Construction de jumeaux numériques d'aéronefs militaires à l'aide de techniques de machine learning robustes pour le suivi du vieillissement mécanique.

Development of digital twins of military aircraft using robust machine learning techniques to monitor mechanical aging

• Auteur / Autrice : Camille Ferrassou
• Direction : Laurent Risser, Robin Bouclier
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Applications
• Date : Inscription en doctorat le 10/01/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Toulouse (2007-....)
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national des sciences appliquées (Toulouse ; 1961-....)

Mots clés

Mots clés libres

Jumeaux numériques

Jauges virtuelles

Réseaux de neurones

Apprentissage machine

Analyse de données

Régression de séries temporelles

Digital twins

Virtual gauges

Neural networks

Machine learning

Data analysis

Time series regression

Résumé

Les travaux de recherche s'inscrivent dans le contexte du maintien en conditions opérationnelles de flottes d'aéronefs, et plus particulièrement d'appareils militaires. Dans ce contexte, DGA Techniques Aéronautiques (DGA-TA, située à Balma, Toulouse) est en charge du suivi du vieillissement mécanique en fatigue des appareils en service au sein de l'Armée de l'Air et de l'Espace (AAE) et de la Marine Nationale (MN). Le contexte d'emploi particuliers des flottes d'aéronefs militaires (avions de combat, de transport, hélicoptères) induit une utilisation très variable et spécifique des appareils selon les missions opérées (vols à basse altitude, combat aérien, ravitaillement) si bien que leur maintenance ne peut pas être planifiée à intervalles réguliers comme cela est le cas pour les appareils civils. L'endommagement structurel des aéronefs ne se calcule alors pas en heures de vol mais en indices de fatigue. Ces derniers nécessitent la connaissance des niveaux de contraintes mécaniques subis par la structure en des points stratégiques, en particulier les points s'étant révélés critiques en termes d'amorçage de fissures lors de la conception et/ou lors des essais. Dans ce cadre, la construction de jumeaux numériques d'aéronefs, capable de prédire précisément et de façon fiable les contraintes ponctuelles d'intérêt, apparait primordiale en vue de garantir la sécurité des vols et effectuer de la maintenance prédictive, c'est-à-dire d'optimiser la maintenance en se basant sur l'état réel des appareils. Historiquement, la prédiction des contraintes mécaniques pour les aéronefs reposait sur une compréhension physique des phénomènes et l'utilisation de modèles numériques, notamment basés sur des calculs mécaniques (calcul de structures éléments finis, modèles de couplage aéroélastique, entre autres). Cependant, dans le cadre de ce projet, une telle approche ne peut être appliquée en raison de contraintes de faisabilité. En effet, DGA-TA a le rôle d'exploitant ici et non pas de constructeur, si bien qu'elle n'a pas accès aux modèles numériques détaillés. (Re)Développer de tels modèles serait alors considéré comme déraisonnable en raison de coûts élevés, tant en termes de temps que de coûts financiers. Dans la pratique, seul le constructeur a la capacité de mettre au point ce type de modèles avec un niveau de précision suffisant. Une approche alternative, plus simple et non-intrusive, car elle n'exige pas l'intervention dans des outils que la DGA ne possède pas, s'avère ainsi indispensable. À l'heure du big data et de l'intelligence artificielle, l'approche historique tend en fait à être concurrencée par une approche basée sur des données. Le modèle n'est plus construit sur des lois physiques mais grâce à du machine learning à partir de données mesurées en vol. Dans cette approche, les contraintes mécaniques aux points d'intérêts sont mesurées directement en vol (à l'aide de jauges de déformations placées sur les aéronefs) sur quelques appareils instrumentés. Les données enregistrées séquentiellement pendant les vols (paramètres de vol – entrées du modèle, et les contraintes locales – sorties du modèle) constituent alors le jeu d'entrainement d'un modèle d'apprentissage automatique (réseaux de neurones par exemple). Le modèle ainsi entrainé grâce aux vols réalisés par les appareils instrumentés peut alors être utilisé pour estimer les contraintes mécaniques des autres appareils pour lesquels seuls les paramètres de vol sont enregistrés. L'objectif général du présent projet de thèse est de mener une telle approche basée sur les données et l'intelligence artificielle afin de prédire les contraintes subies par les aéronefs militaires, et ainsi simuler le vieillissement mécanique de ces derniers, garantissant leur maintien en condition opérationnelle.

Research work is carried out in the context of maintaining aircraft fleets in operational condition, and more specifically military aircraft. In this context, DGA Techniques Aéronautiques (DGA-TA, located in Balma, Toulouse) is responsible for monitoring the mechanical fatigue ageing of aircraft in service with the French Air Force and the French Navy. The particular employment context of military aircraft fleets (combat aircraft, transport aircraft, helicopters) leads to highly variable and specific use of aircraft depending on the missions performed (low-level flying, aerial combat, refuelling), so that their maintenance cannot be planned at regular intervals as is the case for civilian aircraft. Aircraft structural damage is not calculated in flight hours, but in fatigue indices. The latter requires knowledge of the levels of mechanical stress experienced by the structure at strategic points, in particular points that have proved critical in terms of crack initiation during design and/or testing. In this context, the construction of digital twins of aircraft, capable of accurately and reliably predicting the point constraints of interest, appears essential to guarantee flight safety and perform predictive maintenance, i.e. optimize maintenance based on the actual state of the aircraft. Historically, the prediction of mechanical stresses for aircraft has relied on a physical understanding of the phenomena and the use of numerical models, notably based on mechanical calculations (finite element structure calculations, aeroelastic coupling models, among others). However, in the context of this project, such an approach cannot be applied due to feasibility constraints. DGA-TA's role here is that of operator, not manufacturer, and so it does not have access to detailed numerical models. (Re)developing such models would then be considered unreasonable because of the high costs involved, both in terms of time and financial costs. In practice, only the manufacturer has the capacity to develop such models with a sufficient level of accuracy. An alternative, simpler and non-intrusive approach is therefore essential, as it does not require intervention in tools that the DGA does not possess. In the age of Big Data and artificial intelligence, the historical approach is in fact being replaced by a data-driven one. The model is no longer built on physical laws, but thanks to machine learning based on data measured in flight. In this approach, mechanical stresses at points of interest are measured directly in flight (using strain gauges placed on the aircraft) on a few instrumented aircraft. The data recorded sequentially during the flights (flight parameters - model inputs, and local stresses - model outputs) then form the training set for a machine learning model (neural networks, for example). The model trained by the instrumented aircraft can then be used to estimate the mechanical stresses of other aircraft, for which only the flight parameters are recorded. The overall aim of this thesis project is to use such a data-driven, artificial intelligence-based approach to predict the stresses experienced by military aircraft, and thus simulate their mechanical ageing, ensuring that they remain in operational condition.