Une approche POD par simulation d’un contrôle ultrasonore industriel
Bibliographic record
Abstract
Pour répondre au besoin de fiabilisation des contrôles non destructifs (CND), l’utilisation d’indicateurs statistiques tels que la probabilité de détection (POD) présente un fort intérêt. Cela permet notamment de définir les performances en détection d’une technique de contrôle CND en considérant la variabilité de paramètres influents. La réalisation expérimentale d’une étude POD nécessite l’approvisionnement d’un grand nombre de maquettes avec des défauts calibrés et de différentes dimensions ; ce qui pose des difficultés de mise en oeuvre et représente un coût élevé. Une approche basée sur l’utilisation de simulations numériques est par conséquent intéressante. Pour évaluer l’intérêt d’une telle approche dans un cadre industriel, deux études POD ont été réalisées à l’aide du logiciel de simulation numérique CIVA. La première pour un contrôle CND par ultrasons (UT) à l’aide d’une sonde monoélément et la seconde avec une sonde multiélément. La structure étudiée est un assemblage de deux plaques en acier soudées bout-à-bout avec un défaut de type « manque de fusion » orienté parfaitement le long du chanfrein en « V ». La démarche complète permettant d’obtenir les courbes POD simulées a été mise en place. Les différentes étapes pour aboutir aux tracés des courbes POD sont introduites dans cet article, en particulier pour le cas UT multiélément. Les paramètres les plus influents sur le résultat du contrôle CND par ultrasons (monoélément et multiélément) sont déterminés à l’aide des indices de Sobol. Une comparaison entre les résultats obtenus pour le cas UT monoélément et UT multiélément est présentée pour différents scénarios de contrôle.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".