Développement de méthodes d'identification des propriétés thermo-physiques de matériaux semi-transparents

Development of Methods to Identify Thermophysical Properties of Semi-Transparent Materials

• Auteur / Autrice : Yang Liu
• Direction : Didier Saury, Yann Billaud
• Type : Thèse de doctorat
• Discipline(s) : Energétique, thermique, combustion
• Date : Soutenance le 11/12/2019
• Etablissement(s) : Chasseneuil-du-Poitou, Ecole nationale supérieure de mécanique et d'aérotechnique
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie des matériaux, mécanique, énergétique et aéronautique (Poitiers ; 2009-2018)
• Partenaire(s) de recherche : Laboratoire : Institut Pprime / PPRIME
• Jury : Examinateurs / Examinatrices : Agnès Delmas, Manuel Girault, Denis Lemonnier, Benoit Rousseau
• Jury : Rapporteurs / Rapporteuses : Philippe Le Masson, Christophe Le Niliot

Mots clés

Mots clés contrôlés

Transfert de chaleur

Réseaux neuronaux (informatique)

Rayonnement thermique

Optimisation par essaims particulaires

Matériaux -- Propriétés thermiques

Écoulement instationnaire (dynamique des fluides)

Mesure

Diffusivité thermique

Mots clés libres

Modèle 2D axisymétrique

Méthode flash

Méthode d'Identification Modale (MIM)

Matériaux semi-transparents

2D axisymmetric model

Flash method

Modal indentification method

Semitransparent materials

Résumé

Cette thèse a pour objectif le développement des méthodes de caractérisation des propriétés thermo-physiques de matériaux semi-transparents. Tout d’abord, un modèle direct conducto-radiatif 2D axisymétrique instationnaire destiné à modéliser une expérience de type "méthode flash" dans laquelle l’excitation est localisée en espace et en temps est développée. Les transferts radiatifs au sein du matériau caractérisé par le coefficient d’absorption moyen sont simplifiés à l’aide de la méthode P1. L’équation de transfert radiatif simplifiée, ainsi que le bilan d’énergie, sont résolus par la méthode des volumes finis. Ensuite, un modèle d’identification couplant la simulation directe, les données expérimentales ainsi que l’algorithme des essaims particulaires (PSO) est développé pour identifier simultanément la conductivité thermique et le coefficient d’absorption moyen du matériau semi-transparent. Puis, un modèle d’identification basé sur un réseau de neurones artificiel multicouche est proposé et testé. Les phases d’entraînement et de test de ce réseau sont réalisées en utilisant une base des données générées par le modèle direct. Les données synthétiques avec différents niveaux de bruit et les données expérimentales sont utilisées pour respectivement démontrer la robustesse et la faisabilité de cette approche pour résoudre les problèmes pratiques. Finalement, afin de réduire le temps de calcul et d’augmenter l’efficacité d’identification, un modèle réduit d’ordre faible du modèle direct est construit à l’aide de la méthode d’identification modale et puis testé sous différentes conditions aux limites. Le couplage de ce modèle réduit avec des données expérimentales n’est pas mis en œuvre ici, ce qui est considéré comme l’un des perspectives de cette thèse.

This thesis aims to develop the methods for characterizing the thermophysical properties of semi-transparent materials. First of all, an unsteady axisymmetric 2D conductive-radiative direct model aiming at modeling a "flash method" experiment in which excitation is localized in space and time is developed. The radiative heat transfer within the material characterized by the mean absorption coefficient is simplified by using the P1 method. The simplified radiative heat transfer equation, as well as the energy equation, are solved by the finite volume method. Afterwards, an identification model coupling the direct simulation, the experimental data and the particle swarm algorithm (PSO) is developed to simultaneously identify the thermal conductivity and the mean absorption coefficient of the semi-transparent material. In the next part, an identification model based on a multilayer artificial neural network is proposed and tested. The training and test phases of the neural network are performed using a database generated by the direct model. Synthetic data with different noise levels and experimental data are used to respectively demonstrate the robustness and feasibility of this approach to solve practical problems. Finally, in order to reduce the calculation time and increase the identification efficiency, a low-order reduced model of the direct model is built using the modal identification method and tested under different boundary conditions. The coupling of this reduced model with experimental data is not implemented, which are considered as one of the perspectives of this thesis.