Three-dimensional variational data assimilation of separated flows using time-averaged experimental data

Cet article présente un nouveau cadre d'assimilation de données variationnelle tridimensionnel qui intègre des données expérimentales PIV planaires au modèle RANS de Spalart-Allmaras afin de séparer efficacement les erreurs de mesure des déficiences du modèle de turbulence, améliorant ainsi considérablement les prédictions d'écoulement pour les écoulements décollés sur un profil NACA0012 par rapport aux méthodes bidimensionnelles traditionnelles.

L'essentiel

Imaginez que vous essayez de cuisiner le gâteau parfait, mais que votre recette (le modèle informatique) ne ressort que légèrement erronée. De plus, vous avez la photo d'un vrai gâteau (les données expérimentales) que vous voulez faire correspondre. Le problème, c'est que la photo est un peu floue, il manque des ingrédients et elle a été prise sous un angle bizarre.

Ce document traite d'une nouvelle façon de corriger la recette pour qu'elle corresponde mieux au vrai gâteau, même quand la photo n'est pas parfaite.

Le Problème : La Photo « Plate » vs la Réalité « Ronde »

Les scientifiques utilisent des modèles informatiques pour prédire comment l'air se déplace autour des ailes d'avion. Ces modèles sont comme des recettes. Parfois, la recette est un peu décalée, surtout quand l'aile est en « décrochage profond » (une situation où l'aile cesse de fonctionner correctement, comme un avion qui décroche dans le ciel).

Pour corriger la recette, les scientifiques utilisent une technique appelée Assimilation de Données. Ils prennent des mesures du monde réel (comme une photo de l'écoulement de l'air) et forcent le modèle informatique à correspondre à celle-ci.

Cependant, il y a un piège. Les mesures du monde réel proviennent d'une technique appelée PIV (Vélocimétrie par Image de Particules), qui prend une « tranche » 2D ou une photo plate de l'air. Mais l'air qui se déplace autour d'une aile est en réalité 3D (il se déplace vers le haut, le bas, la gauche, la droite, et aussi vers l'intérieur et l'extérieur de la photo).

Le document soutient que les méthodes précédentes tentaient de forcer cette photo plate et 2D à s'adapter à une réalité 3D en prétendant que l'air ne se déplaçait que dans deux directions. C'est comme essayer de faire entrer une orange ronde dans un trou carré ; vous devez la presser et la déformer pour qu'elle puisse entrer.

L'Ancienne Méthode : L'« Orange Écrasée » (Assimilation 2D)

Dans l'ancienne méthode (appelée 2DVar), les scientifiques prenaient la photo plate et forçaient le modèle informatique à obéir aux règles d'un monde en 2D.

• L'Analogie : Imaginez que le modèle informatique est un étudiant essayant de résoudre un problème de mathématiques. L'enseignant (les données réelles) lui donne une réponse floue et légèrement erronée. L'étudiant essaie de modifier sa propre réponse pour correspondre à celle de l'enseignant.
• L'Erreur : Comme la réponse de l'enseignant a été prise à partir d'une photo plate d'un monde 3D, elle présente des « erreurs » (elle ne s'équilibre pas parfaitement). L'étudiant, en essayant de correspondre à cela, commence à modifier ses mathématiques de manière étrange. Il blâme ses propres mauvais calculs pour la photo floue de l'enseignant.
• Le Résultat : La « correction » que l'étudiant effectue est énorme et désordonnée. Elle corrige les erreurs mathématiques ET tente de corriger le fait que la photo était plate. On ne peut pas distinguer quelle partie de la correction servait à corriger le modèle et quelle partie servait simplement à corriger la mauvaise photo.

La Nouvelle Méthode : Les « Lunettes 3D » (Assimilation 3D)

Les auteurs de ce document ont inventé une nouvelle méthode (appelée 3DVar). Au lieu de forcer l'air à rester plat, ils permettent au modèle informatique de respirer dans la troisième dimension (la profondeur), même si la photo ne montre qu'une tranche plate.

• L'Analogie : Maintenant, l'étudiant porte des lunettes 3D. Il sait que la photo de l'enseignant n'est qu'une tranche d'un objet 3D. Quand la photo semble « déséquilibrée » (divergente), l'étudiant se dit : « Ah, l'air doit sûrement se déplacer vers l'intérieur ou vers l'extérieur de la photo pour que cela s'équilibre ! »
• La Solution : Le modèle informatique permet à l'air de se déplacer dans cette troisième direction. Cela corrige naturellement les parties « déséquilibrées » de la photo sans avoir besoin de forcer les mathématiques à se briser.
• Le Résultat : La « correction » que l'étudiant effectue est maintenant beaucoup plus petite et plus propre. Elle ne corrige que les véritables erreurs dans la recette (le modèle de turbulence), et non les défauts de la photo.

Ce Qu'Ils Ont Trouvé

Ils ont testé cela sur un profil NACA0012 (une forme d'aile spécifique) à grande vitesse, là où l'air se sépare et tourbillonne de manière chaotique.

1. L'Ancienne Méthode (2D) : L'ordinateur a dû effectuer des changements massifs et confus dans les équations de physique pour correspondre à la photo plate. Il ne pouvait pas distinguer s'il corrigeait le modèle ou s'il compensait simplement l'absence de données 3D.
2. La Nouvelle Méthode (3D) : L'ordinateur a effectué des ajustements plus petits et plus intelligents. Il a laissé l'air circuler naturellement en 3D pour équilibrer les équations.
3. Le Résultat Final : La nouvelle méthode a prédit la portance (la force avec laquelle l'aile pousse vers le haut) et la pression sur l'aile avec beaucoup plus de précision. Elle a également donné une meilleure image de la « turbulence » (le chaos tourbillonnant) car le modèle n'était pas forcé de faire des choses impossibles juste pour correspondre à une photo plate.

L'Essentiel à Retenir

Voyez cela comme ceci : Si vous essayez de décrire une sculpture 3D en utilisant seulement une ombre 2D, vous serez confus. Si vous forcez un dessin en 2D à ressembler à cette ombre, vous devrez déformer le dessin jusqu'à ce qu'il ne ressemble plus du tout à la vraie sculpture.

Ce document montre que si vous laissez votre dessin avoir de la profondeur (3D), même si vous n'avez qu'une ombre en 2D sous les yeux, vous pouvez reconstruire la véritable sculpture avec beaucoup plus de précision. Le modèle informatique cesse de lutter contre les données pour commencer à réellement comprendre la physique de l'écoulement.

Résumé technique

Résumé technique : Assimilation de données variationnelle tridimensionnelle de flux décollés à l'aide de données expérimentales moyennées dans le temps

Énoncé du problème
L'article traite des limites de l'application de l'assimilation de données (DA) variationnelle aux flux complexes et décollés en utilisant des données de vélocimétrie par images de particules (PIV) planaire. Bien que la PIV fournisse des champs de vitesse à deux composantes moyennés dans le temps, elle manque intrinsèquement la composante de vitesse hors plan. Dans les flux décollés, tels qu'un décrochage profond sur un profil d'aile, le flux est intrinsèquement tridimensionnel (3D). Les approches traditionnelles de DA imposent souvent des contraintes de continuité bidimensionnelles (2D) sur ces données 2D. Les auteurs soutiennent que cette confusion conduit à une mauvaise interprétation du terme de forçage correctif utilisé dans les équations de quantité de mouvement. Lorsque des contraintes 2D sont appliquées à des données expérimentales non sans-divergence, le terme de forçage correctif compense non seulement les déficiences du modèle de turbulence de Reynolds-Averaged Navier–Stokes (RANS), mais aussi l'absence de la troisième composante de vitesse et le bruit expérimental. Cela rend difficile l'isolement des erreurs de modélisation physique des incohérences de mesure et entrave la reconstruction précise des statistiques de second ordre comme la contrainte de cisaillement de Reynolds.

Méthodologie
L'étude utilise un cadre d'assimilation de données variationnelle employant une méthode d'adjoint discret implémentée via le solveur DAFoam. Le cœur de la méthodologie consiste à optimiser un terme de forçage correctif ($f_{ci}$) ajouté aux équations de quantité de mouvement afin de minimiser l'écart entre une simulation RANS (utilisant le modèle de turbulence Spalart–Allmaras) et des données de référence.

L'article compare deux configurations distinctes :

1. 2DVar (Assimilation bidimensionnelle) : Les équations de conservation et les contraintes de continuité sont imposées strictement en deux dimensions (direction de l'écoulement et normale à la paroi). Le domaine en envergure est traité comme une couche de cellule unique ($N_z=1$), imposant ainsi un écoulement 2D.
2. 3DVar (Assimilation tridimensionnelle) : Les auteurs proposent une nouvelle approche où les équations de conservation et les contraintes intègrent les trois dimensions spatiales. Le domaine de calcul est étendu dans la direction de l'envergure avec une résolution suffisante ($N_z > 1$) pour permettre le développement d'une composante de vitesse hors plan. Crucialement, les données de référence restent 2D2C (deux composantes, deux dimensions), projetées sur la grille 3D.

La fonction objectif minimise la norme $L_1$ de l'écart de vitesse entre la simulation et la référence (tant synthétique qu'expérimentale). L'optimisation est réalisée par programmation quadratique séquentielle (SQP) avec des gradients calculés via l'approche d'adjoint discret.

Contributions clés

• Nouveau cadre d'assimilation de données 3D : L'article introduit une méthode de DA variationnelle 3D qui impose des contraintes de continuité 3D tout en assimilant des données expérimentales 2D2C.
• Découplage des erreurs : L'étude démontre que les contraintes 3D permettent au terme de forçage correctif de traiter principalement les erreurs de montage expérimental (ex: divergence due à l'absence de données 3D ou au bruit), tandis que le modèle de turbulence est libre de capturer plus précisément la physique sous-jacente de l'écoulement.
• Reconstruction de quantités non mesurées : La méthode démontre sa capacité à reconstruire avec succès des quantités physiques non directement mesurées, telles que les champs de pression et les forces de portance, ainsi que des quantités de modélisation comme la contrainte de cisaillement de Reynolds et la viscosité turbulente.

Résultats
La méthodologie a été testée sur un profil NACA0012 en décrochage profond ($\alpha = 15^\circ$, $Re_c \approx 7,5 \times 10^4$) en utilisant à la fois des données synthétiques (satisfaisant la continuité 2D) et des données PIV expérimentales (violant la continuité 2D).

• Données synthétiques : Dans le cas 2DVar avec des données synthétiques sans divergence, le forçage correctif était faible par rapport au forçage de Reynolds, indiquant que le modèle de base peut capturer la physique avec des ajustements mineurs.
• Données expérimentales (2DVar) : Appliquée aux données expérimentales, l'approche 2DVar nécessitait un terme de forçage correctif important. L'ampleur de ce forçage était comparable au forçage de Reynolds, suggérant qu'il compensait la nature 3D de l'écoulement et les erreurs de divergence plutôt que de simples déficiences de modélisation de la turbulence. Cela a conduit à une représentation inexacte de la physique de l'écoulement.
• Données expérimentales (3DVar) : L'approche 3DVar a réussi à développer une composante de vitesse en envergure pour satisfaire la continuité 3D. Par conséquent, l'ampleur du terme de forçage correctif a diminué de manière significative, devenant plus comparable au forçage de Reynolds. Cela indique que les contraintes 3D ont permis au modèle de turbulence de fonctionner correctement, le terme de forçage gérant les artefacts expérimentaux.
• Quantités reconstruites : L'approche 3DVar a produit des résultats supérieurs pour les variables reconstruites. La distribution du coefficient de pression ($C_p$) et le coefficient de portance ($C_L$) présentaient un meilleur accord avec les mesures expérimentales par rapport au 2DVar. De plus, les champs reconstruits de la contrainte de cisaillement de Reynolds et de la viscosité turbulente en 3DVar s'alignaient plus étroitement avec les observations expérimentales, montrant un transport de quantité de mouvement et des effets de turbulence accrus dans le sillage.

Signification et affirmations
L'article affirme qu'imposer une continuité 2D sur des écoulements décollés intrinsèquement 3D lors de l'assimilation de données fausse l'équilibre des équations de quantité de mouvement, forçant le terme correctif à absorber des erreurs qui devraient être attribuées à la nature elle-même 3D de l'écoulement. En implémentant des contraintes 3D, les auteurs démontrent que le modèle RANS de base (Spalart–Allmaras) est capable de capturer la physique complexe des écoulements décollés plus précisément qu'on ne le supposait auparavant lorsque le cadre d'assimilation de données est physiquement cohérent.

L'étude conclut que la méthode 3DVar est supérieure à la méthode 2DVar pour l'assimilation de données PIV planaire d'écoulements décollés. Elle résout l'ambiguïté de l'interprétation du terme de forçage correctif, permettant aux chercheurs de distinguer les déficiences du modèle de turbulence des incohérences expérimentales. Cette approche améliore la précision tant des vitesses moyennes directement assimilées que des quantités reconstruites, telles que la portance et les contraintes de Reynolds, sans modifier la forme fonctionnelle du modèle de turbulence. Les auteurs notent que bien que leur implémentation ait utilisé des données 2D2C, le cadre est conçu pour gérer les complexités des écoulements décollés pratiques à nombre de Reynolds élevé.