Emission acoustique dynamique pour la caractérisation du comportement non linéaire des matériaux complexes

Autor: Yu, Xiaoyang
Přispěvatelé: Laboratoire d'Acoustique de l'Université du Mans (LAUM), Le Mans Université (UM)-Centre National de la Recherche Scientifique (CNRS), Université du Maine, Mourad Bentahar, Silvio Montrésor, Charfeddine Mechri
Jazyk: angličtina
Rok vydání: 2020
Předmět:
Zdroj: Acoustics [physics.class-ph]. Université du Maine, 2020. English. ⟨NNT : 2020LEMA1019⟩
Popis: Acoustic emission (AE) is well known to be an efficient structural health monitoring technique to detect the creation and propagation of micro-cracks within structural materials such as concrete or composites when submitted to quasi-static stresses. Based on adequate signal processing methods, different research studies have established links between the detected AE hits and the created micro-damages. Other works have shown that it is possible to correlate the relaxation time in composites and the energy of the damage mechanisms measured during the quasi-static loading using the recorded AE hits. This thesis proposes to use an original experimental protocol to probe the nonlinear relaxation of concrete samples at the intact and damaged states. This protocol is based on the use of AE to passively probe the nonlinear relaxation of concrete samples instead of the weak amplitude signal usually used in slow dynamics experiments. Results show that passive and active probing methods lead to equivalent relaxation times. Furthermore, AE probing reveals the existence of a ‘silence period’ during the first minutes of the nonlinear relaxation after which AE hits start to be detected. In addition, the characteristics of AE hits recorded during the passive relaxation showed a clear resemblance to those obtained during the damaging of the same samples, where shear and compression mechanisms are involved. For the clustering of the AE hits, in addition to use of an unsupervised pattern recognition approach to cluster the detected AE hits, this work proposes a novel ‘image- based AE classification’ approach based on continuous wavelet transform (CWT) and convolutional neural network (CNN). Results related to the nonlinear dynamic and quasi-static AE data show that both signal processing approaches have high classification accuracy, which represents a great interest in the development of dynamic AE methods in the presence of micro-cracks.; L’émission acoustique (EA) est reconnue pour être une technique efficace de surveillance de la santé des structures permettant de détecter la création et la propagation de microfissures dans les matériaux structuraux tels que le béton ou les composites lorsqu'ils sont soumis à des contraintes quasi-statiques. Sur la base de méthodes de traitement de signaux adéquates, différentes études ont établi des liens entre les salves d’EA et les micro-dommages créés. D'autres travaux ont montré qu'il est possible de corréler le temps de relaxation des composites et l'énergie des mécanismes d'endommagement mesurée durant la charge quasi-statique en utilisant les salves d’EA enregistrées. Cette thèse propose d'utiliser un protocole expérimental original pour détecter la relaxation non-linéaire d'échantillons de bétons à l'état intact et endommagés. Ce protocole est basé sur l'utilisation de l’EA pour capter passivement la relaxation non-linéaire d'échantillons de bétons au lieu du signal de faible amplitude habituellement utilisé dans les expériences de dynamique lente. Les résultats montrent que les méthodes de détection passives et actives conduisent à des temps de relaxation équivalents. De plus, le capteur d’EA révèle l’existence d’une ‘période de silence’ pendant les premières minutes de la relaxation non-linéaire après laquelle les salves d’EA commencent à être détectées. De plus, les caractéristiques des salves d’EA enregistrées pendant la relaxation passive ont montré une nette ressemblance avec celles obtenues lors de l'endommagement des mêmes échantillons, où des mécanismes de cisaillement et de compression sont impliqués. Enfin, nous notons qu’en plus de l'utilisation d'une approche de reconnaissance des formes non- supervisée pour la classification des salves d’EA, ce travail propose une nouvelle approche de classification des signaux d’EA basé sur l’image de la représentation en ondelettes continue (CWT) et le réseau de neurones convolutifs (CNN). Les résultats liés aux données d’EA dynamiques non-linéaires et quasi-statiques montrent que les deux approches de traitement du signal ont une grande précision de classification, ce qui représente un intérêt certain pour le développement de méthodes d’EA dynamiques en présence de microfissures.
Databáze: OpenAIRE
Externí odkaz: