Abstract:
Le contrôle non destructif par courants de Foucault est l'un des plus fiables et des
plus faciles à réaliser. La seule restriction qu'il impose est qu'il ne s'applique qu'aux
matériaux conducteurs. Ce n'est évidemment pas un gros obstacle, car l'industrie
métallurgique se développe chaque jour, ce qui montre que ce type de contrôle va continuer à
progresser. Dans ce cas, nous avons développé ce travail, qui comprend la modélisation
d'équipements de contrôle non destructif. Parmi les méthodes de modélisation existantes,
nous avons choisi la méthode des quantités électromagnétiques couplées (MGEC), en
particulier la méthode des circuits couplés, qui est une méthode semi-analytique permettant
d'étudier les phénomènes électromagnétiques comme un ensemble d'éléments couplés.
A cette fin, nous avons d'abord présenté les différents types de contrôles non
destructifs disponibles à travers une étude. Nous donnons également les principaux éléments
de base des équipements de test par courants de Foucault. Nous avons ensuite présenté de
brèves allusions aux équations de Maxwell, ainsi que des simplifications liées à la géométrie
utilisée et aux considérations électromagnétiques choisies.
Le travail présenté comprend la mise en œuvre d'un modèle d'inversion lié
au MCC pour CND-CF. Le modèle est basé sur l'utilisation de méthodes d'optimisation pour
évaluer les paramètres physiques et géométriques de la cible à contrôler. Nous avons travaillé
sur la compréhension des méthodes d'optimisation pour acquérir les connaissances nécessaires
à la mise en œuvre de ces méthodes dans CND-CF. Nous choisissons la méthode Simplex
car elle est simple, efficace et robuste afin de l'adapter et de l'appliquer pour identifier les
paramètres physiques et géométriques des pièces à inspecter.
Dans ce contexte, nous avons appliqué le modèle d’une part pour l’évaluation d’un
seul paramètre : la conductivité, l’épaisseur ou le lift-off et d’autre part, pour l’évaluation de
deux paramètres : conductivité/épaisseur ou conductivité/lift-off. Nous avons constaté que
notre modèle inverse arrive à estimer ces paramètres avec une très bonne précision et les
résultats obtenus sont très proches de ceux recherchés
