Département d'Aérodynamique, d'Aéroélasticité et d'Acoustique

Le projet MALEAF vise à l’augmentation du rendement de machines tournantes pour la production d’énergie et des moyens de propulsions, en particulier dans les domaines aéronautique et maritime. L’objectif sera atteint par le développement d’outils d’analyse peu couteux et performants pour les problèmes hydrodynamique et aérodynamique. Plus précisément, des modèles d’ordre réduit linéaires et non-linéaires vont être entraînés et calibrés en utilisant des méthodes data-driven. Un élément distinctif du projet est que les modèles seront obtenus par des ‘smart-data’ au lieu de ‘big data’. Les bases de données pour l’entrainement des modèles seront obtenues par des techniques d’expansion de données basé sur de l’assimilation de donnée. Elles seront produites à partir de données dédiées, haute-fidélité, numériques et expérimentales, issues de bancs d’essais, à savoir un compresseur axial et un hydrofoil dans un tunnel hydrodynamique. Un cas de complexité intermédiaire (une grille d'aubes) sera également étudié numériquement. Le développement de ce projet va aussi permettre d’améliorer la connaissance sur des questions ouvertes d’applications data-driven en mécanique des fluides, comme le stockage et l’utilisation efficace de données, la manipulation systématique de données rares, et la robustesse des procédures d’entrainement.

Afin de prédire le transfert de chaleur et de masse dans des écoulements naturels ou de réacteurs, des expériences de laboratoires sont nécessaires avec des mesures suffisamment fines pour éviter de lisser les petites structures turbulentes. Dans ce projet, nous proposons d’éprouver et d’appliquer une nouvelle technique optique, qui exploiterait individuellement les signaux de particules luminescentes sous-micrométriques, ensemencées dans l’écoulement. A chaque impulsion laser, les particules formeraient une toile dense de thermomètres où chaque thermomètre serait positionné dans les trois dimensions avec une résolution meilleure que le pixel, soit quelques microns. Les trois composantes de la vitesse seraient aussi obtenues à chaque point en utilisant les approches de Particle Tracking Velocimetry (PTV) 3D développées à l’ONERA. Pour valider ce concept, des premières mesures serait effectuées dans un jet de laboratoire, et comparées à des mesures obtenues par des sondes micro fils courtes et ultra fines, récemment développées à l’ONERA. Les particules luminescentes seront aussi optimisées en considérant des méthodes de synthèse en voie liquide. Finalement, cette méthode couplée sera appliquée à un banc de grand jet turbulent de référence pour obtenir des termes couplés de température et de vitesse, et pour mesurer directement le taux de dissipation de la variance de la température. Ces données vont mettre en lumière la physique du transport de grandeur scalaire dans des écoulements à hauts nombres de Reynolds, et vont servir à développer et tester des modèles de turbulence pour améliorer la fiabilité des simulations RANS et LES.

Les modèles d'ordre réduit (ROM) servent d'approximations frugales aux modèles d'ordre complet, c'est-à-dire aux simulations ou expériences de haute fidélité, et sont particulièrement utiles pour les optimisations multi-objectifs. Malgré leurs avantages, les stratégies ROM de pointe actuelles (à l'état de l'art) sont souvent insuffisantes lorsqu'elles sont appliquées à des systèmes dynamiques complexes sur des systèmes réelles, en raison des fortes non-linéarités et de la multiplicité des physiques et des échelles présentes. Par conséquent, l'optimisation de ces systèmes repose généralement sur des approches par essais et erreurs ou sur des modèles empiriques présentant de fortes incertitudes, ce qui limite la confiance dans les outils de conception. Le principal obstacle à l'intégration des ROM en phase de conception est le manque de garantie d'erreur et l'incertitude sur la généralisation des techniques actuelles. Les modèles existants basés sur des données perdent rapidement en précision lorsque l'horizon en temps devient grand. En outre, les stratégies actuelles fondées sur les données ne se généralisent pas bien lorsqu'elles sont appliquées en dehors de leur domaine de d'apprentissage. Or, ces garantir ces deux propriétés des ROM est impératif si l'on souhaite les utiliser dans pour le contrôle et l'optimisation. Dans cette étude, nous allons au-delà de l'état de l'art en développant des modèles généralisables et prédictifs pour plusieurs stratégies de réduction de modèle, depuis les approches purement basées sur les données jusqu'aux approches entièrement basées sur la physique. En outre, en testant rigoureusement les stratégies de réduction obtenues dans des applications représentatives de la complexité industrielle pour le contrôle et l'optimisation, nous proposons un cadre systématique pour en comparer leurs performances.

Dans ce projet, nous étudions de nouvelles méthodologies d'apprentissage automatique pour améliorer les modèles de turbulence pour les applications aéronautiques. En aérodynamique, les modèles actuellement utilisés dans l'industrie sont basés sur des approximations fortes et sont calibrés sur des configurations très simples. Ces modèles présentent de fortes déficiences lorsque ceux-ci sont appliqués sur des écoulements industriels plus complexes. Les techniques d'apprentissage automatique peuvent tirer parti de la richesse des données numériques haute-fidélité et expérimentales (incomplètes) disponibles pour améliorer ces modèles. ONERA / DLR / SAFRAN TECH / ROLLS-ROYCE ont l'intention d'explorer et d’améliorer la méthodologie dite assimilation de données (AD)-apprentissage automatique (ML) introduite récemment par Duraisamy. L'objectif est d'explorer des modèles de turbulence plus sophistiqués, de nouvelles techniques basées sur l'IA pour la régularisation de l'étape AD dans le cas de données de référence incomplètes, des outils pour la sélection des données d'entrée des réseaux ainsi que des nouvelles stratégies d'apprentissage. Ces nouvelles méthodologies seront intégrées dans des plateformes numériques permettant aux codes CFD de tirer parti des techniques basées sur les données. Enfin, les capacités de tels outils seront évaluées sur des configurations industrielles: un avion en configuration hypersustentée et un étage de compression de turbomachine.

Les partenaires de NextSim, en tant qu'acteurs européens fondamentaux de l'aéronautique et de la simulation, reconnaissent qu'il est nécessaire d'augmenter les capacités des outils actuels de dynamique des fluides computationnelle pour la conception aéronautique en les repensant pour des plates-formes de calcul parallèle à échelle extrême. L'épine dorsale de NextSim est centrée sur le fait qu'aujourd'hui, les capacités des architectures HPC émergentes ne sont pas pleinement exploitées par les outils de simulation industriels. Les solveurs industriels de pointe actuels ne tirent pas suffisamment parti des immenses capacités des nouvelles architectures matérielles, telles que les processeurs de streaming ou les plates-formes à plusieurs cœurs. Un effort de recherche axé sur les algorithmes et le HPC est le seul moyen de permettre le développement et le progrès des outils de simulation pour répondre aux besoins de l'industrie aéronautique européenne. NextSim se concentrera sur le développement du code CFD de nouvelle génération CODA (volumes finis et schémas de Galerkin discontinus d'ordre élevé), qui sera le nouveau solveur de référence pour les applications aérodynamiques au sein du groupe AIRBUS, ayant un impact significatif sur le marché aéronautique. Pour démontrer l'impact de NextSim sur le marché, AIRBUS a défini une série de problèmes pertinents pour l’évaluation des développements réalisés dans NexSim. Le programme de travail de NextSim intègre trois axes de recherche: Efficacité algorithme pour les systèmes itératifs associés aux problèmes de la CFD, algorithmes de gestion des données et mise en œuvre efficace de ces algorithmes dans les plates-formes HPC les plus avancées. Enfin, NextSim donnera accès aux résultats du projet via le concept de «mini-applications», de petits logiciels, recherchant des synergies avec des composants open source, qui démontrent l'utilisation des nouvelles méthodes mathématiques et algorithmes développés dans CODA mais qui seront distribués gratuitement à la communauté scientifique.