La modélisation réduite (ROM) a émergé comme une méthode efficace pour surmonter les défis de la simulation aéronautique, notamment dans les scénarios complexes tels que ceux impliquant des phénomènes de givrage. Bien que les calculs de dynamique des fluides numérique (CFD) sur des avions givrés soient essentiels pour une compréhension détaillée des performances, la puissance de calcul nécessaire et le temps de simulation représentent des obstacles majeurs à leur utilisation en temps réel, en particulier pour des tests de vol simulés ou des scénarios d’entraînement.

Les modèles ROM offrent une solution innovante, permettant d’approximer les résultats de CFD avec une précision impressionnante tout en réduisant le temps de calcul. Par exemple, lors de la simulation d’un vol de type « go-around » avec un avion givré, la ROM permet de prédire les changements dans la portance (CL), la traînée (CD) et le moment de tangage (CM), en fournissant une indication en temps réel des pénalités dues au givrage. Ce type de simulation est crucial pour améliorer la fidélité des simulateurs de vol et, par conséquent, la formation des pilotes, en leur permettant de réagir instantanément à des scénarios réalistes, au lieu de s’appuyer uniquement sur des tables de données pré-définies.

En effet, en utilisant des solutions CFD pour des conditions de vol spécifiques (comme celles illustrées par des points cibles dans un scénario de go-around), la ROM permet de reproduire rapidement les effets du givrage sur des variables critiques, telles que la pression et la contrainte de cisaillement sur les ailes et la queue de l’avion. Les tests montrent une concordance exceptionnelle entre les résultats de la ROM et ceux des solutions CFD-Icing, ce qui valide l’efficacité de la ROM même pour des conditions complexes comme celles où l’avion commence à regagner de l’altitude après une descente avortée.

En termes d’efficacité, chaque solution CFD nécessitait 24 heures de calcul sur 128 cœurs, tandis que l’obtention d’une solution ROM à partir d’une base de données de modèles réduits peut être effectuée en seulement 28 secondes sur 16 cœurs, ce qui illustre un gain considérable en termes de temps de simulation. Cette rapidité permet non seulement de tester une plus grande variété de scénarios en temps réel, mais aussi de prédire les pénalités de performance dues à l’accumulation de glace sous des contraintes de temps et de calcul strictes.

Outre l’efficacité en temps, la ROM présente un avantage supplémentaire en termes d’intégration de l’information issue de différents types de données expérimentales et CFD. En effet, la capacité à intégrer des données issues des essais en vol (EFD) et des simulations numériques dans un modèle réduit, non intrusif, permet de surmonter le manque de données expérimentales sur le givrage en vol, particulièrement en 3D. Cette approche permet une validation des CFD-Icing, même dans des domaines peu explorés expérimentalement, où les essais en vol complets sont limités.

De plus, la modélisation réduite a un impact direct sur la réduction du nombre de capteurs nécessaires lors des essais expérimentaux. Par exemple, dans l’étude d’un rotor d’hélicoptère, la ROM permet de réduire le nombre de sections instrumentées, ce qui diminue considérablement le coût et le nombre d’essais tout en maintenant la précision des résultats. En interpolant les profils de pression entre différentes sections de l’aile ou du rotor, il est possible d’obtenir des résultats aussi précis que si chaque section avait été instrumentée, permettant de simuler une variété de conditions sans le besoin de mesurer chaque point physiquement.

L’application de la ROM dans des situations expérimentales permet donc de réduire de manière significative les coûts d’essais tout en améliorant la flexibilité des simulations, avec des résultats fiables même dans des scénarios où les données expérimentales sont limitées ou difficiles à obtenir. Par exemple, en enlevant des sections instrumentées dans une simulation de rotor, la ROM peut restituer des résultats précis en combinant des données expérimentales et des prédictions de CFD de manière efficace.

L'intégration de la ROM avec des simulations de givrage et de vol réel, associée à des bases de données d'expériences, offre des opportunités substantielles pour améliorer la sécurité aérienne. Non seulement elle permet une meilleure prévision des performances des aéronefs en cas de givrage, mais elle ouvre également la voie à des formations plus réalistes et à des tests plus ciblés, dans le but d'améliorer les réponses des pilotes dans des situations extrêmes.

L’une des applications les plus prometteuses de cette approche réside dans la possibilité de simuler des scénarios d'incidents dans lesquels les données de givrage sont particulièrement complexes à évaluer, comme les phases de vol proches du décrochage ou post-décrochage. Le modèle ROM permet une extension facile à ces phases de vol critiques, ce qui est indispensable pour les formations de reconnaissance et de récupération des décrochages.

Quelle est l'efficacité de la collecte des gouttelettes par différents profils aérodynamiques sous des conditions d'incertitude?

Les tests destinés à l’investigation de l’efficacité de la collecte des gouttelettes sur divers profils aérodynamiques sous différentes conditions de fonctionnement cherchent à évaluer la propagation des incertitudes d'entrée à travers le solveur PoliDrop, afin d'analyser les statistiques prédites de l'efficacité de la collecte. Cette analyse s'appuie sur des essais expérimentaux réalisés à la NASA Glenn IRT (Papadakis et al., 2004) avec un profil NACA23012 dans une soufflerie cryogénique, où le but est de comprendre comment les différents paramètres affectent la collecte des gouttes d’eau en vol.

Les tests sont réalisés avec une approche numérique, en utilisant le solveur SU2 pour reconstruire le champ aérodynamique autour du profil. Les équations RANS (Reynolds-Averaged Navier-Stokes) sont discrétisées à l'aide de la méthode des volumes finis, avec une structure de maillage standard basée sur les arêtes et une grille duale. Les flux convectifs sont discrétisés en utilisant un schéma MUSCL d'ordre limité, tandis que les flux visqueux sont traités par une approche standard de moyenne des gradients. L'objectif est de résoudre les équations de manière stable et rapide, avec une méthode de marche dans le temps qui conduit le système RANS à une solution stationnaire.

Pour chaque test, les paramètres incertains sont le nombre de Mach (M), la pression (P), la température (T), l'angle d'attaque (AoA) et le diamètre médian des gouttelettes (MVD). Les incertitudes sont modélisées par une distribution de probabilité uniforme. L'analyse d'incertitude (UQ) est réalisée en utilisant un surrogat de Chaos Polynomiaux, tronqué au troisième ordre. Les coefficients du surrogat sont calculés via une méthode des moindres carrés ordinaires, en utilisant 168 points de données générés par une technique de Latin Hypercube Sampling.

Les résultats des tests sont analysés à travers des comparaisons entre les prédictions des modèles numériques et les observations expérimentales. Les erreurs sont mesurées par la racine carrée de l'erreur quadratique moyenne (RMSE), qui reste faible dans la majorité des cas, mais qui présente une certaine variation au niveau des points de stagnation et des limites d'impact du profil aérodynamique.

Le premier test révèle que l'incertitude la plus significative est associée à la variation du MVD des gouttelettes, cette incertitude ayant un impact considérable sur les résultats, particulièrement dans les zones proches de l'impact. L'angle d'attaque (AoA) joue également un rôle non négligeable, surtout dans les régions entre le point de stagnation et les limites d'impact supérieur et inférieur du profil aérodynamique. Les effets d’ordre élevé (HO), qui résultent de la variation simultanée de plusieurs paramètres, sont particulièrement marqués dans les zones proches des limites d’impact.

Les résultats du second test, bien qu’utilisant des conditions expérimentales identiques, montrent des différences intéressantes, notamment dans la distribution de l’incertitude. L’analyse de la variance de sortie réalisée avec la méthode de décomposition de Sobol révèle que l’incertitude sur la MVD des gouttes est encore plus prédominante, mais avec une différence notable à la zone de pointe, où l’incertitude est plus faible. Les indices de Sobol permettent également de repérer les zones de grande sensibilité du modèle, ce qui est crucial pour l’optimisation des profils aérodynamiques dans des conditions variées de vol.

Ces études soulignent l'importance d'une modélisation précise et d'une prise en compte des incertitudes, en particulier dans des contextes où les phénomènes de givrage peuvent avoir des conséquences majeures sur la sécurité du vol. Les résultats expérimentaux et numériques doivent être intégrés avec prudence, en prenant en compte les limites et les approximations des modèles utilisés. Les incertitudes dans les paramètres physiques influencent directement la précision des prédictions, et une analyse approfondie de leur propagation est essentielle pour améliorer la conception et la performance des profils aérodynamiques, en particulier pour des conditions de vol à risque élevé, telles que celles impliquées dans les tests de givrage.

La mise en œuvre de modèles numériques avancés, combinée à une bonne gestion des incertitudes, est donc essentielle pour mieux comprendre et prédire l'efficacité de la collecte des gouttes d'eau sur les profils aérodynamiques en vol. Pour le lecteur, il est crucial de se rappeler que les résultats numériques ne sont pas absolus et doivent être interprétés dans le contexte des limites des méthodes de calcul utilisées. De plus, l’importance d’une validation expérimentale continue et d’une prise en compte systématique des incertitudes des entrées dans les simulations ne saurait être sous-estimée. Cela permet non seulement d’améliorer la précision des prédictions mais aussi de mieux comprendre l’impact des variations des conditions de vol sur la performance des profils aérodynamiques dans des scénarios de givrage.

Comment la géométrie des nanostructures influence les modes phononiques et les interactions électron-phonon ?
Comment la construction de graphes à partir de problèmes 3-SAT révèle la complexité des chemins les plus courts améliorés
Comment l'économie gère-t-elle le chômage et l'inflation ?
Comment exploiter efficacement les opérateurs avancés de recherche sur Yandex pour la collecte d’informations précises