Recalage robuste de modèle multi-physique d'éolienne en mer à partir de données de site

Robust calibration of a multi-physics model of an offshore wind turbine using in situ data

• Auteur / Autrice : Antoine Roussel
• Direction : Ludovic Chamoin, Jean-Philippe Argaud, Pierre Bousseau
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des matériaux
• Date : Soutenance le 19/07/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques et énergétiques, matériaux et géosciences (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique Paris-Saclay (Gif-sur-Yvette, Essonne ; 2022-....)
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Jury : Président / Présidente : Jean-François Deü
• Jury : Examinateurs / Examinatrices : Eric Florentin, Marianne Béringhier, Pierre Feissel, Jean-Lou Pfister
• Jury : Rapporteur / Rapporteuse : Eric Florentin, Marianne Béringhier

Mots clés

Mots clés contrôlés

Recalage 2D/3D

Interaction fluide-structure

Éoliennes

Mots clés libres

Mécanique

Recalage

Éolien

Données in situ

Mechanics

Recalibration

Wind energy

In situ data

Résumé

L'objectif du travail de thèse est de proposer une méthode robuste pour l'assimilation des données disponibles sur le parc éolien d'EDF, à partir de modèles d'interaction fluides-structures (FSI) et de données in situ. Le cadre d'application concerne les modèles de dynamique vibratoire avec résolution d'un problème inverse et identification par les données de paramètres structurels dans les systèmes en service. La résolution d'un problème inverse étant généralement complexe, et pour le contexte particulier d'étude, il a alors été nécessaire d'aborder trois problématiques scientifiques : (1) comment rendre robuste la méthode de recalage pour les problèmes d'interaction fluide-structure comportant de nombreux paramètres, avec des mesures peu nombreuses et fortement bruitées? (2) comment adapter cette méthode aux incertitudes sur l'environnement et les conditions limites (interactions avec le sol, chargement aléatoire, paramètres variables avec le temps…), et aux aspects multi-physiques en dynamique ? (3) comment définir la précision du modèle à la quantité et au contenu des données expérimentales disponibles (approche multi-fidélité), à partir de modèles de base rudimentaires (poutres), et comment enrichir un modèle biaisé pour qu'il reste compatible avec la physique observée?Pour aborder ces trois points le sujet de thèse met en œuvre le concept d'erreur en relation de comportement modifiée (mCRE) pour mener la stratégie de recalage de modèle. Ce concept déterministe implique de façon naturelle la physique du problème. Il est lié à une fonctionnelle construite avec une formulation primale-duale qui favorise les informations fiables du problème (équations d'équilibre, position des capteurs,..) et relâche les informations moins fiables (comportement du matériau, conditions limites, valeurs mesurées,…). L' utilisation de la fonctionnelle mCRE permet aussi naturellement d'avoir accès à des indicateurs sur la position optimale des capteurs et l'erreur de modèle.Le développement de l'assimilation de données a premièrement demandé d'analyser les données de site disponibles et de sélectionner un contenu approprié pour formuler un écart-modèle donné correspondant à la calibration mCRE et aux modèles d'éoliennes en mer. Ensuite, la mCRE a été étendue aux lois d'interaction fluides-structures en utilisant une linéarisation basée sur la physique de sa formulation continue et une formulation élément fini relaxable de l'équation d'équilibre éolien. Enfin, l'extension de la mCRE a été implementée dans un calibrateur et simulateur développé en Python pour être confrontée avec les données. Cela a permis de simuler et valider numériquement la méthode.

The aim of the work in the thesis is to propose a robust method for data assimilation to be used with the measurements available from EDF's farms, using fluid-structure interaction models and in situ data. The scientific problematic is part of research in vibrational dynamics with inverse problem solving and identification through measurements of the structural parameters of interest in the system in operation. Inverse problem solving is generally complex, and the for this particular context it has been therefore necessary to tackle three scientific problems : (1) how can the process of recalibration of fluid-structure interactions be made robust, taking into account the high number of parameters and the low amount of noise-affected data ? (2) how can this method be adapted to the uncertainties on the environment and the boundary conditions (soil-structure interactions, stochastic loading, time-variable parameters,…) and to the multi-physics aspects in dynamics ? (3) how can the model precision be defined with respect to the amount and quality of the available measurement data (multi-fidelity approach), using relatively simple models (beams), and how can this biased model be enhanced so that it remains sensible ?In order to study these three points the thesis implemented the concept of modified Constitutive Relation Error (mCRE) for the recalibration process. This deterministic concept naturally implies the physics of the problem. It is linked with an error function built with a primal-dual formulation which highlights the reliable pieces of information of the system (equilibrium equations, sensors location,…) and lowers the importance of the less reliable pieces of information (material behavior, boundary conditions, measured values,…). Using the mCRE function also naturally allows to have access to indications on the optimal positioning of sensors and on the error of the model.The data assimilation method development first required to analyze the available in-situ data and select the appropriate and optimized content for model-data gap expression based on the mCRE calibration process and wind turbine models requirements. Second, the mCRE was extended to FSI loads using a physic-based linearization of the continuous mCRE formulation and a relaxable formulation of the offshore wind finite element analysis equilibrium. Finally, the newly defined mCRE extension was implemented in Python into a simulator and calibrator for numerical simulation, data assimilation, and validation of the method.