Les axes transversaux

L’axe transversal Métamatériaux, a comme objectif de favoriser l’émergence de thématiques nouvelles sur les matériaux artificiels structurés, les collaborations internes, transversales, entre les équipes et opérations de recherche (OR) du laboratoire, et le montage de projets.

Pour cela, cette nouvelle structure du laboratoire est d’abord un outil de diffusion d’informations et de réflexion pour apporter une réponse concertée et cohérente aux appels à projets, appels à communications, numéros spéciaux de revues, etc...

D’autre part, des moyens et des temps d’échanges seront mis en place (veille bibliographique, mini-workshops et formations internes).

Enfin, cet axe joue un rôle de structuration de l’activité du laboratoire sur les métamatériaux autour de cinq axes directeurs : 

• La caractérisation des propriétés des métamatériaux acoustiques et élastiques,
• Les métamatériaux non linéaires,
• Les métamatériaux mechaniques,
• Les métasurfaces pour le controle des ondes, en particulier pour la diffusion, l’absorption sub-longueur d’onde
• Les métaporeux et matériaux multi-échelles pour l’absorption large bande,
• Les métaplaques et le contrôle des ondes élastiques.

Interférométrie par ondes de coda non-linéaire

Dans les milieux fortement hétérogènes comme le béton, les méthodes dites classiques de ECND par ultrasons sont inopérantes en raison de la diffusion multiple.Les signaux détectés aux fréquences ultrasonores sont de type « codas », des signaux complexes comportant des dizaines voire centaines de périodes, et en apparence ressemblant à du bruit. En faisant usage de corrélations entre différents signaux de coda, il est possible d’extraire des informations utiles et quantitatifs sur les changements qui ont eu lieu dans le milieu. C’est la « coda wave interferometry » (CWI). Nous exploitons dans ces recherches les effets non linéaires induits par une onde dite de pompe au niveau de défauts non linéaires comme des fissures pour opérer des changements effectifs du milieu depropagation détectés par la CWI (figures 1 et 2).

Caractérisation mécanique de matériaux composites

L’utilisation des matériaux composites s’est imposée depuis ces dernières années dans différents secteurs industriels. Leurs principales applications se trouvent dans le domaine du transport, de l’aérospatial, du bâtiment, ainsi que dans les sports et les loisirs...etc.

Les raisons d’untel succès sont attribuées à leur bonne résistance à la fatigue et à la corrosion, leur souplesse de forme et surtout leur faible masse qui permet un allégement conséquent des structures. La complexité de ces matériaux et les sollicitations souvent extrêmes auxquelles ils sont soumis,nécessitent l'utilisation d'un nombre important de techniques de contrôle et de caractérisation qui permettent d’évaluer le comportement mécanique et les mécanismes d’endommagement des matériaux composites de l’échelle microscopique à l’échelle macroscopique depuis l’élaboration jusqu’à la fin de vie des structures. Ces comportements mécaniques ont été étudiés récemment pour différentes structures: composites à fibres hybrides lin/carbone (figure 3) et composites à âme auxétique (figure 4).

Imagerie linéaire et non linéaire

Plusieurs travaux réalisés au LAUM sur du béton, des composites à matrice métallique, des composites fibre de verre montrent que le niveau d’endommagement dans une structure peut être corrélé à plusieurs indicateurs non-linéaires :- une baisse locale du module élastique observable expérimentalement par des mesures en spectroscopie ultrasonores par résonance non-linéaire fournissant une excellente estimation de cette variation de module à travers une mesure de la variation de la fréquence de résonance,- la génération d’harmonique observable par une mesure en transmission du taux de génération harmonique sur une gamme de fréquence couverte par un capteur.Ces indicateurs ont été analysés par imagerie pour des plaques composites carbones saines et présentant des défauts de type «découpe à l’usinage» et «impureté de résine». Les mesures ont permis d’obtenir une imagerie du ramollissement par l’analyse de la génération d’harmonique afin de quantifier ces défauts (figure 5).

D’autres travaux menés en collaboration avec la société DB-SAS (Nantes) et le LS2N(Nantes) s’intéressent plus particulièrement aux méthodes d’imagerie ultrasonore avancées et rapides pour le CND de matériaux atténuants et diffusants. Les études réalisées ont permis, entre autre, de répondre à différentes limitations observées dans les techniques conventionnelles(Focalisation en Tout Point – TFM) d’imagerie ultrasonore. En particulier, le critère de Rayleigh imposé par la dimension de la sonde constitue une limite pour discriminer des défauts proches par TFM. L’introduction d’un modèle direct de déconvolution permet d’aller au-delà de cette limite de Rayleigh (figure 6). Ces travaux se poursuivent maintenant sur les effets de l’atténuation et de la dispersion lors de la propagation.

Fusion de données et Inversion pour le CND

L’utilisation de techniques de fusion de données a été récemment explorée dans un travail mené en collaboration entre le LAUM, l’ESEO (Angers) et l’IREENA (Saint-Nazaire) afin de concevoir un capteur permettant de fusionner des données provenant de mesures d’une part obtenues par ultrason et d’autre part, obtenues par courants de Foucault. Ces deux méthodes sont très utilisées dans le domaine du CND mais souvent indépendamment. Les travaux menés visent à utiliser conjointement ces deux méthodes de CND aux avantages et inconvénients complémentaires pour atteindre des contrôles plus complets et plus fiables.

En effet, les mesures ultrasonores présentent une zone aveugle du fait de l’existence d’un champ proche où les données ne sont pas exploitables. Par ailleurs, les mesures par courants de Foucault possèdent également une zone aveugle qui, cette fois-ci, est située dans une zone plus lointaine du fait de l’épaisseur de peau.

La fusion de données entre ces deux techniques est réalisée à travers une approche de traitement de données grâce à des techniques de Machine Learning. Des Réseaux de Neurones Artificiels (RNAs)sont utilisés pour caractériser des défauts à partir de mesures US et CF. Des bases de données d’apprentissage sont constituées via des simulations US et CF. Ces bases de données sont utilisées pour entraîner les RNAs. Les RNAs sont ensuite capables d’estimer les paramètres des défauts démontrant les apports de cette approche de fusion de données illustrée sur la figure 7.