MétaCan
Menu
Back to cohort
Record W4385648576 · doi:10.58286/28525

Développement d’une solution d’inspection CND multiméthodes digitales pour pièces composites aéronautiques

2023· article· fr· W4385648576 on OpenAlexfundno aff
Thibault Boulanger, Pierre Servais, L. Aerts, Matthieu Klein, Jonathan Rochet, Daniel Simon

Bibliographic record

Venuee-Journal of Nondestructive Testing · 2023
Typearticle
Languagefr
FieldEngineering
TopicThermography and Photoacoustic Techniques
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of CanadaService Public de WallonieUniversité de LiègeUniversité Laval
KeywordsHumanitiesPhysicsArt

Abstract

fetched live from OpenAlex

Le Contrôle Non-Destructif (CND) en vue de l’inspection de composants composites est un élément critique dans la chaine de valeur en aérospatial. Les méthodes se basant sur une inspection par ultrason (UT) sont, depuis des décennies, les méthodes les plus couramment déployées dans l’industrie aéronautique. Elles ont, chez la plupart des constructeurs, longtemps été perçues comme étant presque les seules capables de détecter des défauts de 6mm avec la probabilité de détection (PoD) requise. A côté de ses capacités de détection, la méthode UT possède quelques inconvénients tels que le besoin d’un contact entre la sonde et la surface de la pièce ou encore le besoin d’un fluide couplant qui rend l’inspection plus ardue (le faisceau doit rentrer perpendiculairement avec un angle précis) et plus couteuse, économiquement et environnementalement. Il existe cependant d’autres méthodes bien connues au sein de la communauté du CND offrant d’autres perspectives : soit avec des capacités de détection similaires aux UT, voire meilleures pour des applications ciblées, soit avec une réduction des coûts d’inspection (plus rapide, pas de besoin de couplant) et plus adaptées aux géométries complexes des pièces aéronautiques comme les doubles courbures. Parmi ces méthodes, peuvent être citées les méthodes digitales que sont la thermographie (IRT), la shearographie (ST), les rayons X (RX) ainsi que les ultrasons laser (LUT). En dépit des excellentes avancées technologiques récentes dans ces domaines, ces méthodes restent encore sous-estimées et souvent non considérées comme candidats pour accélérer considérablement, compléter ou précéder une inspection par ultrason. Cet article présente l’application de concert de deux de ces méthodes intégrées à un démonstrateur robotique visant à l’automatisation de l’inspection de pièces de grandes tailles. La réalisation du démonstrateur est le délivrable du projet de R&D LDCOMP groupant 9 organismes et sociétés wallonnes et québécoise visant à développer les méthodes digitales de CND et accroitre le niveau de maturité vers des solutions efficaces, robustes, rapides et offrant un niveau de détection élevé. La démonstration de la faisabilité d’inspection d’un panneau composite de grande taille (~2m) ainsi qu’une structure à géométrie cylindrique et double courbure sera décrite à l’aide d’une solution robotisée comprenant de la thermographie (IRT) et de la shearographie (ST).

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.005
Threshold uncertainty score0.017

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.000
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0050.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.047
GPT teacher head0.287
Teacher spread0.240 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venuee-Journal of Nondestructive TestingSame topicThermography and Photoacoustic TechniquesFrench-language works237,207