Amélioration des méthodes de calcul thermique par réseau de neurones dans les chambres de combustion aéronautiques

Heat transfer modelling for aeronautic combustion chamber : method improvement using Artificial Neural Networks

• Auteur / Autrice : Alex Royer
• Direction : Pascal Boulet, Olivier Farges, Daria Burot
• Type : Thèse de doctorat
• Discipline(s) : Énergie et mécanique
• Date : Soutenance le 23/06/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale SIMPPé - Sciences et ingénierie des molécules, des produits, des procédés, et de l'énergie (Lorraine ; 2018-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Energies et Mécanique Théorique et Appliquée
• Jury : Président / Présidente : Rodolphe Vaillon
• Jury : Examinateurs / Examinatrices : Pascal Boulet, Olivier Farges, Daria Burot, Mouna El Hafi, Bénédicte Cuenot
• Jury : Rapporteurs / Rapporteuses : Rodolphe Vaillon, Mouna El Hafi
• DOI : 10.70675/606309e8z1024z4ed8z860fz26a53d5debe3

Mots clés

Mots clés contrôlés

Chambres de combustion

Rayonnement thermique

Méthodes de simulation

Réseaux neuronaux (informatique)

Méthode de Monte-Carlo

Thermique

Aéronautique -- Recherche

Mots clés libres

Aéronautique

Rayonnement

Réseau de neurones

Thermique

Combustion

Heat transfer

Aeronautic

Radiative transfer

Neural networks

Combustion

Résumé

Les chambres de combustion aéronautiques sont des environnements contraints fonctionnant à des températures et des pressions en constante augmentation depuis les dernières décennies. Dans ces conditions, les transferts thermiques par rayonnement sont conséquents et leurs influences sur la structure de flamme et sur les températures de parois est sensible. Il est donc essentiel d'être capable de modéliser avec précision ce mode de transfert sur des cas industriels très hétérogènes et sur des maillages de plusieurs centaines de millions de cellules. Les méthodes de résolution courantes ne permettent pas d'atteindre une précision satisfaisante compte tenu des besoins croissants. Des méthodes de résolution fines et l'utilisation de modèles de gaz spectraux seraient nécessaires mais impliqueraient une consommation de ressources de calcul prohibitives. Pour palier ce problème, nous proposons dans ces travaux une nouvelle méthodologie de modélisation du rayonnement basée sur les méthodes de Monte Carlo et les réseaux de neurones bayésiens. Le principe du concept détaillé dans ce manuscrit commence par l'échantillonnage de points de référence tirés aléatoirement dans le milieu d'étude. Un calcul de la grandeur radiative d'intérêt est réalisée en chacun de ces points par méthode de Monte Carlo avec un modèle spectral fin. Les résultats de ces calculs sont ensuite stockés dans une base de données sur laquelle un réseau de neurones est entrainé selon un algorithme de Levenberg-Marquardt. Le paradigme bayésien nous permet de définir la topologie optimale du réseau et d'adapter automatiquement l'ensemble des paramètres inhérents au réseau sans intervention de l'utilisateur. Le réseau entrainé permet de reconstituer les champs de flux ou de divergence de flux au sein du domaine. Après une description théorique des notions mises en œuvre dans ces travaux, des résultats sur cas académiques sont présentés dans différentes configurations. Nous démontrons alors la capacité de la méthode développée à modéliser le rayonnement en milieu participatif avec une précision très élevée et des coûts de calcul faibles.

Aeronautical combustion chambers are constrained environments operating at temperatures and pressures that have been steadily increasing over the last decades. Under these conditions, radiative heat transfer is significant and its influence on flame structure and wall temperatures is noticeable. It is therefore essential to be able to accurately model this transfer mode on very heterogeneous industrial cases and on mesh of several hundred million cells. Common resolution methods do not provide satisfactory accuracy in view of the growing needs. A fine resolution and the use of spectral gas models would be necessary but would imply a prohibitive consumption of computing resources.To overcome this problem, we propose in this work a new radiation modelling methodology based on Monte Carlo methods and Bayesian neural networks. The principle of the concept detailed in this manuscript starts with the sampling of reference points randomly drawn in the study domain. The radiative quantity of interest is computed at each of these points using a Monte Carlo method and a fine spectral model. The results of these calculations are then stored in a database on which a neural network is trained using a Levenberg-Marquardt algorithm. The Bayesian paradigm allows us to define the optimal topology of the network and to automatically adapt the set of parameters inherent to the network without user intervention. The trained network allows to reconstitute the flux or flux divergence fields within the domain. After a theoretical description of the notions used in this work, results on academic cases are presented in different configurations. We then demonstrate the ability of the developed method to model radiation in a participatory environment with very high accuracy and low computational costs.