Détection précoce de la rupture par fatigue ou intermittente via les multiplets acoustiques validés en champ complet – e-WARNINGS

Ce projet développe une chaîne de traitement du signal d’EA entièrement non supervisée pour la détection et caractérisation en temps réel de la fissuration par fatigue dans les alliages métalliques. Elle repose sur un algorithme DBSCAN avec une métrique de dissimilarité δ = 1 − max(intercorrélation normalisée) (invariante en amplitude, calculée sur la partie impulsive ≈ 80–120 μs) et une matrice de dissimilarité partielle pour le temps réel. La détection est pilotée par Minpts (taille minimale de cluster) et d (seuil de dissimilarité), tandis qu’Epsilon est déterminé automatiquement via le premier minimum de la distribution bimodale des dissimilarités. La période de cyclage Tc est estimée itérativement à partir des temps inter-coups (seuil de convergence : 10⁻³ s).

Les mécanismes sources sont élucidés par couplage EA/Corrélation d’Images Numériques (DIC) (méthode éléments finis globale, 30 images/cycle, projection de Williams pour la position de la pointe de fissure et les facteurs d’intensité des contraintes K_I/K_II, mesure de l’ouverture COD et du taux de contact surfacique), synchronisé par intercorrélation des charges. L’identification des sources à partir des formes d’onde utilise une Classification Ascendante Hiérarchique (CAH) des multiplets (représentés par leur forme d’onde centroïde, médiane ou aléatoire), avec comparaison des critères de liaison (simple, complet, moyen, Ward).

Pour l’EA continue, un réseau de diffusion profond (filtres d’ondelettes de Gabor fixes, 2 couches, hyperparamètres guidés par la physique : octaves, bancs d’ondelettes, pooling) extrait des descripteurs interprétables, suivis d’une Factorisation en Matrices Non Négatives (NMF) pour la réduction de dimension et d’une CAH (Ward, distance euclidienne) ou de Modèles de Mélange Gaussien (GMM) pour le partitionnement sur des fenêtres glissantes de 1 ms.

Le cadre expérimental intègre l’EA (capteurs piézoélectriques), la DIC (champs de déplacement, K_I/K_II via la série de Williams), l’imagerie 3D du front de fissure (caméra inclinée) et la fractographie post-mortem (microscopie optique : bandes d’arrêt, lignes de Wallner). PCA et intercorrélation classent les signaux EA et identifient les multiplets (signaux similaires issus d’une même source).

Un modèle de fissuration dynamique par champ de phase étudie la propagation dépendante de la vitesse dans les matériaux viscoélastiques, avec trois formulations thermodynamiquement cohérentes : comportement viscoélastique du volume, ténacité dépendante de la vitesse de déformation et ténacité dépendante de la vitesse d’endommagement. Une variable d’endommagement continue simule l’amorcage et la propagation sans suivi explicite. La modélisation EA interprète l’évolution de l’endommagement comme une source potentielle d’EA. Implémenté dans Abaqus (UEL), ce cadre analyse la vitesse de pointe de fissure, la dissipation d’énergie et la dynamique de rupture, reliant les processus d’endommagement à la génération des signaux d'EA.

La détection automatique de multiplets acoustiques, validée sur sept essais (3 matériaux : alliages d’aluminium 5083/7075, acier 42CD4 ; 3 géométries : CT, DENT, éprouvettes haltère ; rapports de charge R = 0,1/0,5/0,7, Rε = 0,1, 0,2–10 Hz ; capteurs : Nano30, μ80, μ200), réestime la période Tc avec une erreur < 1 %. L’algorithme est robuste aux zones silencieuses et aux multiplets quasi simultanés, fonctionnant en temps réel sur des processeurs standards.

L’analyse couplée EA-DIC distingue les multiplets de Type I (propagation : extension importante, rares, R = 0,1, première moitié de la durée de vie en fatigue, phase de chargement, K_I constant, source mobile à la pointe de fissure) des Type II (présence : extension faible, nombreux, présents dans tous les essais, frottement des faces de fissure, source fixe). La classification hiérarchique (Ward + liaison médiane) reproduit cette distinction à partir des seules données acoustiques, les clusters de Type I étant plus denses et mieux séparés. Une ACP sur 13 descripteurs temps-fréquence échoue à séparer les Types I/II, confirmant la supériorité de l’analyse par forme d’onde complète. Pour l’EA continue (acier XC48), le réseau de diffusion + NMF + classification segmente les signaux en 5 classes (frottement, plasticité/endommagement, Type II, bruit), stables entre capteurs, et détecte des multiplets sous le seuil.

Les expériences sur PMMA révèlent deux régimes de propagation séparés par une vitesse « interdite » : quasi-statique (4–5 mm/s, faible activité EA, < 40 dB) et dynamique (20–30 mm/s, EA intense, jusqu’à 100 dB). Les signaux de forte amplitude corrèlent avec les transitions quasi-statique/dynamique, confirmant leur lien avec la nucléation de microfissures. La DIC localise la pointe de fissure avec une incertitude < 45 µm, tandis que l’EA localise les événements avec 1–2 mm d’incertitude. ACP et intercorrélation identifient des multiplets liés à des mécanismes répétitifs (ex. stick-slip) avec une corrélation > 90 %, mais aucun lien systématique entre multiplets et empreintes de surface n’a été trouvé en fracture monotone du PMMA.

Les mécanismes dépendants de la vitesse influencent fortement la fracture dynamique : la dissipation viscoélastique favorise la propagation, tandis que la ténacité dépendante de la vitesse réduit la ramification et augmente les vitesses de pointe. Dans certains cas, la vitesse de fissure dépasse celle des ondes de Rayleigh en raison d’un raidissement local. Les formulations dépendantes du taux d’endommagement corrèlent avec l’évolution de la fracture et la libération d’énergie, les zones à fort taux d’endommagement étant identifiées comme sources intenses d’EA, offrant des éclairages sur la cinétique de rupture.

L’objectif est de développer une architecture CND automatisée et peu complexe, capable de distinguer les multiplets de Type I (propagation) des Type II (présence) en utilisant uniquement le contenu acoustique, sans recourir à la DIC ni à des mesures de fissure, afin de permettre des alertes de propagation en service. Une avancée méthodologique clé est la détection en deux phases des multiplets : détection initiale de petites portions de signaux, suivie d’une réagrégation par classification hiérarchique à faible dissimilarité. Cette approche accélère les calculs, améliore la précision et réduit le réglage manuel des paramètres.

Les travaux futurs incluront l’approfondissement de l’exploitation des données EA continues par une interprétation croisée du contenu temps-fréquence (coefficients de diffusion, NMF, spectrogrammes) pour caractériser le frottement, la plasticité et l’endommagement, tout en exploitant les multiplets sous le seuil pour une détection plus précoce. Côté apprentissage, des méthodes alternatives de réduction de dimension et des Modèles de Mélange Gaussien (GMM) seront explorés, ainsi qu’une optimisation physique des hyperparamètres des réseaux de diffusion (octaves, bancs d’ondelettes, pooling). L’étape finale consistera à généraliser la méthode à de nouveaux matériaux, géométries et conditions de chargement, avec un transfert vers des structures industrielles pour des applications réelles de surveillance de santé structurelle (SHM).

Les efforts futurs affineront les méthodes expérimentales pour répondre aux limites actuelles, notamment via l’utilisation de capteurs EA large bande pour capturer des mécanismes multi-échelles et d’algorithmes de localisation 3D pour améliorer la discrimination des événements en volume. Le couplage EA-mesures thermiques (caméras infrarouges) pourrait éclaircir les effets d’adoucissement thermique. Sur le plan industriel, des tests sur des matériaux composites (ex. CFRP) pourraient ouvrir la voie à des applications aéronautiques, tandis que l’intégration de ces résultats dans des outils de surveillance en temps réel améliorerait le suivi des structures critiques. En modélisation, des simulations d’interaction onde-fissure (champ de phase, peridynamique) pourraient reproduire les régimes de vitesse « interdits », et l’extension des lois cinétiques aux matériaux viscoélastiques (ex. polymères renforcés) élargirait le champ d’application.

Enfin, les modèles de fissuration par champ de phase seront couplés aux modèles de sources EA pour simuler l’évolution de l’endommagement et la génération d’ondes dans un cadre unifié. La méthodologie sera étendue aux problèmes de fissuration 3D et aux composites, en intégrant le couplage thermomécanique et l’apprentissage automatique pour l’interprétation des signaux EA. Des jumeaux numériques intégrant une surveillance en temps réel seront également développés, avec des campagnes expérimentales pour valider les prédictions et améliorer les capacités de SHM.

La fatigue, i.e rupture de structures mécaniques sous sollicitation cyclique, demeure une gageure technologique considérable, car elle survient de façon inattendue lorsque la structure fonctionne apparemment dans un régime stabilisé et sûr, sans signe extérieur de détérioration mécanique. Si des méthodes de prédiction de la durée de vie basées sur la suivi non-destructif des propriétés de matériaux, ont été proposées, la détection précoce et le suivi de la fissuration en fatigue reste un problème crucial.
Nous avons récemment mis en évidence la détection de signaux d’émission acoustique (EA) spécifiques de la propagation de fissures par fatigue, dans différents matériaux métalliques. Ces signaux, dénommés multiplets acoustiques, se caractérisent par des formes d’ondes quasi identiques, signature d’une source unique, et sont déclenchés de façon répétée sur de nombreux cycles de chargement successifs au même niveau de contrainte.
Ils marquent la propagation lente et incrémentale d’une fissure de fatigue à chaque cycle, ou le frottement le long des surfaces de rupture. Étant spécifiques à la fissuration incrémentale par fatigue, ils peuvent être utilisés comme des avertissements précurseurs de la propagation des fissures, qui mènera en définitive à une rupture globale.
En se basant sur cette preuve de concept, le projet e-WARNINGS a pour but d’étendre cette étude aux objectifs suivants:
i) comprendre l’origine des multiplets et identifier les mécanismes physiques impliqués, pour différents matériaux et différentes sollicitations
ii) développer de nouveaux modèles de sources d’EA en analysant les signaux détectés en lien avec les événements mécaniques à leur origine. Des mesures de champs de déplacement à très haute vitesse et des simulations avancées de la rupture seront utilisées pour améliorer l’analyse des signaux EA.
iii) proposer un nouveau suivi temps réel non-destructif fiable pour l’amorçage et la propagation de fissures de fatigue grâce à des algorithmes d’apprentissage automatique lors d'essais mécaniques ou au sein de structures industrielles en service.
Pour atteindre ces objectifs, la méthodologie développée dans le projet e-WARNINGS est basée sur l’utilisation des multiplets acoustiques, interprétés comme la signature spécifique des fissures de fatigue. Ceci sera validé et étendu à d’autres matériaux. D’autres améliorations dans l’analyse des multiplets sont proposés, guidées par l’analyse d’une situation modèle avec une événement de propagation unique. Pour valider le modèle de source numérique et améliorer la robustesse des algorithmes, nous utiliserons diverses configurations expérimentales de complexité croissante. Tout cela bénéficiera à la détection temps réel de la propagation de la fissure en utilisant les multiplets dans des applications industrielles, en surmontant les limites des méthodes existantes qui nécessitent de nombreuses investigations manuelles et périodiques.
Le projet e-WARNINGS en étendant le champ d’application de techniques d’analyse sismologique de pointe à la science des matériaux est innovant par nature. La détection spécifique de ces multiplets dans les matériaux permettra d’obtenir un nouveau moyen de détecter, surveiller et mesurer l’extension de fissure de fatigue in situ et in-operando avec des techniques non destructives.
Cette nouvelle méthode de suivi et les nouveaux algorithmes de détection/mesure proposés dans ce projet permettront l’identification de fissures et le risque de rupture sous-jacent avec une sensibilité et une spécificité sans précédent et ce bien avant qu’une propagation instable ne se produise. Cela i) conduira à une solution autonome fournissant de véritables alertes précoces avec une détection en ligne fiable et un suivi de la fissuration par fatigue dans les structures en service, (ii) ouvrira la voie à une optimisation des démarches de tolérance au dommage et donc iii) servira à améliorer la sûreté des installation et la prévention du risque industriel.