Browsing by Author "BENMOUSSA Mohammed"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Développement d'une approche d’analyse multi–échelle pour la prédiction des modes de ruptures des éléments de fixation dans les essieux de tramways
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE – ANNABA, 2025) BENMOUSSA Mohammed; MATOUGUI Nedjoua (Encadrant)
    Ce mémoire porte sur le développement d’une approche d’analyse multi-échelle pour étudier les modes de rupture des goujons de roue et des vis de serrage de disque de frein en acier à haute performance dans les essieux de tramway. Des essais de nano-indentation, de traction, de cisaillement, ainsi que des analyses microstructurales (MEB, DRX) mettent en évidence l’évolution des propriétés mécaniques et la dégradation progressive liée au vieillissement en service. Les résultats révèlent une baisse des propriétés mécaniques ; la modification de la microstructure et les défauts microstructuraux influencent la rupture. Un modèle d’apprentissage automatique a été amorcé pour exploiter les images MEB et prédire la rupture. Ce modèle a montré une performance élevée et il va être intégré dans les check-lists de tramways dans le cadre d’une stratégie de maintenance conditionnelle.
  • Thumbnail Image
    Item
    Machine Learning Based Optimization of Failure Parameters in Highperformance Steel Fastening Screws after Post-processing
    (ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE – ANNABA, 2025) BENMOUSSA Mohammed; MATOUGUI Nedjoua (Encadrant)
    The main objective of this work is to develop a machine learning model capable of estimating, from fracture surface images obtained via Scanning Electron Microscopy (SEM), the percentage of martensite present in the fractured zone. This estimation would indirectly help identify metallurgical failures related to prolonged in-service aging, considered here as a form of post-treatment. The adopted approach is based on a pipeline combining: (i) an unsupervised segmentation algorithm (K-means) to extract martensitic regions, (ii) a pretrained convolutional neural network model (EfficientNetB1) adapted for supervised regression, and (iii) fine-tuning training using a dataset of automatically annotated images. Model evaluation on a validation set shows satisfactory performance, with a mean absolute error below 2% in most cases, supported by residual analysis, a discretized confusion matrix, and a t-SNE projection of internal representations.