Améliorer les modèles de prédiction du givrage aéronautique à l'aide de l'intelligence artificielle

点击翻译按钮获取中文摘要

Lorsque des gouttelettes d'eau surfondue d'un nuage givrant entre en contact avec les surfaces de l'avion, de la glace peut se former. La glace dégrade les performances de l'avion et peut causer son écrasement. Les outils de simulation numérique du givrage réduisent les risques et aident à développer des systèmes de protection. La mécanique des fluides numériques, ou CFD, modélise l'écoulement d'air, la quantité d'eau capté et la quantité de glace accumulé sur les surfaces de l'avion. Cependant, les modèles doivent être calibrés expérimentalement pour avoir des prédictions de qualité. Les modèles de CFD dépendent de plusieurs paramètres et retournent une quantité massive d'information autour d'un avion. Pour une simulation 3D, plusieurs dizaines de variables sont évaluées à plus de 20 millions de points dans l'espace. Une solution pour analyser cette masse de données et d'améliorer la précision des modèles et d'utiliser l'intelligence artificielle. Le programme propose d'utiliser des outils d'intelligence artificielle comme l'apprentissage automatique, l'analyse d'incertitude, les algorithmes génétiques et les réseaux neuronaux pour améliorer les modèles de CFD des codes de givrage. Un premier objectif est la modélisation des formes de glace. Le refroidissement de la surface par l'air joue un rôle fondamental dans l'accumulation de glace. Le refroidissement varie dans le temps et le long de la surface. A partir de formes de glace mesurées, nous utiliserons l'apprentissage automatique et des algorithmes génétiques pour calibrer les paramètres d'un modèle de prédiction des formes de glace. Un second objectif est lié à l'apparition de rugosité à la surface de la glace. Les rugosités augmentent le refroidissement. L'analyse d'incertitude identifiera les caractéristiques géométriques des rugosités qui augmentent le refroidissement. L'apprentissage machine créera les modèles simplifiés nécessaire aux analyses d'incertitudes. Un dernier objectif est lié à la prédiction des performances aérodynamiques d'une aile givrée. Des méthodes hautes fidélités, comme les simulations aux larges échelles, permettent des prédictions précises, mais sont trop couteuses en temps de calcul pour l'industrie. L'apprentissage machine et les réseaux neuronaux serviront à la mise au point de modèles simplifiés. Ces modèles seront moins couteux en temps de calcul que les méthodes hautes fidélités, tout en étant pratiquement aussi précis. Le programme de recherche est important pour l'industrie aéronautique canadienne. Le développement de système de protection contre le givre et la prédiction des performances aérodynamiques des ailes givrés occupe une place importante lors de la certification des avions. L'intelligence artificielle ouvre de nouvelles possibilités d'amélioration des prédictions des codes de givrage. En permettant de concevoir des systèmes de protection consommant moins d'énergie, la sécurité des avions de demain augmentera.