Towards the nondestructive evaluation of FRP-reinforced structures in Civil Engineering using Acousto-ultrasonics

Un rapport sénatorial de Juin 2019 estime le parc d’ouvrages vieillissants de la France à plus de 25000 ponts routiers. Une des solutions préconisées pour éviter la ruine de ces structures est leur renforcement par collage de matériaux composites. Cette solution technique permet d’augmenter la durée de vie des ouvrages tout en prenant en compte de nouvelles sollicitations (augmentation drastique du trafic et risques sismiques). Cependant, elle est efficace que lorsque le joint de colle est bien exécuté et exempt de tout défaut ou endommagement. Ainsi, son utilisation est limitée par une méconnaissance de la qualité réelle des joints de colle sur site. L’objectif de cette thèse est de proposer à partir d’une technique non destructive, les acoustoultrasons, une méthodologie de détection et d’identification des principaux types de défauts rencontrés dans des assemblages collés. Les deux types de substrats les plus communément utilisés en génie civil à savoir l’acier et le béton ont été étudiés dans cette thèse. Par le biais d’une analyse monoparamétrique et d’une analyse statistique en composantes principales (ACP), l’ensemble des défauts créés dans des assemblages d’acier-composite et de béton-composite ont été détectés avec succès. L’identification de ces défauts a été obtenue grâce aux outils de l’intelligence artificielle (IA) à travers l’algorithme de classification de la forêt d’arbres décisionnels. Les facteurs pouvant influencer cette méthodologie ont été passés en revue avant qu’elle ne soit validée sur des échantillons de plus grande échelle, proches des réalisations sur site. Enfin, via une simulation par éléments finis de la propagation du signal dans un assemblage collé, nous soulignons les perspectives que peut offrir cette technique dans la constitution de bibliothèques d’apprentissage pour l’application des techniques de l’IA au diagnostic et au pronostic de l’état de joints de colle.A Senate report from June 2019 estimates France’s ageing structures at more than 25,000 road bridges. One of the recommended solutions to prevent the collapse of these structures is their bonding reinforcement of composite materials. This technical solution allows us to increase their lifeservice by taking into account new acquired stresses (drastic increase in traffic and seismic risks). However, the reinforcing is effective only when the adhesively bonded joint is well executed and free of defects or damages. Thus, the use of this method is limited by a lack of knowledge of the real quality of adhesive joints on site. The objective of this thesis is to propose from a nondestructive technique, the acousto-ultrasonics, a methodology of detection and identification of all types of defects encountered in adhesively bonded assemblies.We studied the most common types of substrates used in civil engineering: steel and concrete. Through a mono-parametric analysis and a statistical principal components analysis (PCA), all the elaborated defects in compositesteel and composite-concrete assemblies were successfully detected. The identification of these defects was obtained using Machine Learning tools through the Random Forest classification algorithm. The factors that could influence this methodology were studiedbefore it was validated on specimens of a larger scale, closer to the on-site achievements. Finally, through a finite element simulation of signal propagation in a bonded assembly, we underline the perspectives that this technique can offer in building learning libraries for the application of Machin Learning techniques to the diagnosis and prognosis of the state of adhesively bonded joints