Application des réseaux de neurones pour l’étude des aspirateurs des turbines hydrauliques

Application of Artificial Neural Networks to the study of hydraulic turbine draft tubes

• Auteur / Autrice : Pedro Henrique Dias de Véras Sousa
• Direction : Olivier Métais, Guillaume Balarac
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des fluides, procédés, énergétique
• Date : Soutenance le 28/09/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Ingénierie - matériaux mécanique énergétique environnement procédés production (Grenoble ; 2008-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des écoulements géophysiques et industriels (Grenoble)
• Jury : Président / Présidente : Yves Delannoy
• Jury : Rapporteurs / Rapporteuses : Christophe Corre, Michel Cervantes

Mots clés

Mots clés contrôlés

Énergie hydraulique

Apprentissage automatique

Mécanique des fluides

Mots clés libres

Aspirateur de turbine bulbe

Conditions d'entrée

Turbulence synthétique

Apprentissage automatique

Simulation des grandes échelles

Énergie hydroélectrique

Bulb turbine draft tube

Inlet boundary conditions

Synthetic turbulence

Machine learning

Large eddy simulation

Hydroelectric power

Résumé

L'aspirateur d'une turbine hydraulique est un élément hydraulique divergent situé en aval de la roue et dont le rôle est de convertir de façon efficace l’énergie cinétique résiduelle en sortie de roue en pression, en augmentant ainsi la charge utile et la performance de la machine. Puisque les pertes de charge dans les aspirateurs peuvent représenter une partie significative des pertes totales, notamment dans le cas des turbines de basse chute de type bulbe, prédire avec précision le comportement de l’écoulement dans ces éléments est important pour concevoir des machines plus efficaces et compétitives. Dans ce contexte, les simulations numériques sont moins chères que les campagnes expérimentales et donnent accès à une description plus détaillée de l’écoulement dans l’aspirateur. Comparées aux simulations conventionnelles du type RANS, les simulations de type LES permettent de reproduire plus fidèlement la dynamique complexe de l’écoulement dans l’aspirateur (i.e. fortement turbulent, avec une haute gamme d’échelles de mouvement, rotationnel et soumis à des gradients de pression adverses). Cependant, vu que le comportement de l’écoulement dans l’aspirateur est très sensible aux conditions d’entrée imposées et que les mesures expérimentales détaillées y sont difficiles à obtenir, l’enjeu principal pour ces simulations reste la détermination économique et adéquate des champs moyens et fluctuants en entrée du domaine de calcul. Ainsi, une approche innovante basée sur les techniques dites "data-driven", telles que l’apprentissage automatique, est proposée. Son objectif est d’utiliser toutes les informations disponibles sur l’écoulement en aval, ainsi qu’une base de données créée a priori, afin de déterminer les conditions d’entrée partiellement ou totalement inconnues pour une simulation numérique. Grâce à une extension artificielle positionnée en amont du domaine de calcul, l’approche proposée permet de plus aux fluctuations turbulentes synthétiques injectées en LES de se développer avant de pénétrer dans l'aspirateur. Dans un premier temps, l’approche est appliquée au cas géométriquement simple mais dynamiquement complexe du diffuseur conique d'ERCOFTAC. Comparés aux expériences et aux précédents travaux numériques, les résultats obtenus avec l’approche proposée sont de très bonne qualité. L'approche est ensuite appliquée au cas plus complexe de l’écoulement dans l’aspirateur d’une turbine bulbe. Les résultats numériques sont considérablement améliorés par rapport aux résultats basés sur des méthodes classiques. Finalement, une analyse détaillée des pertes de charge et des structures tourbillonnaires dans l’aspirateur permettent de montrer l’impact majeur des conditions d’entrée pour la conception d'aspirateurs plus efficaces.

The draft tube of a hydraulic turbine are divergent shaped equipment located downstream the runner and responsible for efficiently converting the residual kinetic energy leaving the runner into pressure, thus increasing the effective head and performance of the machine. As the head losses inside a draft tube can represent an important portion of the total energy losses, especially in the case of low head bulb turbines, it is essential to accurately predict the flow behaviour inside the draft tube if more efficient and competitive hydraulic machines are to be designed. In this context, numerical simulations are less expensive than experiments and give access to a more detailed description of the flow inside the draft tube. Compared to conventional RANS simulations using two-equation linear eddy-viscosity models, LES is more capable of capturing the complicated flow dynamics inside the draft tube (i.e. highly turbulent flow, with a wide range of vortical motions, swirling and subjected to an adverse pressure gradient). However, as the downstream flow behaviour is highly influenced by the inlet conditions and since comprehensive experimental measurements at the inlet of the draft tube are expensive, rarely available and often limited to mean flow quantities measured at a single radial traverse, the real challenge for performing these simulations consists in determining proper mean and fluctuating inlet boundary conditions. Thus, a new approach based on data-driven techniques, such as machine learning, is proposed. Its goal is to use any known information about the downstream flow along with a previously generated database to reconstruct the unknown or incomplete inlet boundary conditions for a numerical simulation. Thanks to an artificial upstream extension added to the original domain, the proposed approach gives more space and time for the simple synthetic fluctuations being injected in LES to develop before reaching the important portion of the computational domain. First, the simple yet challenging case of the swirling flow inside the ERCOFTAC conical diffuser is investigated. Compared to the experimental data and previous numerical works that used ad hoc inlet boundary conditions, the obtained results are very good. Then, in the case of the more complex flow inside a bulb turbine draft tube, the proposed approach yields better results in both RANS and LES in comparison to the initial simulations using basic inlet boundary conditions. Finally, a detailed analysis of the flow topology and head losses inside the draft tube demonstrates the impact of proper inlet boundary conditions for the design of more efficient draft tubes.