Résumé:
L’objectif de notre travail est d’apporter une méthode in situ, précise, pouvant donner
l’état des armatures en acier de renforcement, présent dans un mortier (béton ou argile), en
utilisant les données déjà disponibles, sans avoir recourt à des méthodes supplémentaires plus
au moins qualifiées de destructives, tel que le carottage …etc. Il se trouve que la méthode la
plus répondu pour ausculter les structures est la mesure du potentiel de corrosion, données
déjà à la possession de l’ingénieur. Pour se faire, nous avons proposé l’utilisation des réseaux
de neurones artificiels, qui représentent une branche de l'intelligence artificielle, pour calculer
et prédire le taux de corrosion. Le matériau est un barreau d'acier plongé dans une argile
appelée le limon, malaxé dans l'eau du robinet. Cet échantillon a subi des essais en potentiel
dynamique sur un Potentiostat Voltalb 40, pendant une période de deux mois. Ceci nous a
permis d’extraire des valeurs du potentiel et du taux de corrosion en fonction du temps
d’immersion. Nous avons constitué une base de données de 38*3 paramètres.
Le taux de corrosion du (N+1) potentiel de corrosion a été prédit avec une erreur
relative allant de 0 à 5%. Nous avons donc montré que l’utilisation des réseaux de neurone
avec une gestion des bases de données acquise, au fur et à mesure, par cette dernière, peut
donc prédire le comportement en corrosion des structures avec une bonne précision et réduire
ainsi de coût de leurs suivis. Cette vision peut être généralisée pour les pipes et toutes les
structures dans lesquelles l'acier est difficilement accessible.
