Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Séminaire de laboratoire (8 février 2007) – 1
Optimisation aéromécanique d’aubes de compresseurs
appliquée à l’aéronautique
Rajan Filomeno Coelho
Laboratoire de Mécanique Roberval, FRE 2833
Centre de Recherche Royallieu
Université de Technologie de Compiègne
Séminaire de laboratoire – 8 février 2007
Séminaire de laboratoire (8 février 2007) – 2
Contenu de la présentation
1. Contexte de l’étude
2. Méthodologie d’optimisation
3. Dimensionnement d’aubes de turbomachines
4. Application industrielle
5. Conclusions et perspectives sur l’optimisation multidisciplinaire
Séminaire de laboratoire (8 février 2007) – 3
• Cette étude a été réalisée à CENAERO, un centre de recherche en aéronautique
fondé en 2002 en partenariat avec :
– La Région wallonne
– EWA : Techspace Aero (SAFRAN), Sabca, Sonaca, Samtech, FFT, …
– Universités et centres de recherche : ULB, UCL, ULg, IVK
• Activités de CENAERO :
– R&D en méthodes de simulation pour l’aéronautique
– Participation à des projets européens (FP6-AERO : VIVACE, DEEPWELD,
MUSCA, LAPCAT, VITAL, …)
– Etudes industrielles (Snecma, Techspace Aero, Inergy Automotive, …)
Contexte de l’étude
Séminaire de laboratoire (8 février 2007) – 4
• Cadre de cette étude : le projet européen VITAL (coordinateur : Snecma)
• VITAL (EnVIronmenTALly Friendly Aero Engines) vise à :
– Réduire les émissions de CO2 de 7%
– Réduire les nuisances acoustiques de 6 dB
• Afin d’atteindre ces objectifs, un des groupes de travail de VITAL vise à
développer et optimiser la partie “compresseurs” des moteurs d’avion
• Dans un moteur d’avion (civil), le système de compression est généralement
composé de 3 éléments :
– Un fan
– Un compresseur multi-étage
basse pression (booster)
– Un compresseur multi-étage
haute pression (HPC)
Contexte de l’étude
CFM56-7B
Séminaire de laboratoire (8 février 2007) – 5
• La conception du booster nécessite :
– Du point de vue mécanique : d’assurer la tenue mécanique de la structure (statique
et dynamique)
– Du point de vue aérodynamique : de satisfaire les critères de performances en
termes de débits, rapports de compression, angles de sortie de l’écoulement et
rendement
• De plus, les cartes montrent de grandes variations de débit et de vitesse de
rotation
→ les différents points de fonctionnement étudiés présentent de grandes variations de
nombre de Mach et d’angles d’incidence de l’écoulement à l’entrée
• But de la présente étude (partenariat entre Techspace Aero [SAFRAN] et
CENAERO) :
– Réaliser l’optimisation d’un étage de booster
– Disciplines : analyse de de l’écoulement et de la structure mécanique
– Prise en compte des différents points de fonctionnement
Contexte de l’étude
Séminaire de laboratoire (8 février 2007) – 6
• Un problème d’optimisation s’écrit de la manière suivante :
• Caractéristiques de l’application industrielle :
– Objectif : maximiser le rapport de compression en 3 points de fonctionnement
– Contraintes de dimensionnement : liées à la tenue mécanique de la structure et aux
critères de performances aérodynamiques
– Variables : 35 paramètres définissant la géométrie des aubes du stator
– Temps de simulation pour 1 point de fonctionnement (paramétrisation géométrique
+ CFD + FEM) : ~ 1 h 40 min
Méthodologie d’optimisation
f(x)T = { f1(x) f2 (x) … fm (x) }
g(x)T = { g1 (x) g2 (x) … gk (x) }
h(x)T = { h1 (x) h2 (x) … hl (x) }
xT = { x1 x2 … xn } ∈∈∈∈ X
min { f(x) }
avec : g(x) ≥≥≥≥ 0
h(x) = 0
x
Séminaire de laboratoire (8 février 2007) – 7
• Un problème d’optimisation peut être catalogué en fonction des facteurs
suivants :
– la nature des variables :
• continue : dimensions, …
• discrète : sections de profilés (catalogue), …
• entière : nombre de couches dans un matériau composite, …
– la continuité et la dérivabilité des functions
– les propriétés analytiques des fonctions (linéarité, convexité, etc.)
– la taille du problème (nombre de variables, de fonctions)
– la présence d’un ou de plusieurs objectifs (optimisation multicrère)
• A CENAERO, un code d’optimisation généraliste (MAX) a été développé pour
l’étude de problèmes industriels variés :
– optimisation multicritère de caloducs pour satellites
– identification de paramètres de loi de comportement (Inergy Automotive)
– optimisation du dimensionnement d’aubes de turbomachines (Snecma, Techspace
Aero)
Méthodologie d’optimisation
Séminaire de laboratoire (8 février 2007) – 8
• L’optimisation est effectuée au moyen d’un algorithme génétique :
– Pas de calcul de sensibilités
– Bon comportement si fonctions discontinues, bruitées
– Variables continues, mais aussi discrètes, entières
– Traitement aisé des cas où la simulation ne fournit pas de résultats (non
convergence du calcul CFD, etc.)
– Recherche globale (sur l’ensemble de l’espace de conception)
• Principe de fonctionnement [Michalewicz, 1996] :
– a. Création d’une population aléatoire de solutions potentielles
– b. Sélection des meilleurs individus (par l’intermédiaire d’une fonction “coût”)
– c. Recombinaison de ces individus (par croisement, mutation) afin d’en générer de
nouveaux, potentiellement meilleurs
– d. Répétition du processus jusqu’à satisfaction du critère d’arrêt
Méthodologie d’optimisation
Séminaire de laboratoire (8 février 2007) – 9
Méthodologie d’optimisation
sélection croisement mutation
population initiale
Critère d’arrêt
atteint ?
STOP
ouinon
Illustration d’un algorithme génétique
standard (2 variables)
Séminaire de laboratoire (8 février 2007) – 10
• Limitation des algorithmes génétiques : ils nécessitent un grand nombre
d’appels à la simulation (dans l’application industrielle : ~ 1 h 40)
• Pour réduire le temps de calcul, l’optimiseur est couplé avec un modèle
approché basé sur des réseaux de fonctions à base radiale
– Les algorithmes génétiques sont combinés à des modèles approchés (réseaux de
fonctions à base radiale)
– Principe des réseaux RBF :
• Une base de données de taille N est construite (i.e. un ensemble de N points calculés
par la simulation)
• La fonction f(x) à approcher s’écrit :
Méthodologie d’optimisation
( ) ( )∑=
=N
1i
jj wf xx φ
poids
fonction à base radiale
(i.e.: gaussienne)
x
f
x1 x2
φ1φ2
Séminaire de laboratoire (8 février 2007) – 11
• Description d’un réseau RBF (3 couches)
• Le réseau RBF est entraîné (= les poids et les paramètres des fonctions RBF
sont adaptés) de manière à minimiser l’écart entre modèle et points de
référence
Méthodologie d’optimisation
x1 xi xN… …
φ1 φj φM… …
y1 yc…
φ0biais
x1x1 xixi xNxN… …
φ1φ1 φjφj φMφM… …
y1y1 ycyc…
φ0biais
entrées
unités cachées
sorties
[Robaye,2006]
Séminaire de laboratoire (8 février 2007) – 12
• Séquence des appels simulation “précise” / modèle approché (1)
Méthodologie d’optimisation
Ob
jectif
Optimumprédit
Optimumprédit
Variable
Points initiaux (simulation “précise”)Points initiaux (simulation “précise”)
Modèleapproché
Simulation “précise”
Séminaire de laboratoire (8 février 2007) – 13
• Séquence des appels simulation “précise” / modèle approché (2)
Méthodologie d’optimisation
Obje
ctif
Variable
Modèle approché
Optimum prédit
Optimum prédit
Points initiaux (simulation “précise”)Points initiaux (simulation “précise”)
Simulation “précise”
Séminaire de laboratoire (8 février 2007) – 14
Méthodologie d’optimisation
• Schéma de l’algorithme d’optimisation avec modèle approché :
Séminaire de laboratoire (8 février 2007) – 15
Méthodologie d’optimisation
• Les contraintes d’égalité et d’inégalité sont prises en compte :
– Au sein de l’algorithme génétique : par une technique de sélection privilégiant
systématiquement les individus respectant les contraintes [Deb, 2000]
– Lors de la construction du modèle approché : à l’aide d’une méthode de
pénalisation adaptative [Bean et Hadj-Alouane, 2000] :
où β = 2 et λ(t) est un paramètre dépendant des résultats obtenus au cours des
itérations précédentes (en terme de satisfaction des contraintes)
• Une variante combinant optimisation multicritère par algorithmes génétiques
et modèles approchés a également été proposée [Filomeno Coelho et al., 2006]
• Les tests effectués sur des fonctions analytiques (Rosenbrock, Rastrigin, etc.)
montrent une réduction du nombre d’appels à la simulation d’un facteur ~ 10
par rapport à un algorithme génétique sans modèle approché
Séminaire de laboratoire (8 février 2007) – 16
Dimensionnement d’aubes de turbomachines
• Simulation aéromécanique complète :
PARAMETRISATION des aubes (splines)
Création de la GEOMETRIE des
aubes
FLUIDE (Maillage, Calculs CFD, Post-traitement des
résultats)
STRUCTURE (Création de la géométrie, du maillage, extraction des pressions fluides et application sur les aubes, calculs EF et post-
traitement)
REPONSES (contrainte de Von Mises maximale, rendement, etc.)
Séminaire de laboratoire (8 février 2007) – 17
• Paramétrisation “hiérarchique” des aubes (1/2) :
– La géométrie 3D des aubes est paramétrée à l’aide d’une méthode générique
basée sur :
• 1. Le découpage de l’aube en différentes sections
Dimensionnement d’aubes de turbomachines
Séminaire de laboratoire (8 février 2007) – 18
Dimensionnement d’aubes de turbomachines
• Paramétrisation “hiérarchique” des aubes (2/2) :
• 2. La paramétrisation “hiérarchique” de chaque section par splines
– paramètres : perturbations de l, h, épaisseurs eik
– objectif : garantir la régularité des profils
l
h
e10
e11
e21
e32
e10
e11 e2
1
e32 e4
2e12 e2
2
Séminaire de laboratoire (8 février 2007) – 19
• Le code fluide : TRAF (A. Arnone, Université de Florence)
– Les équations RANS (Reynolds-Averaged
Navier-Stokes) sont résolues afin de
prédire l’écoulement
– Modèle de turbulence : Baldwin – Lomax
• Le champ de pressions est récupéré
et transmis à la structure
• Le code structure : SAMCEF (Samtech)
– Comportement élastique linéaire
– Les pressions sont récupérées du calcul fluide et appliquées sur la structure
– But : analyse statique
Dimensionnement d’aubes de turbomachines
Séminaire de laboratoire (8 février 2007) – 20
• Rappel du contexte industriel :
– Les motoristes doivent prendre en compte de nouvelles normes environnementales,
liées à la réduction du bruit et des émissions de CO2 (et de NOx)
– Une solution consiste à diminuer la vitesse de rotation du booster → pour assurer les
mêmes performances, les aubes doivent être plus fortement chargées
� dans cette étude, l’étage d’un stator représentatif du milieu d’un compresseur
basse pression fortement chargé est optimisé grâce à la méthodologie proposée
• Définition de l’optimisation :
– Objectif : maximiser le taux de compression à 3 points de fonctionnement (somme
pondérée sur 1 pt de rendement maximum [w1=0,5], 1 pt de faible débit et 1 pt de
débit élevé [w2=w3=0,25])
– Contraintes de dimensionnement :
• L’angle de sortie de l’écoulement (à plusieurs niveaux) est borné
• Contraintes aérodynamiques sur les débits, …
• La contrainte de von Mises ne doit pas dépasser un seuil critique
Application industrielle
Séminaire de laboratoire (8 février 2007) – 21
• Résultats de l’optimisation
– Chaque simulation CFD prend environ 1h30 sur 1 processeur (~1,2 millions de pts)
– Une base de données de 70 géométries distinctes est calculée pour construire le
modèle RBF � 11 heures sur 32 CPU (sur le cluster de CENAERO)
Application industrielle
débit
tau
x d
e co
mpre
ssio
n
design initial
design
optimisé (1)
design
optimisé (2)
Séminaire de laboratoire (8 février 2007) – 22
• Remarques
– Le design initial ne respectait pas toutes les contraintes sur les 3 pts de
fonctionnement
– La tâche essentielle de l’optimiseur a
consisté à atteindre l’espace de conception
admissible
– La première phase d’optimisation (100
itérations) a permis d’atteindre une
solution violant légèrement les contraintes
– La deuxième phase (100 itérations
supplémentaires) a permis de converger
vers une solution admissible
Application industrielle
vue 3D de la densité ρ
Séminaire de laboratoire (8 février 2007) – 23
• Méthodologie d’optimisation :
– Algorithmes génétiques couplés à des modèles approchés (réseaux de fonctions à
base radiale)
– Le nombre d’appels à la simulation est généralement réduit d’un facteur ~10 par
rapport à l’utilisation d’un algorithme génétique standard
• Application industrielle :
– But : optimiser la géométrie des aubes d’un étage de booster
– La chaîne de simulation comprend la paramétrisation des aubes, les calculs CFD
(TRAF) et structure (SAMCEF) et le post-traitement
– Dans le cas traité, l’espace de conception admissible est fortement réduit à cause
des restrictions
– La méthode proposée a permis de trouver une solution satisfaisant toutes les
contraintes
Conclusions & Perspectives
Séminaire de laboratoire (8 février 2007) – 24
• Cette étude a touché à la problématique de l’optimisation multidisciplinaire
(MDO – Multidisciplinary Design Optimization)
• En pratique, les différentes disciplines (fluide, structure, acoustique, thermique,
etc.) sont souvent traitées par des équipes séparées
→ comment réaliser l’optimisation multidisciplinaire d’un système mécanique en
intégrant les expertises acquises dans les différents domaines, tout en garantissant
une optimisation globale du système ?
→ axes de recherche actuels :
→ architectures d’optimisation multidisciplinaire
→ problème couplé (fluide – structure) : exemple d’une aile d’avion 2D idéalisée
→ réduction de modèles
→ méthodes d’approximation (approximation diffuse, …)
→ participation de l’UTC au projet OMD (http://omd.lri.fr/)
Conclusions & Perspectives
Séminaire de laboratoire (8 février 2007) – 25
Conclusions & Perspectives
• Eléments de bibliographie
– S. Wright & J. Nocedal, Numerical Optimization, Springer Series in Operation
Research, Springer-Verlag New York (1999).
– Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs,
Springer Verlag (1996).
– R.T. Haftka, Z. Gurdal, Elements of Structural Optimization, Kluwer Academic
Publishers, 3rd edition (1992).
– R. Filomeno Coelho, Multicriteria Optimization with Expert Rules for Mechanical
Design, PhD thesis, Université Libre de Bruxelles, 2004.
– S. Pierret, R. Filomeno Coelho, H. Kato, Multidisciplinary and multiple operating
points shape optimization of three-dimensional compressor blades, Structural and
Multidisciplinary Optimization, Springer, 33(1), pp. 61–70, 2007.
– R. Filomeno Coelho, S. Pierret, P. Cobas, Multiobjective evolutionary algorithms
applied to aircraft engine design, 25th Congress of the International Council of the
Aeronautical Sciences – ICAS 2006, 3–8 septembre, Hamburg.