Approche multi-physique pour l’optimisation du dimensionnement des composants passifs dans les convertisseurs électroniques de puissance aéronautiques

Multiphysic approach for the optimization of the sizing of passive component for aeronautical power converters

• Auteur / Autrice : Guillaume Devos
• Direction : Eric Labouré, Philippe Dessante, Maya Hage Hassan, Adrien Mercier
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique
• Date : Soutenance le 04/03/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie électrique et électronique de Paris (Gif-sur-Yvette, Essonne ; 1998-....)
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Jury : Président / Présidente : Frédéric Mazaleyrat
• Jury : Examinateurs / Examinatrices : Christian Martin, Jean-Luc Schanen, Xavier Margueron, Afef Kedous-Lebouc
• Jury : Rapporteurs / Rapporteuses : Christian Martin, Jean-Luc Schanen

Mots clés

Mots clés contrôlés

Simulation par ordinateur

Matériaux ferromagnétiques

Inductance

Mots clés libres

Inductance

Optimisation

Simulation numérique

Matériaux ferromagnétiques

Inductors

Optimization

Numerical simulations

Ferromagnetic materials

Résumé

L’électrification croissante des aéronefs dans le cadre du développement de l’avion plus électrique impose de mettre en place de nouvelles méthodologies pour dimensionner les composants électroniques embarqués.Cette thèse se place dans cette perspective et envisage de poser les bases d’une nouvelle méthodologie pour le dimensionnement optimal des composants inductifs. Après avoir défini les spécifications d’une inductance de lissage située en sortie d’un convertisseur Buck, nous avons mis en place un processus de prédimensionnement simple. Basé sur des formulations analytiques, il permet d’obtenir des géométries relativement proches des solutions optimales, dans le but d’initialiser l’algorithme d’optimisation.Un algorithme stochastique d’évolution différentielle est utilisé une première fois avec un modèle analytique de l’inductance, avec pour objectif une réduction de la masse du composant et une maximisation de son rendement. Les solutions obtenues initialisent une deuxième exécution de cet algorithme, avec deux méta-modèles possibles pour la prise en compte des pertes électriques et magnétiques dans les composants. Le premier fait intervenir un modèle simple pour la caractérisation des pertes magnétiques. Les pertes électriques sont quant à elles déterminées à l’aide d’analyses par éléments finis. L’utilisation de réseaux de neurones artificiels permet de limiter le nombre d’analyses par éléments finis nécessaires à une base d’apprentissage restreinte. Le courant étant supposé triangulaire, trois réseaux de neurones distincts sont construits, pour la fréquence fondamentale et les harmoniques de rang 3 et 5. Le deuxième méta-modèle fait intervenir une caractérisation du cycle d’hystérésis liant l’induction au champ d’excitation. Ce cycle permet de connaître les pertes magnétiques mais également la forme réelle du courant. Ceci permet d’estimer plus précisément la valeur des pertes électriques.Le modèle de caractérisation de cycle d’hystérésis n’amenant pas de résultats suffisamment précis, les résultats d’optimisation obtenus à l’aide du premier méta-modèle sont présentés et discutés.

The growing electrification of aircrafts required for the development of more electrical aircrafts needs new methodologies for the design of embedded electronic components.This thesis fits into this framework, proposing a new methodology for the optimal design of inductors. Firstly, we defined specifications for a smoothing inductor located at the output of a Buck DC/DC converter. Then we developed a simple presizing process. Using only analytical formulations, it gave us a first bunch of geometries relatively close to the optimal solutions. It allowed us to initialize our optimization algorithm.A differential evolution stochastic algorithm is executed with an analytical model of the inductor. It attempts to reduce both the weight of the component and its losses. The solutions we obtained are used to initialize a second algorithm execution. Two possible meta-models can be used to take into account magnetic and electrical losses. The first one uses a simple model for the characterization of magnetic losses. Electrical losses are determined with finite element analysis. The use of an artificial neural network allows a reduction of the number of needed analysis. Current is supposed to be perfectly triangular. Thus, three networks have been built. The first one is dedicated to the fundamental frequency. The other two are dedicated to the 3rd and 5th harmonic. The second meta-model uses a characterization of ferromagnetic hysteresis. Such a model allows an estimation of both magnetic losses and real shape of the current. Knowing the real current flowing through the inductor, we can estimate more precisely the value of electrical losses.The model for the characterization of ferromagnetic hysteresis does not provide sufficiently precise results. Optimization results obtained with the first meta-model are presented and discussed.