Méthode d'optimisation robuste multi-fidélité pour les cycles organiques de Rankine

Multi-fidelity Robust Design Optimization Methods for Organic Rankine Cycles

• Auteur / Autrice : Aldo Serafino
• Direction : Paola Cinnella
• Type : Thèse de doctorat
• Discipline(s) : Procédés de fabrication - Génie mécanique (AM)
• Date : Soutenance le 03/12/2020
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Dynamique des Fluides (Paris)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Partenaire(s) de recherche : Entreprise : ENERTIME
• Jury : Président / Présidente : Vincent Lemort
• Jury : Examinateurs / Examinatrices : Paola Cinnella, Didier Lucor, Giacomo Bruno Azzurro Persico, Stéphane Clénet
• Jury : Rapporteurs / Rapporteuses : Didier Lucor, Giacomo Bruno Azzurro Persico

Mots clés

Mots clés contrôlés

Énergie

Mots clés libres

Optimisation robuste

Quantification de l'incertitudes

Cycles organiques de Rankine

Turbomachines

Robust design optimization

Uncertainty quantification

Organic Rankine cycles

Turbomachinery

Résumé

L’optimisation robuste (RDO) est un outil important pour la conception de produits industriels sous incertitude. Elle combine des algorithmes d’optimisation et des techniques de quantification de l’incertitude (UQ). La quantification d’incertitudes est généralement trop coûteuse pour des modèles numériques complexes de systèmes en ingénierie. Dans le but de développer des stratégies de RDO efficaces conçues pour des applications industrielles, le couplage de techniques UQ parcimonieuses avec un algorithme génétique multi-objectif basé sur des modèles substituts (SMOGA) a été étudié. A cet égard, une technique RDO prometteuse a été utilisée, basée sur le couplage de deux modèles substituts imbriqués: le premier est utilisé pour l’UQ, tandis que la surface de réponse du second est utilisée pour accélérer l’optimisation; un critère d’enrichissement est utilisé pour actualiser le modèle substitut pendant la convergence de l’optimiseur. Plusieurs méthodes d’UQ utilisant des informations sur les gradients de la solution par rapport aux variables incertaines ont été mises en oeuvre et comparées en termes de précision et coût de calcul. Nous avons ensuite sélectionné une méthode UQ dite «basse fidélité», c’est-à-dire peu coûteuse mais pas très précise, et une méthode «haute fidélité» afin de construire un modèle substitut multi-fidélité pour l’optimisation robuste. Ce modèle permet d’avoir une précision proche du modèle haute fidélité pour un coût de calcul bien moindre. Les méthodes étudiées ont été appliquées à la RDO de cycles thermodynamiques de Rankine à fluide organique (ORC) et à l’optimisation de forme d’une grille d’aubes de turbines ORC avec des résultats très prometteurs.

Robust design optimization (RDO) is an important tool for the design of industrial products underuncertainty. It combines optimization algorithms and uncertainty quantification (UQ) techniques. Quantificationof uncertainties is generally too expensive for complex numerical models of engineering systems. With the aimof developing efficient RDO strategies designed for industrial applications, the coupling of parsimonious UQtechniques with a multi-objective genetic algorithm based on surrogate models (SMOGA) was studied. In thisregard, a promising RDO technique was used, based on the coupling of two nested surrogate models: the firstis used for UQ, while the response surface of the second is used to accelerate optimization; an infill criterion isused to update the surrogate model during optimizer convergence. Several UQ methods using information onthe gradients of the solution with respect to the uncertain variables were implemented and compared in termsof precision and computational cost. We then selected a so-called “low fidelity” UQ method, i.e. inexpensivebut not very accurate, and a “high fidelity” method in order to build a multi-fidelity surrogate model for robustoptimization. This model allows to have an accuracy close to the high fidelity model for a much lower computationcost. The methods under investigation were applied to the RDO of organic Rankine cycles (ORC) and to theshape optimization of an ORC turbine blade grid, with very promising results.