Optimisation de la précision et de la robustesse de la mesure d’épaisseur des matériaux corrodés par l’intégration des réseaux de neurones Transformer

Résumé

L’évaluation précise de l’épaisseur des matériaux corrodés représente un enjeu majeur en contrôle non destructif (CND), en raison de la complexité des signaux ultrasonores et de la superposition des échos. Face aux limites des architectures de réseaux de neurones convolutifs (CNN) utilisées dans la littérature, ce travail explore l’intégration des réseaux de neurones Transformer (TNN) afin d’améliorer la résolution et la fiabilité des mesures d’épaisseur. Entraînée et validée sur un dataset combinant des simulations par éléments finis et des données expérimentales issues de mesures sur un bloc corrodé, une première architecture hybride CNN- TNN a été développée. Validée dans un article révisé par les pairs, cette approche a démontré que l’intégration d’un module Transformer introduit un contexte global dans l’apprentissage, permettant ainsi de surpasser les performances des modèles CNN existants. Toutefois, cette approche présentait une complexité computationnelle élevée et un risque de surajustement. Pour y remédier, une version optimisée, le Lite CNN-TNN, a été conçue en intégrant une couche convolutive en parallèle du mécanisme Multi-Head Self-Attention (MHSA). Cette hybridation a permis de capitaliser sur la capacité des CNN à extraire des caractéristiques locales tout en conservant les avantages du Transformer pour capturer des interactions globales. Cette approche a amélioré la stabilité de l’apprentissage et réduit significativement le nombre de paramètres du modèle. Par ailleurs, le modèle de simulation a été optimisé en intégrant des signaux réalistes issus d’échos expérimentaux, en ajustant la taille de la sonde et en affinant la méthodologie de labellisation pour mieux refléter les conditions réelles. L’optimisation de la méthode d’apprentissage a également été renforcée grâce à des techniques d’augmentation de données adaptées. Les résultats obtenus confirment la pertinence de cette approche : le modèle Lite CNN-TNN a atteint un taux de succès de 98,84% sur le dataset expérimental et 97,40% sur le dataset simulé, surpassant le meilleur modèle CNN de la littérature qui a obtenu 98,70% et 95,70% respectivement, tout en étant 24 fois plus rapide.

Date	12 mai 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Pierre Bélanger (Directeur(-trice))