Développement d’une solution d’inspection CND multiméthodes digitales pour pièces composites aéronautiques
Bibliographic record
Abstract
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 imitationNot 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.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".