a priori beaucoup moins soumis à la subjectivité de ce dernier.
Une démarche classique consiste à utiliser les méthodes inverses. Il s’agit alors de comparer un modèle de comportement aux mesures effectuées. Il est ainsi possible de remonter aux propriétés ou paramètres considérés en s’assurant simplement que l’écart entre les mesures et le modèle est négligeable. Cette approche nécessite une connaissance parfaite du système étudié et la possibilité d'exploiter cette connaissance pour le modéliser finement, sous peine de ne pas identifier correctement les différentes propriétés recherchées. Des modèles paramétriques peuvent être envisagés. Cependant, leur capacité de généralisation est souvent très limitée.
Une solution est alors d’avoir recours à des outils permettant de développer des modèles à partir d'exemples (ou cas d'espèce) et qui sont ensuite capables de généraliser en exploitant l'information apprise. Ces outils, les réseaux de neurones artificiels et les systèmes neuro-flous (pour ceux que nous avons testés), appartiennent au domaine de l’intelligence artificielle (IA). Ces systèmes permettent par ailleurs une prise en compte fine de la connaissance experte. Enfin, les possibilités offertes par les algorithmes génétiques sont en cours d’étude.
L’objectif de ce document est, après avoir présenté les outils issus de l’IA utilisés et à travers un exemple expérimental simple, de montrer leurs possibilités. Les points clés permettant la mise en place des démarches proposées sont détaillés de façon à ce qu’un expérimentateur puisse l’adapter à un problème d’estimation spécifique. Il est néanmoins fortement conseillé d’avoir des bases en modélisation des systèmes pour obtenir des résultats satisfaisants.
L'expertise technique et scientifique de référence
MOTS-CLÉS
bâtiment matériaux Contrôle non destructif Caractérisation de matériaux Estimation de propriétés
KEYWORDS
building | materials | Non-destructive testing | Materials characterization | Properties estimation
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils technologiques > Outils de l’intelligence artificielle appliqués au CND > Outils de l’intelligence artificielle
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Outils de l’intelligence artificielle appliqués au CND > Outils de l’intelligence artificielle
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Outils de l’intelligence artificielle appliqués au CND > Outils de l’intelligence artificielle
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Outils de l’intelligence artificielle appliqués au CND > Outils de l’intelligence artificielle
Accueil > Ressources documentaires > Mesures - Analyses > Contrôle non destructif > CND : applications sectorielles > Outils de l’intelligence artificielle appliqués au CND > Outils de l’intelligence artificielle
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Cas pratique : aide au CND, estimation de la diffusivité d’un matériau homogène
En anglais
3. Outils de l’intelligence artificielle
Nous présentons ici les outils qui nous semblent être les plus pertinents pour l’estimation de propriétés thermophysiques à partir des mesures réalisées grâce à une expérience photothermique. Dans ce qui suit, les grandeurs scalaires seront désignées par des lettres minuscules en italique (ex : a, b, c...), les vecteurs seront représentés par des minuscules en gras (ex : a, b, c...) alors que les matrices seront désignées par des majuscules en gras (ex : A, B, C...).
3.1 Qu’est ce que l’intelligence artificielle
Ce terme, proposé pour la première fois dans les années 1950, désigne un domaine scientifique relatif au traitement des connaissances et au raisonnement , dans le but de permettre à une « machine » d’exécuter différentes tâches habituellement associées à l’intelligence humaine, telles que la compréhension, l’apprentissage, l’adaptation ou le raisonnement. Ainsi, cette « machine » sera amenée soit à reproduire le comportement d’un être humain, soit à en modéliser le fonctionnement. Elle sera considérée comme intelligente si elle s’acquitte de ces tâches avec pertinence. Toutefois, pour certains chercheurs qui préfèrent parler d’« informatique heuristique », les techniques proposées ne peuvent être assimilées à de l’intelligence, une capacité qui demeure le propre de l’homme.
HAUT DE PAGE3.2 Réseaux de neurones artificiels
Les réseaux de neurones artificiels ...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Outils de l’intelligence artificielle
BIBLIOGRAPHIE
-
(1) - PARKER (W.), JENKINS (C.), ABOTT (G.) - Flash method of determining thermal diffusivity, heat capacity and thermal conductivity - Journal of Applied Physics, vol. 32(9), pp. 1679-1684 (1961).
-
(2) - GOBBE (C.), BAZIN (M.), GOUNOT (J.), DEHAY (G.) - An apparatus for measuring polymer thermal conductivity - Journal of Polymer Sciences, vol. 278, pp. 119-124 (1988).
-
(3) - DEGIOVANNI (A.), BATSALE (J.-C.), MAILLET (D.) - Mesure de la diffusivité longitudinale de matériaux anisotropes. Panorama des techniques développées au LEMTA - Revue générale de thermique, vol. 35, pp. 141-147 (1996).
-
(4) - KRAPEZ (J.C.), SPAGNOLO (L.), FRIESS (M.), AIER (H.P.), NEUER (G.) - Measurement of in-plane diffusivity in non-homogeneous slabs by applying flash thermography - International journal of thermal sciences, Vol. 43, n° 10, pp. 967-977 (2004).
-
(5) - BAILLIS-DORMANN (A.) - * - . – Détermination des propriétés radiatives et conductives de milieux semi-transparents, mémoire d’Habilitation à...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
BODNAR (J.L.), CANDORE (J.C.), CARON (D.), NICOLAS (J.L.). . – Système de contrôle non destructif étendu (SAMMTHIR), brevet français déposé à l’INPI le 26 mars 2008, numéro 08/01646.
HAUT DE PAGE
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
