Comment les régimes de glace influencent la modélisation de l'accumulation de givre en vol

Lors de la modélisation des phénomènes de givrage en vol, une approche fondamentale repose sur la définition et l'analyse des différents régimes de glace, en particulier la glace de givre, la glace de verglas et les conditions humides. Ces régimes sont définis par des paramètres spécifiques comme l'épaisseur du film d'eau, la température de surface et l'épaisseur de la glace. Chaque régime a un impact distinct sur la manière dont le givrage se forme et sur les méthodes de simulation nécessaires pour comprendre ces phénomènes.

Le régime de la glace de givre se caractérise par un film d'eau de très faible épaisseur, presque nul, et est simulé en fixant l'épaisseur du film à zéro. Ce phénomène se produit généralement à des températures ambiantes inférieures à 263,15 K. En revanche, le régime de la glace de verglas est observé lorsque la température de l'air se situe entre 263,15 K et 273,15 K, et dans ce cas, la température de surface est fixée à 273,15 K. Enfin, le régime humide se manifeste lorsque la température dépasse 273,15 K, où l'accumulation d'eau se produit, mais sans formation de glace.

Le processus de simulation est en grande partie déterminé par ces températures de transition, avec une évaluation systématique du régime à appliquer, en fonction de la température ambiante. Ainsi, à des températures inférieures à 263,15 K, le givrage de type "rime" est testé en premier, tandis qu'aux températures plus élevées, le verglas est priorisé avant d’évaluer éventuellement les conditions humides. Ce processus est crucial, car il permet d’estimer avec précision l'épaisseur de la glace qui se forme et d'identifier le régime de givrage le plus approprié à chaque situation.

Pour le calcul de l’épaisseur de la glace et la température de surface dans les régimes de givre et de verglas, la résolution des équations de masse et d’énergie doit être réalisée de manière interactive. C’est par ce biais qu’une première estimation de l’épaisseur de la glace est obtenue, laquelle sera ensuite utilisée pour évaluer les régimes suivants si nécessaire. Cette approche garantit que les résultats de simulation restent cohérents et réalistes, tout en tenant compte des interactions thermiques complexes entre les différentes couches de glace et d'eau.

Un autre élément important de cette modélisation est l'introduction de la méthodologie de calibration des paramètres de rugosité à travers des modèles métamodélisés, tels que l’expansion de chaos polynomiaux (PCE). Ces métamodèles permettent de relier directement les paramètres de rugosité à des sorties de forme de glace, comme l'épaisseur ou la surface de la glace accumulée. Cela permet non seulement de réduire le coût computationnel des simulations, mais aussi d'améliorer l'exactitude des résultats en ajustant les paramètres selon les données empiriques disponibles dans la littérature.

L'utilisation de techniques de conception d'expériences (DoE) pour l'échantillonnage des paramètres d'entrée du modèle de rugosité (comme la hauteur de rugosité et le rapport entre la rugosité équivalente et la rugosité réelle) joue un rôle crucial dans la construction de la base de données utilisée pour le métamodèle. L'échantillonnage Latin Hypercube permet de répartir les valeurs des paramètres de manière homogène sur l'ensemble de l'espace d'entrée, garantissant une couverture complète des possibles conditions de givrage.

Cependant, l'utilisation de métamodèles et de simulations CFD n’est pas suffisante à elle seule. Pour garantir la précision de ces simulations, il est impératif de bien comprendre et de calibrer les paramètres de rugosité en fonction des différentes formes de glace observées dans les essais expérimentaux. Ces processus de calibration sont essentiels pour affiner les prédictions des formes de glace sur les surfaces des aéronefs et garantir ainsi la fiabilité des simulations en conditions réelles.

Enfin, il est important de souligner que bien que les algorithmes et les méthodes de simulation offrent une base solide pour l’étude du givrage en vol, ces modèles doivent être régulièrement validés et ajustés avec des données expérimentales réelles. La calibration à l'aide de formes de glace issues de la littérature permet non seulement de valider la précision du modèle, mais aussi d'adapter les simulations à la réalité des conditions de vol, qui peuvent varier considérablement en fonction de l'altitude, des conditions météorologiques et des spécifications des aéronefs.

Comment la méthode ROM permet-elle de modéliser l'accumulation de glace en vol sur les aéronefs ?

L’ajout du troisième mode permet d’introduire l’élément supérieur de la corne de glace, mais ne touche pas encore la corne inférieure. Le quatrième mode, quant à lui, introduit la corne inférieure sans affecter la forme de la corne supérieure. L’ajout du cinquième mode et des modes supérieurs affine davantage les solutions sans introduire de nouvelles caractéristiques majeures dans la forme de la glace. Enfin, la Figure 3 (à droite) montre la solution ROM avec 8 modes qui correspond parfaitement à la solution CFD-Icing. En résumé, la physique non linéaire gouvernant l’accumulation de glace de type rime à glaçure a été capturée à l’aide de seulement 4 modes fondamentaux : les premiers et deuxièmes modes fournissent l’épaisseur de la glace, tandis que les troisième et quatrième modes définissent respectivement et distinctement la forme des cornes supérieure et inférieure. Cette démonstration prouve de manière concluante que les modes POD contiennent l’intégralité de la physique du problème.

Dans le contexte de la certification des aéronefs, il est nécessaire de traiter l’accumulation de trois types de glace : glace tracée, glace en glaçure et glace rime, chacune ayant des caractéristiques distinctes. Pour se conformer aux annexes de certification en vol, il est indispensable d’appliquer des modèles réduits locaux (ROM). L’une des premières étapes consiste à regrouper des instantanés similaires en clusters et à définir les limites de ces sous-régions dans l’espace des paramètres, de sorte que chaque cluster soit parfaitement délimité, sans régions vides entre eux.

Ensuite, un POD local est appliqué à chaque cluster pour générer un ROB local, et il faut identifier le cluster le plus adapté à une nouvelle condition non testée. La solution correspondante est alors représentée par une combinaison linéaire des bases POD uniquement de ce cluster. Cette méthode repose sur un algorithme d’apprentissage non supervisé connu sous le nom de k-means, dans lequel les instantanés sont pris comme entrée, et le résultat recherché est un label de classe qui identifie chaque instantané avec un cluster particulier.

La définition des frontières des clusters et l’identification du cluster approprié pour une condition non testée relèvent des problèmes de classification supervisée. Pour cette tâche, la régression logistique est utilisée pour entraîner un classificateur qui, à partir d’un ensemble d’exemples d’entrée, affecte une classe à une nouvelle condition. Ce processus de classification et d’identification des clusters permet de diviser l’espace des paramètres en régions de décision nettes, chacune avec son propre ROB local, comme illustré dans la Figure 4.

Le choix des instantanés via un échantillonnage itératif et la validation croisée "Leave-One-Out" (LOOCV) est essentiel pour déterminer le nombre optimal d'instantanés et leur emplacement dans l’espace des paramètres. Une stratégie d’échantillonnage itératif basée sur une application « gourmande » de la méthode de centroids variables (CVT) est mise en œuvre pour évaluer l’erreur entre les instantanés ROM et CFD. À chaque itération, un instantané est exclu, et un modèle réduit est généré à partir des instantanés restants, permettant d’estimer l’erreur sur l’ensemble de l’espace des paramètres.

L’intégration de la méthode ROM dans des outils modernes de simulation CFD-Aéro + CFD-Icing est un développement fondamental pour la modélisation et l’optimisation du comportement de l’air et de l’accumulation de glace en conditions réelles. Tous les instantanés CFD-Aéro et CFD-Icing sont calculés par le système FENSAP-ICE, qui intègre des modules de dynamique des fluides compressibles, de projection des gouttes d’eau et de transfert de chaleur pour le dégivrage. Ce système, largement validé, est compatible avec d’autres codes CFD-Aéro et CFD-Icing, permettant une approche flexible et agnostique du code.

Le coût computationnel de la méthode ROM peut être décomposé en coûts hors ligne et en ligne. Les coûts hors ligne incluent le calcul des instantanés, l’échantillonnage adaptatif et l’entraînement des ROM locaux. Une fois les paramètres du modèle optimisés, ils sont stockés dans une base de données, ce qui permet d’éviter des calculs longs durant la phase en ligne. Le coût en ligne consiste uniquement à identifier le ROB local et à interpoler les coefficients des modes via des méthodes telles que la Kriging.

En ce qui concerne les configurations complexes telles que les profils aérodynamiques, les rotors d'hélicoptères et les nacelles de moteurs, le cadre ROM a été largement vérifié et validé pour diverses applications, notamment pour l’écoulement de l’air, l’impingement des gouttes et l’accumulation de glace. Ces validations montrent que la méthode ROM est fiable et adaptable à différentes conditions de vol et configurations géométriques des aéronefs.

Comment les méthodes de CFD pour l'encrassement par givrage des UAVs peuvent-elles être améliorées ?

Les véhicules aériens sans pilote (UAV) sont de plus en plus sensibles aux phénomènes de givrage, qui peuvent affecter leur performance dans une large gamme de conditions météorologiques. Cette vulnérabilité est encore plus marquée lorsqu'il s'agit de conditions de givrage complexes, notamment celles de type "glace brillante", qui posent un défi particulier pour les outils de simulation numérique utilisés dans la conception des UAVs. L'évolution des méthodes de CFD (Computational Fluid Dynamics) pour la modélisation de l'accumulation de glace a atteint un niveau où elles peuvent fournir des prédictions relativement précises. Ces outils sont donc devenus des instruments précieux dans le processus de conception et de développement des UAVs. Cependant, des limitations subsistent, notamment en ce qui concerne la prévision des formes de glace et des pénalités de givrage dans des conditions complexes.

La plupart des outils CFD actuels sont basés sur des modèles d'écoulement laminaire ou turbulent qui sont optimisés pour des régimes de Reynolds relativement élevés. En revanche, les UAVs opérant à des vitesses de vol plus lentes, typiques des missions de surveillance ou de livraison, subissent des écoulements à faible Reynolds, où ces modèles montrent des résultats moins fiables. Cette différence est cruciale car, à ces faibles Reynolds, la dynamique de l'air et la formation de la glace se comportent différemment, ce qui complique les prévisions. Il est donc impératif de valider et d'améliorer ces modèles spécifiquement pour ces régimes de faible Reynolds.

Au-delà des tests en laboratoire, une approche plus robuste pour résoudre les défis liés au givrage des UAVs impliquerait l'intégration de données météorologiques en temps réel avec les outils de simulation CFD. Les prédictions de givrage sont hautement dépendantes des conditions environnementales spécifiques à chaque vol, et un système de gestion intégré des conditions météorologiques permettrait d’adapter dynamiquement les prédictions de givrage en fonction des variations climatiques en vol. Cette intégration pourrait inclure des paramètres tels que la vitesse du vent, la température de l’air, l’humidité et la présence de gouttes d’eau super refroidies, qui influencent directement l'accumulation de glace sur les surfaces aérodynamiques.

Les recherches actuelles ne couvrent également qu'une partie des scénarios potentiels, principalement les cas en 2D sur des ailes. Peu de travaux ont été menés pour simuler les effets du givrage sur les rotors, les hélices ou même sur des structures 3D d'aéronefs. L'un des défis majeurs pour les méthodes CFD est de modéliser correctement ces phénomènes en trois dimensions, où les interactions entre l'aérodynamique, la distribution thermique et la formation de glace deviennent beaucoup plus complexes.

À l’avenir, la communauté scientifique devra se concentrer sur l’amélioration des modèles de transfert thermique dans des régimes de faible Reynolds et sur la validation expérimentale de ces modèles. Des études plus poussées sur l'effet de la rugosité de la surface, la transition laminaire-turbulent et les interactions thermiques entre la glace et l’aéronef seront également nécessaires pour une prédiction plus précise du givrage. L'intégration de ces améliorations permettra non seulement de concevoir des UAVs plus robustes, capables de mieux résister aux conditions de givrage, mais aussi de garantir leur sécurité dans des environnements variés, essentiels à l’évolution des missions autonomes.

Comment l’activation d'un actionneur à jet synthétique (SJA) influence l’accumulation de glace sur une surface en conditions de givrage

L'impact de l'activation d'un jet synthétique (SJA) sur l'accumulation de glace sur une surface a été étudié dans le contexte des conditions de givrage, où plusieurs paramètres ont été pris en compte, notamment la distribution des gouttelettes, la température d’entrée du jet, ainsi que la température du flux libre. Le but de ces analyses est de comprendre comment la variation de ces paramètres affecte la formation de glace et la performance des systèmes de protection contre le givrage.

L'une des premières analyses a porté sur l'effet de la température d'entrée du jet. En considérant des températures d'entrée du SJA de 75°C et 100°C, des résultats différents ont été observés. À 100°C, les petites gouttelettes sont complètement évaporées avant même d'atteindre la surface, ce qui empêche leur congélation. En revanche, à 75°C, la température du jet est insuffisante pour vaporiser toutes les gouttelettes avant qu'elles ne frappent la surface, ce qui permet à une plus grande quantité de glace de se former, notamment dans les zones non protégées de la surface. De plus, à cette température, un phénomène de ruissellement de l'eau est également observé, avec des particules de glace qui, en fondant, viennent se déposer ailleurs.

En poursuivant l’analyse, un cas de SJA non chauffé mais activé a également été étudié, mettant en lumière les effets de l'activation des jets sans chauffage sur l'accumulation de glace. Dans ce cas, le jet actif génère des vortex qui modifient la dynamique du flux autour de la surface cible, influençant ainsi la trajectoire des gouttelettes. Ce phénomène permet une dispersion plus efficace des gouttelettes, réduisant localement l'accumulation de glace sur certaines parties de la surface tout en créant des zones d’augmentation d’accumulation aux bords des orifices du SJA.

Les résultats obtenus pour chaque configuration ont montré qu'une température de jet plus élevée et une meilleure gestion de la distribution des gouttelettes contribuent à une réduction significative de l’accumulation de glace sur la surface. Cependant, il est important de noter que des facteurs comme la vitesse d'activation du SJA, le type de distribution des gouttelettes et la température ambiante jouent tous un rôle crucial dans l'efficacité globale du système. L’interaction complexe entre ces paramètres doit être prise en compte pour optimiser les performances des systèmes de protection contre le givrage à base de SJAs.

En résumé, les études menées sur l'effet des SJAs activés et chauffés sur la formation de glace montrent que l'activation d’un jet synthétique, en particulier à une température adéquate et avec une gestion optimisée des gouttelettes, offre une solution efficace pour contrôler le givrage sur des surfaces aérodynamiques. Cette approche, bien que prometteuse, doit être affinée en fonction des conditions spécifiques de vol et des exigences de performance des aéronefs.

Simulation numérique de l'accumulation de glace en vol : Modèles morphogénétiques et leurs applications

Les modèles morphogénétiques d'accumulation de glace ont été largement reconnus pour leur capacité à simuler certains des phénomènes les plus complexes d'accumulation de glace de manière efficace sur le plan computationnel. En utilisant une approche simplifiée du problème multiphasique complet, ces modèles construisent l'accumulation de glace une particule à la fois. Cela devient possible grâce à la traduction des équations physiques pertinentes en principes et processus stochastiques, qui reproduisent la physique, la thermodynamique et l'hydrodynamique impliquées dans l'accumulation de glace.

Le modèle examiné ici, qui utilise la méthode de simulation de chute de gouttes de glace à une vitesse terminale, montre comment les gouttes impactant un cylindre peuvent entraîner un gel partiel. En conséquence, de l'eau non gelée s'écoule le long de la surface du câble sous l'effet de la gravité. Les gouttes qui ne gèlent pas complètement forment des rivulets d'eau gelée, visibles sur les scans numériques et les photographies. L'eau restante atteint les points les plus bas du câble, où des stalactites de glace se forment. Les simulations numériques ont montré des résultats assez précis, bien que certaines irrégularités aient été observées concernant l'épaisseur des stalactites dans les prédictions par rapport aux observations expérimentales.

Il est intéressant de noter que la méthode morphogénétique a permis d'effectuer des calculs d'accumulation de glace significatifs sur des ordinateurs portables, malgré les limitations inhérentes aux calculs de transfert de chaleur et de flux d'air qui empêchent un recalcul rapide des propriétés au fur et à mesure de l'accumulation de glace et de l'évolution de sa forme. En dépit de ces défis, l'efficacité computationnelle de cette méthode demeure un atout majeur pour les simulations dans des conditions d'icing en vol.

Cependant, ces modèles ne sont pas exemptés de limitations. L'une des principales difficultés demeure la simulation de l'écoulement d'air et le transfert thermique, qui sont des facteurs clés dans la formation de glace. Bien que le modèle soit efficace pour prédire l'accumulation de glace dans de nombreuses conditions d'icing en vol, les calculs nécessaires au recalcul des propriétés physiques au fur et à mesure de l'accumulation restent relativement inefficaces. L'aspiration à une modélisation plus rapide pourrait voir l'émergence de nouveaux outils tels que les ordinateurs quantiques, capables de traiter les problèmes multiphases complexes de manière plus fluide et rapide. Cependant, cette évolution technologique est encore distante et les modèles morphogénétiques devraient continuer à être utilisés dans un avenir proche.

Enfin, il est crucial de souligner que, comme tous les modèles d'accumulation de glace, ceux-ci nécessitent une validation rigoureuse par rapport aux résultats expérimentaux obtenus dans des souffleries et au cours d'essais en vol. Ce processus de validation doit inclure le développement de méthodes plus sophistiquées pour comparer les formes complexes qui peuvent se développer dans des conditions d'icing variées. La compréhension des dynamiques de l'accumulation de glace et de ses effets sur la performance aérodynamique d'un aéronef, par exemple, reste essentielle pour éviter les risques associés à l'icing en vol.