Topic description
La surveillance des structures est essentielle pour garantir la sécurité des biens et des personnes, ainsi qu'une exploitation optimale des ouvrages. Parmi les différentes approches, la surveillance fondée sur les réponses vibratoires est particulièrement appréciée car elle constitue une méthode non destructive permettant un suivi continu des structures en conditions opérationnelles réelles [1,2].
L'identification des endommagements — incluant leur détection, leur localisation et leur quantification dès les premiers stades — joue un rôle crucial. Une telle identification précoce permet en effet de mettre en place des stratégies d'entretien et de renforcement efficaces.
Les études existantes modélisent généralement les endommagements par des réductions localisées de rigidité, pouvant apparaître en un seul site (endommagement simple) ou sur plusieurs sites (endommagement multiple). Si des avancées importantes ont été réalisées concernant la détection d'endommagement simple [2,3], l'endommagement multiple demeure un défi en raison de la complexité du problème : existence de solutions multiples, détection de faux sites d'endommagement, bruit de mesure, erreurs de modélisation, coût computationnel élevé, etc. [4,5].
L'objectif de cette thèse est de développer une méthode efficace pour traiter l'endommagement multiple en s'appuyant sur deux volets complémentaires :
•Les données modales obtenues par l'analyse modale opérationnelle [6-8]. Ce choix permet d'obtenir les propriétés modales réelles des ouvrages tout en maintenant leur service continu [6–8]. Toutefois, les excitations opérationnelles non contrôlées et les bruits de mesure introduisent des incertitudes significatives qu'il est nécessaire de prendre en compte dans le processus d'identification.
•L'approche bayésienne pour l'identification probabiliste de l'endommagement. L'approche bayésienne permettra : (i) d'intégrer les incertitudes inhérentes aux données modales, (ii) de mettre à jour les paramètres d'endommagement en « temps réel » grâce aux mesures continues de l'analyse modale opérationnelle et (iii) de fusionner plusieurs sources d'information – fréquences propres et déformées modales – pour limiter les risques de faux positifs dans la localisation de l'endommagement [5,9]
En complément, des techniques d'apprentissage automatique seront intégrées dans ces deux volets afin de réduire significativement les temps de calcul [10,11].
La méthode proposée sera validée à l'aide d'exemples analytiques, de réponses numériques simulées et d'essais expérimentaux réalisés sur la plateforme de Dynamique des Structures du laboratoire LMEE [12].
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Structural health monitoring is essential to ensure the safety of property and human lives, as well as the optimal operation of structures. Monitoring based on vibrational response measurements is particularly valued because it is a non-destructive method that allows continuous use of structures under operational loading and real boundary conditions [1,2].
Damage identification - including detection, localization, and quantification at an early stage, plays a crucial role as it enables effective repair through appropriate maintenance and strengthening strategies. In most existing studies, damage is modelled as localized stiffness reductions that may occur at a single site (single damage) or at multiple sites (multiple damages). Although significant progress has been made in the detection of single damage [2,3], multiple-damage identification remains challenging due to the complexity of the problem, such as the presence of multiple possible solutions, false-positive damage locations, measurement noise, modelling errors, and high computational cost [4,5].
The objective of this thesis is therefore to develop an efficient method to address multiple-damage identification based on two main components:
•Modal data obtained through operational modal analysis (OMA) [6-8]. This choice enables the extraction of the actual modal properties of structures while maintaining uninterrupted service [6–8]. However, uncontrolled operational excitations and measurement noise introduce uncertainties in the modal data, which must be appropriately modelled and incorporated into the identification process.
•A Bayesian framework for probabilistic damage identification. The Bayesian approach will be used to determine the most probable damage locations based on posterior probability distributions. This probabilistic framework will: (i) incorporate uncertainties in the modal data, (ii) provide real-time damage updates through operational modal analysis, and (iii) merge information sources related to natural frequencies and modal shapes to address the issue of false damage sites [5,9].
In addition, machine learning techniques will be integrated into both components to reduce computational time and improve overall efficiency [10,11].
The proposed method will be validated through analytical examples, simulated numerical responses, and experimental data obtained from tests conducted on the Structural Dynamics platform of the LMEE laboratory [12].
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/09/
Funding category
Funding further details
Contrats ED : Programme blanc GS-SIS
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.