Apprentissage probabiliste et réseaux neuronaux pour le métamodèle statistique de l'impédance acoustique des liners

Probabilistic learning and neural networks for statistical metamodel of liner acoustic impedance

• Auteur / Autrice : Amritesh Sinha
• Direction : Christophe Desceliers
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 31/05/2024
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Modélisation et simulation multi échelle (Marne-la-Vallée) - Laboratoire Modélisation et simulation multi échelle (Marne-la-Vallée)
• Jury : Examinateurs / Examinatrices : Christophe Desceliers, Roger Ghanem, David Ryckelynck, Roger Ohayon, Christian Soize, Guilherme Cuelho-Cunha
• Jury : Rapporteur / Rapporteuse : Roger Ghanem, David Ryckelynck

Mots clés

Mots clés contrôlés

Impédance acoustique

Simulation par ordinateur

Avions

Isolation acoustique

Revêtements

Réseaux neuronaux (informatique)

Mots clés libres

Metamodèle statistique

Apprentissage probabiliste sur les variétés

Réseau des neurones

Impédance des revêtements acoustiques

Petite base de données

Statistical metamodel

Probabilistic learning on manifolds

Neural networks

Liner acoustic impedance

Small data

Résumé

Le bruit des avions est devenu une préoccupation majeure au sein de la communauté aéronautique en raison des exigences de plus en plus strictes des autorités de certification, en particulier dans le domaine de l'aviation verte. Il existe également des contraintes imposées par la communauté vivant à proximité des aéroports. Cette préoccupation englobe à la fois le bruit externe et interne associé à l'avion. Dans les turboréacteurs modernes à double flux, notamment ceux dotés d'un taux de dilution élevé (UHBR), le bruit du fan contribue de manière significative au niveau de bruit global, caractérisé à la fois par des composantes d'un bruit large bande et de bruits tonals. Les revêtements acoustiques, conçus pour atténuer ces bruits, sont essentiels pour une absorption efficace du bruit. Pour s'assurer de leur efficacité, il est impératif de les étudier pour diverses configurations de vol. Cette thèse porte sur l'atténuation du bruit tonal basse fréquence à l'aide de revêtements acoustiques adaptés. La conception des revêtements acoustiques nécessaires adaptés aux basses fréquences doit utiliser des géométries particulières et ne peut pas être basée sur des géométries standards. Cela signifie qu'il est nécessaire d'optimiser ces revêtements acoustiques sur la bases de simulations numériques haute fidélité. Cependant, les simulations peuvent être coûteuses en calcul et ne peuvent pas toujours être réalisées. De plus, la limitation du nombre de simulations numériques conduit à limiter l'exploration de domaine paramétrique de conception , ce qui conduit à négliger ou à maintenir constants certains paramètres. Le défi réside dans (i) l'identification et la quantification de toutes les sources connues d'incertitudes et (ii) le développement d'un modèle qui englobe à la fois la variabilité connue et inconnue des conditions d'exploitation pour garantir la robustesse face à ces incertitudes. Générer une base de données étendue grâce à une exploration exhaustive des paramètres de conception via des simulations haute fidélité n'est pas possible. Ainsi, un métamodèle statistique robuste est développé pour modéliser l'impédance du revêtement aéroacoustique paramétré en fonction de la fréquence et des principaux paramètres de conception qui sont les paramètre de contrôle. Ce métamodèle statistique est construit à l'aide d'un petit ensemble de données issues de simulations aéroacoustiques coûteuses en termes de calcul, nécessitant l'utilisation d'un algorithme d'apprentissage, choisi comme l'apprentissage probabiliste sur les variétés (PloM). Malgré le recours à la simulation aéroacoustique à l'aide d'un grand modèle numérique et l'introduction de certaines simplifications, les incertitudes de modélisation sont prises en compte via un modèle probabiliste. Ce modèle est affiné à l'aide de résultats expérimentaux issues de la littérature ouverte. Un métamodèle statistique est développé, offrant des prédictions cohérentes et une région de confiance pour l'impédance paramétrée du revêtement aéroacoustique en présence d'incertitudes. De plus, un métamodèle statistique basé sur un réseau de neurones artificiels (ANN) est introduit comme autre représentation. Il comprend un modèle de probabilité conditionnelle a priori d'une représentation statistique réduite basée sur l'ACP du vecteur constitué de la log-résistance et de la réactance échantillonnées en fréquence. Ce modèle impose des contraintes statistiques, présentant des défis pour l'apprentissage du modèle basé sur ANN à l'aide de méthodes d'optimisation classiques. Une approche alternative consiste à construire un deuxième grand ensemble de données en utilisant des statistiques conditionnelles estimées avec les réalisations apprises de PLoM. Le développement de ces deux métamodèles à faible coût de calcul aborde le bruit basse fréquence pour lequel seul un nombre limité de simulations était disponible, marquant une avancée significative dans l'étude de la réduction du bruit des avions

Aircraft noise has emerged as a critical concern within the aviation community due to the certification authorities increasingly stringent requirements, particularly in the realm of green aviation. There are also constraints imposed by the community living near airports. This concern encompasses both external and internal noise associated with the aircraft. In modern turbofan engines, notably those with an Ultra High Bypass Ratio (UHBR), fan noise significantly contributes to overall noise levels, characterized by both broadband and tonal noise components. Acoustic liners, designed to mitigate these components, are crucial for effective noise absorption. To ensure their effectiveness, it is imperative to study these liners under various flight conditions.This work addresses the attenuation of low-frequency tonal noise using adapted acoustic liners. The design of liners needed for targeting low frequencies must have particular geometries and cannot be based on standard geometry acoustic liners. This means that there is a need to optimize these liners on the basis of high-fidelity simulations. However, simulations can be computationally expensive and not always feasible. Additionally, many numerical simulations simplify assumptions to ease calculations, which lead to overlooking or constant holding of certain parameters. This omission fails to capture the full variability of the system-operating conditions, leading to a partial understanding of its performance range.The challenge lies in (i) identifying and quantifying all known sources of uncertainties and (ii) developing a model that encompasses both known and unknown variability in operating conditions to ensure robustness against these uncertainties. Generating an extensive database through exhaustive exploration of design parameters via high-fidelity simulations is not practical. Thus, a robust statistical metamodel is developed to model a parameterized aeroacoustic liner impedance as a function of frequency and main control parameters. This metamodel is constructed using a small dataset from computationally expensive aeroacoustic simulations, requiring the use of an adapted learning algorithm that is chosen as Probabilistic Learning on Manifolds (PLoM).Despite the aeroacoustic-simulation reliance on a large computational model and the introduction of some approximations, model uncertainties are accounted for within the training dataset through a probability model. This model is refined using dimensionless data from experiments available in open literature. Since available data is limited, a novel statistical metamodel has been developed, offering consistent predictions and a confidence region for the statistical metamodel of the uncertain parameterized aeroacoustic liner impedance. Furthermore, a statistical Artificial Neural Network (ANN)-based metamodel is introduced as another representation, offering greater versatility. It includes a prior conditional probability model for the PCA-based statistical reduced representation of the frequency-sampled vector of log-resistance and reactance. This model imposes statistical constraints, presenting challenges for training the ANN-based model using classical optimization methods. An alternative approach involves constructing a second large dataset using conditional statistics estimated with learned realizations from PLoM. The development of these two low-computational-cost metamodels addresses low-frequency noise for which only a limited number of simulations were available, marking a significant step forward in the study of aircraft noise reduction