Avec sa stratégie « Flightpath 2050 », la Commission européenne a défini un cadre pour l’industrie aéronautique visant à réduire les émissions ainsi que la consommation de carburant et d’énergie. Entre autres, cela nécessite des moteurs plus efficaces. Dans le projet ARIADNE, une équipe interdisciplinaire de l’Université de Technologie de Graz (TU Graz) a créé la base pour atteindre plus rapidement les gains d’efficacité souhaités. Pour ce faire, les chercheurs ont combiné des années de données d’écoulement sur les conduites de turbine intermédiaires avec l’IA et l’apprentissage automatique et ont développé un modèle qui teste beaucoup plus rapidement et efficacement l’impact des modifications d’un large éventail de paramètres géométriques sur l’efficacité.
Les conduites de turbine intermédiaire offrent un grand potentiel d’optimisation
« Les conduites de turbine intermédiaire sont un composant essentiel des moteurs d’avion », explique Wolfgang Sanz, chef de projet à l’Institut de Turbomachines Thermiques et de Dynamique des Machines de TU Graz. Elles guident l’écoulement entre les turbines haute et basse pression, qui tournent à des vitesses différentes. Cependant, ces conduites intermédiaires sont assez lourdes, c’est pourquoi elles doivent être aussi courtes, petites et légères que possible tout en atteignant des niveaux d’efficacité élevés. Il y a encore beaucoup de potentiel d’optimisation ici. »
Sur la base de ses propres recherches en collaboration avec des fabricants de moteurs d’avion renommés, l’institut a constitué une base de données extensive de données de mesure et de simulations d’écoulement. Afin d’utiliser ce réservoir d’informations pour optimiser les composants et les moteurs entiers, Wolfgang Sanz et l’étudiant en doctorat Marian Staggl ont collaboré avec le groupe de recherche de Franz Wotawa à l’Institut d’Ingénierie Logicielle et d’Intelligence Artificielle de TU Graz ainsi qu’avec deux partenaires industriels. Ensemble, ils ont poursuivi trois approches différentes soutenues par l’IA.
Succès grâce à la modélisation des commandes réduites
Les modèles d’ordre réduit se sont avérés les plus réussis. Ces modèles recherchent des similitudes dans les données et n’utilisent que les caractéristiques communes les plus significatives pour la simulation. Cela conduit à une accélération énorme des calculs, qui s’exécutent plusieurs ordres de grandeur plus vite qu’une simulation d’écoulement complète. Bien que ces modèles puissent entraîner certaines pertes de précision, ils permettent de prédire les tendances et d’identifier le potentiel d’optimisation en les liant à la simulation. Un autre avantage du modèle développé indépendamment était la capacité de reconnaître rapidement les changements d’efficacité lorsqu’un paramètre, comme la longueur de la conduite de transition, change.
En revanche, les modèles de substitution avaient certaines limites, car ils sont principalement basés sur l’interpolation de données existantes. En dehors de la plage validée des données d’écoulement, les résultats étaient inexacts car la base de données était trop petite. Les PINN (Réseaux de Neurones Informés par la Physique), qui tentent d’intégrer des équations différentielles physiques dans un réseau neuronal, ont également été étudiés dans le cadre du projet. Cependant, des développements supplémentaires sont encore nécessaires avant qu’ils puissent être utilisés en pratique.
Extension aux simulations tridimensionnelles
L’équipe de recherche planifie déjà les prochaines étapes, car le modèle d’ordre réduit n’a jusqu’à présent modélisé les conduites de turbine intermédiaire qu’en deux dimensions. La base de données extensive sur les conduites de turbine et le modèle d’ordre réduit créé dans le projet seront mis à disposition en ligne pour d’autres groupes de recherche, leur permettant de travailler sur un modèle de simulation tridimensionnel similaire à celui de l’équipe de TU Graz. Pour Wolfgang Sanz, cependant, le travail avec l’apprentissage automatique a déjà ouvert de nouvelles approches. « À partir des résultats des approches d’apprentissage automatique, nous avons pu reconnaître des dépendances et des tendances auxquelles nous n’aurions jamais pensé autrement. »
Article : Interaction Between the TVF-LPT Hub Cavity With the Mainflow – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude
Source : TU Gratz
