Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control

Cette étude présente un modèle de substitution basé sur les réseaux de neurones convolutifs, entraîné sur des simulations CFD, capable de prédire en temps réel la distribution du nombre de Nusselt dans des réseaux de jets impingents aux configurations dynamiques, offrant ainsi une base pour des stratégies de contrôle thermique avancées.

L'essentiel

🌡️ Le Problème : Refroidir un gâteau sans le brûler

Imaginez que vous devez refroidir un énorme gâteau (ou une batterie de voiture électrique) de manière très précise. Vous voulez que certaines parties soient froides, d'autres tièdes, et que cela change à chaque seconde.

Pour y arriver, vous avez un système de tuyaux (des jets d'air) qui peuvent soit souffler de l'air froid (entrée), soit aspirer l'air chaud (sortie), ou être fermés. Le défi ? Si vous changez la position de ces tuyaux ou la force du vent, la façon dont la chaleur se répartit sur le gâteau change instantanément et de manière très complexe.

🧠 Le Dilemme : La précision vs. La vitesse

Pour prédire exactement comment la chaleur va bouger, les ingénieurs utilisent des super-ordinateurs qui simulent la physique des fluides (comme l'air qui tourbillonne). C'est comme faire une simulation météo ultra-précise pour votre gâteau.

• Le problème : Ces simulations sont incroyablement précises, mais elles sont lentes. Elles prennent des heures, voire des jours.
• La conséquence : Vous ne pouvez pas utiliser cette simulation pour contrôler le refroidissement en temps réel. C'est comme essayer de conduire une voiture en regardant une carte papier qui met 2 heures à se mettre à jour : vous aurez déjà eu un accident !

🤖 La Solution : L'Assistant "Génie" (Le Modèle de Remplacement)

C'est là que cette étude intervient. Les chercheurs ont créé un modèle de remplacement (ou surrogate model).

Imaginez que vous avez un chef cuisinier expert (le super-ordinateur) qui a cuisiné 100 fois ce gâteau avec des arrangements de tuyaux différents. Il a pris des notes très détaillées sur chaque résultat.

Au lieu de faire cuisiner le chef à chaque fois que vous voulez ajuster la température (ce qui prendrait trop de temps), vous avez entraîné un robot apprenti (une Intelligence Artificielle) à observer le chef.

• Le robot a étudié les notes du chef.
• Il a appris à deviner le résultat en une fraction de seconde.
• Il n'est pas parfait à 100 %, mais il est assez bon et extrêmement rapide.

🔍 Comment ça marche ? (L'Analogie du Puzzle)

Les chercheurs ont utilisé un type d'intelligence artificielle appelé Réseau de Neurones Convolutif (CNN).

• L'analogie : Imaginez que le résultat de la chaleur sur le gâteau est une image floue. Le CNN est comme un détective qui regarde des petits morceaux de cette image (des pixels) pour comprendre les motifs.
• Il apprend que : "Si je souffle fort ici et que j'aspire là-bas, ça crée un tourbillon qui refroidit cette zone précise."
• Il a été entraîné sur deux configurations : une ligne de 5 tuyaux (5x1) et une grille de 9 tuyaux (3x3).

🚀 Le Tour de Magie : Prédire l'Inconnu

Le robot a été entraîné avec des vents modérés (vitesse de l'air faible). Mais dans la vraie vie, on veut parfois des vents très forts (Reynolds élevé).

• Le problème : Entraîner le robot sur des vents violents prendrait trop de temps et d'argent.
• La solution : Les chercheurs ont utilisé une astuce mathématique (une formule connue depuis longtemps). Ils ont dit au robot : "Tu connais bien le vent doux. Si tu multiplies ta prédiction par ce facteur magique, tu devrais pouvoir deviner le vent violent."
• Résultat : Ça marche ! Même si le vent est 5 fois plus fort, le robot donne une estimation très proche de la réalité.

✅ Le Test Final : La Preuve par l'Expérience

Pour vérifier que leur robot ne rêvait pas, les chercheurs ont construit un vrai système physique dans leur laboratoire.

1. Ils ont chauffé une plaque métallique avec un pistolet thermique.
2. Ils ont activé leurs jets d'air selon une configuration précise.
3. Ils ont comparé la température réelle mesurée par une caméra thermique avec la prédiction du robot.

Le verdict ? Le robot avait raison à 94 % (une erreur moyenne de seulement 5,8 %). C'est suffisamment précis pour être utilisé dans un système de contrôle réel.

🏁 Pourquoi c'est important ?

Ce travail est comme la création d'un GPS pour la gestion de la chaleur.

• Aujourd'hui, on ne peut pas contrôler précisément la température de batteries de voitures électriques ou de moules industriels en temps réel parce que les calculs sont trop lents.
• Avec ce "robot prédicteur", on pourra bientôt dire à un système : "Refroidis cette zone maintenant, chauffe celle-là, et change la configuration des jets !", et le système le fera instantanément, sans attendre que l'ordinateur fasse ses calculs.

En résumé : Ils ont remplacé un calculateur lent et lourd par un assistant rapide et intelligent, capable de gérer des systèmes de refroidissement complexes en temps réel, ce qui ouvre la porte à des technologies plus performantes et plus sûres.

Résumé technique

Titre du travail

Modèle de substitution pour la prédiction du transfert thermique dans des réseaux de jets impingents avec contrôle dynamique des entrées/sorties et du débit.

---

1. Problématique

Les systèmes de gestion thermique avancés, tels que le refroidissement de batteries de véhicules électriques, de turbines à gaz ou de moules d'injection, reposent souvent sur des jets impingents. Ces systèmes permettent d'obtenir des nombres de Nusselt localisés très élevés. Une technologie émergente (développée par Lamarre et Raymond) utilise des réseaux de jets où chaque jet peut fonctionner indépendamment comme une entrée, une sortie ou être fermé, permettant un contrôle spatial et temporel précis de la température.

Cependant, le développement de stratégies de contrôle en boucle fermée pour ces systèmes est entravé par deux défis majeurs :

• Complexité combinatoire : Le nombre d'arrangements possibles (entrées/sorties/fermés) augmente exponentiellement avec le nombre de jets (ex. : un réseau 5x5 peut générer environ 325 arrangements, soit ~1 trillion de combinaisons potentielles).
• Coût de calcul : La simulation précise de ces écoulements complexes via la Dynamique des Fluides Numérique (CFD) est trop coûteuse en temps de calcul pour être utilisée en temps réel dans une boucle de contrôle. Les simulations CFD haute fidélité (LES implicite) prennent trop de temps pour permettre une modulation dynamique des débits et des configurations.

Il est donc nécessaire de développer un modèle de substitution (surrogate model) capable de prédire la distribution du nombre de Nusselt en temps réel avec une grande précision, tout en gérant des configurations dynamiques et des nombres de Reynolds élevés.

---

2. Méthodologie

Les auteurs ont développé une approche en plusieurs étapes combinant la CFD haute fidélité et l'apprentissage profond :

A. Génération de données (CFD)

• Logiciel : Utilisation de Lethe, un logiciel CFD open-source basé sur la méthode des éléments finis (FEM).
• Modélisation physique : Résolution des équations de Navier-Stokes incompressibles et de l'équation de conservation de l'enthalpie.
• Stratégie de simulation : Utilisation de la Simulation des Grandes Échelles implicite (ILES) pour capturer la turbulence sans modèle de sous-maille explicite.
• Paramètres :
  • Deux géométries étudiées : un réseau 5x1 (5 jets alignés) et un réseau 3x3 (9 jets).
  • Entraînement initial sur des nombres de Reynolds ($Re$) inférieurs à 2 000.
  • Échantillonnage des configurations via la méthode Latin Hypercube Sampling (LHS) pour couvrir efficacement l'espace des paramètres (positions des entrées/sorties et débits).
  • Le jeu de données comprend 83 simulations pour le réseau 5x1 et 100 pour le réseau 3x3.

B. Architecture du Modèle de Substitution (CNN)

• Type de modèle : Un Réseau de Neurones Convolutifs (CNN) a été choisi pour sa capacité à capturer les corrélations spatiales locales dans la distribution du nombre de Nusselt.
• Prétraitement des données :
  • Les vecteurs d'entrée (définissant l'état de chaque jet : entrée, sortie, débit) sont transformés en tenseurs multidimensionnels incluant la position spatiale et l'état du jet.
  • Les sorties CFD (cartes de nombre de Nusselt) sont interpolées pour correspondre à la résolution de la caméra thermique expérimentale.
• Architecture : Le réseau utilise des couches de convolutions transposées pour augmenter la résolution spatiale de l'entrée (configuration des jets) jusqu'à la taille de la carte de sortie, suivies de couches de convolution et de pooling pour affiner la prédiction.
  • 5x1 : Architecture allant de 3x1x5 à 256x64x256, puis réduction à 25x125.
  • 3x3 : Architecture allant de 4x3x3 à 64x256x256, puis réduction à 75x75.
• Fonctions d'activation : Leaky ReLu.
• Optimisation : Utilisation de l'optimiseur AdamW et validation croisée (k-fold) pour le réglage des hyperparamètres.

C. Extrapolation vers les hauts Reynolds

Pour atteindre des nombres de Reynolds opérationnels plus élevés ($Re \le 10\,000$) sans refaire des simulations CFD coûteuses, les auteurs proposent une méthode d'extrapolation basée sur une corrélation de Martin [15] :
$$Nu(Re_{pred}) = Nu(2000) \times \left( \frac{Re_{pred}}{2000} \right)^{0.574}$$
Cette relation permet de mettre à l'échelle les prédictions du modèle entraîné à bas Reynolds vers des régimes plus turbulents.

---

3. Contributions Clés

1. Premier modèle pour configurations dynamiques : C'est le premier modèle de substitution développé spécifiquement pour des réseaux de jets impingents où les jets peuvent changer dynamiquement de rôle (entrée/sortie/fermé), contrairement aux études précédentes limitées à des configurations fixes.
2. Architecture CNN adaptée : Développement d'une architecture CNN capable de traiter des entrées complexes (états discrets + débits continus) et de prédire des champs de température spatiaux avec une haute fidélité.
3. Stratégie d'extrapolation efficace : Intégration d'une méthode de mise à l'échelle basée sur la physique (corrélation de Martin) permettant d'étendre la validité du modèle entraîné à $Re < 2000$ jusqu'à $Re = 10\,000$.
4. Validation expérimentale rigoureuse : Le modèle n'est pas seulement validé par des données CFD, mais aussi par des expériences réelles sur un dispositif physique, confirmant son applicabilité pratique.
5. Réduction drastique du coût computationnel : Le modèle permet une prédiction en temps réel, rendant possible le contrôle basé sur le modèle (MPC) pour des systèmes thermiques complexes.

---

4. Résultats

Performance sur les données de validation (Re < 2000)

• Précision : Les modèles atteignent une très haute précision.
  • Réseau 5x1 : Erreur moyenne normalisée (NMAE) de 1,6 % et une erreur quadratique moyenne (RMSE) de 0,64.
  • Réseau 3x3 : Performance supérieure avec un NMAE de 0,57 % et un RMSE de 0,24. Cette amélioration est attribuée à la plus grande quantité de données d'entraînement générée par les symétries géométriques du réseau 3x3.
• Prédiction globale : Bien que le modèle puisse avoir des difficultés à capturer les fluctuations haute fréquence locales (notamment dans le cas 5x1), il prédit avec une grande fiabilité le nombre de Nusselt moyen global (erreur moyenne < 1,4 % pour le 5x1 et < 0,2 % pour le 3x3).

Performance d'extrapolation (Re = 10 000)

• L'application de la corrélation de mise à l'échelle permet de prédire les champs de nombre de Nusselt à $Re = 10\,000$.
• L'erreur NMAE augmente légèrement (passant de 0,016 à 0,11 pour le 5x1), mais les caractéristiques principales de la distribution thermique sont conservées.
• Les auteurs notent que dans un contexte de contrôle en boucle fermée, les capteurs de température réels peuvent compenser ces erreurs de modélisation.

Validation Expérimentale

• Une expérience a été menée sur le dispositif 5x1 avec un nombre de Reynolds de 10 000.
• Le modèle a été utilisé pour reconstruire la température de la plaque en couplant la prédiction du flux de chaleur (via le CNN) avec une simulation de la plaque solide.
• Résultat : La température reconstruite correspond aux mesures expérimentales avec une erreur moyenne inférieure à 5,8 % après 120 secondes.

---

5. Signification et Perspectives

Ce travail établit une fondation solide pour le contrôle thermique avancé. En démontrant qu'un modèle de substitution basé sur le CNN peut prédire avec précision les interactions complexes entre jets (effets de croisement, zones de recirculation) dans des configurations dynamiques, l'étude ouvre la voie à :

• L'implémentation de stratégies de contrôle en boucle fermée pour des systèmes de refroidissement actifs complexes.
• L'optimisation en temps réel des débits et des configurations de jets pour maintenir des profils de température uniformes ou ciblés.
• L'application dans des secteurs critiques comme l'industrie automobile (batteries), l'aérospatiale (turbines) et la fabrication additive/moulage.

Les auteurs prévoient d'intégrer ce modèle de substitution dans des algorithmes de contrôle basés sur le modèle (Model Predictive Control) pour permettre une modulation dynamique et autonome des systèmes de refroidissement par jets impingents.