Soutenance de thèse : Zeina HAMAM

Simulation numérique et analyse de l'émission acoustique due à la rupture de fibre et à la décohésion à l'interface fibre/matrice dans un microcomposite

Doctorante : Zeina HAMAM

Laboratoire INSA : Mateis

Ecole doctorale : ED34 : Matériaux de Lyon

Ce travail porte sur la modélisation de l’émission acoustique (EA) dans un microcomposite constitué d’une fibre de carbone et de matrice époxy. L’objectif principal de cette thèse est de quantifier l’influence du milieu de propagation et du capteur sur le signal acoustique lié à la rupture d’une fibre, via une simulation par Eléments Finis réalisée à l’aide du logiciel ABABQUS®.
De nombreuses études, basées sur des techniques de reconnaissance de formes, ont montré qu’il est possible de relier chaque signal d’EA aux différents mécanismes d’endommagement (rupture de fibre, fissuration matricielle, décohésion interfaciale fibre/matrice, délaminage, …). Cependant, la signature acoustique n’est pas universelle, elle dépend fortement du matériau, de la structure, des capteurs et du système d’acquisition. Dans l’analyse de EA qualitative, la propagation et les altérations du signal ne sont pas prises en compte. Dans ce contexte, la validation de la signature acoustique est délicate et les résultats difficilement généralisables. Une approche quantitative basée sur la simulation de l’EA et de toute la chaine d’acquisition est nécessaire afin de fiabiliser l’utilisation de l’EA et de donner de la robustesse au diagnostic et au pronostic.
Dans ce travail, un modèle numérique de la rupture de fibre en carbone noyée dans une matrice époxy est établi. Ce modèle numérique est validé par comparaison avec les résultats d’essais. Une étude paramétrique est effectuée afin d’identifier l’effet des différents éléments formant la chaîne d’EA, notamment l’effet du milieu de propagation  et du capteur. Une extension de ce modèle numérique est également proposée afin de simuler une autre source d’EA, la décohésion interfaciale fibre/matrice. Ces signaux virtuels d’EA pourront être utilisés en complément de données expérimentales afin de construire des bibliothèques pour des approches de prévision de durée vie basées sur des méthodes d’apprentissage automatique dans une approche de type PHM (Pronostic Heath management).