Dynamic acoustic emission for the characterization of the nonlinear behavior of complex materials ; Emission acoustique dynamique pour la caractérisation du comportement non linéaire des matériaux complexes

L’émission acoustique (EA) est reconnue pour être une technique efficace de surveillance de la santé des structures permettant de détecter la création et la propagation de microfissures dans les matériaux structuraux tels que le béton ou les composites lorsqu'ils sont soumis à des contraintes quasi-statiques. Sur la base de méthodes de traitement de signaux adéquates, différentes études ont établi des liens entre les salves d’EA et les micro-dommages créés. D'autres travaux ont montré qu'il est possible de corréler le temps de relaxation des composites et l'énergie des mécanismes d'endommagement mesurée durant la charge quasi-statique en utilisant les salves d’EA enregistrées. Cette thèse propose d'utiliser un protocole expérimental original pour détecter la relaxation non-linéaire d'échantillons de bétons à l'état intact et endommagés. Ce protocole est basé sur l'utilisation de l’EA pour capter passivement la relaxation non-linéaire d'échantillons de bétons au lieu du signal de faible amplitude habituellement utilisé dans les expériences de dynamique lente. Les résultats montrent que les méthodes de détection passives et actives conduisent à des temps de relaxation équivalents. De plus, le capteur d’EA révèle l’existence d’une ‘période de silence’ pendant les premières minutes de la relaxation non-linéaire après laquelle les salves d’EA commencent à être détectées. De plus, les caractéristiques des salves d’EA enregistrées pendant la relaxation passive ont montré une nette ressemblance avec celles obtenues lors de l'endommagement des mêmes échantillons, où des mécanismes de cisaillement et de compression sont impliqués. Enfin, nous notons qu’en plus de l'utilisation d'une approche de reconnaissance des formes non- supervisée pour la classification des salves d’EA, ce travail propose une nouvelle approche de classification des signaux d’EA basé sur l’image de la représentation en ondelettes continue (CWT) et le réseau de neurones convolutifs (CNN). Les résultats liés aux données d’EA dynamiques non-linéaires et ...