To stall-cell or not to stall-cell: Variational data assimilation of 3D mean flow past a stalled airfoil

Cette étude démontre que l'assimilation de données variationnelle tridimensionnelle, lorsqu'elle est combinée à un modèle de turbulence de Spalart--Allmaras et à des mesures PIV planaires éparses, permet de reconstruire avec succès le champ de vitesse moyen 3D complet ainsi que les caractéristiques essentielles des cellules de décrochage sur une aile NACA 0012 en régime post-décrochage.

L'essentiel

La vue d'ensemble : Reconstruire un puzzle 3D à partir de quelques pièces

Imaginez que vous essayez de comprendre la forme d'une sculpture 3D complexe et invisible flottant dans les airs. Vous ne pouvez pas voir l'ensemble d'un seul coup d'œil. Tout ce que vous avez, c'est quelques photographies plates en 2D prises sous des angles spécifiques. Votre objectif est de déterminer à quoi ressemble toute la sculpture 3D en vous basant uniquement sur ces quelques instantanés.

C'est exactement ce que les chercheurs ont fait, mais au lieu d'une sculpture, ils étudiaient l'air s'écoulant au-dessus d'une aile d'avion. Plus précisément, ils observaient un phénomène chaotique appelé « cellules de décrochage ».

Le problème : Le mystère des « cellules de décrochage »

Lorsqu'une aile d'avion s'incline trop (un angle d'attaque élevé), l'air qui s'écoule régulièrement au-dessus d'elle se brise et tourbillonne sauvagement. C'est ce qu'on appelle le « décrochage ». Parfois, ce décrochage ne se produit pas uniformément sur toute l'aile. Au lieu de cela, il forme des bulles distinctes en 3D d'air tourbillonnant qui ressemblent à des champignons ou des « cellules » se déplaçant le long de l'aile.

• Le défi : Pour voir ces cellules, vous avez généralement besoin de caméras 3D coûteuses et haute technologie (comme un scanner CT pour l'air). Mais elles sont difficiles à mettre en place et très lentes.
• La réalité : La plupart des expériences ne prennent que des « tranches » 2D (comme prendre une seule photo d'un pain de mie). Le problème est qu'une seule photo ne vous dit pas comment l'air se déplace sur le côté ni comment les « champignons » sont disposés dans l'espace 3D.
• L'échec de l'ordinateur : Les chercheurs ont essayé d'utiliser des simulations informatiques standard (RANS) pour prédire ces cellules. C'était comme essayer de deviner la forme d'un nuage en regardant un dessin plat ; l'ordinateur prédisait que l'air se séparerait, mais il manquait complètement les formes complexes en 3D de « champignons ».

La solution : La machine de « devinette intelligente »

L'équipe a utilisé une technique appelée Assimilation Variationnelle de Données. Imaginez cela comme un détective surdoué qui possède deux outils :

1. Un manuel de règles : Les lois de la physique (dynamique des fluides) qui disent comment l'air devrait se comporter.
2. Une piste : Quelques photos du monde réel (données expérimentales) montrant ce que l'air a réellement fait à quelques endroits spécifiques.

Le travail du détective est d'ajuster le « manuel de règles » juste assez pour que la prédiction de l'ordinateur corresponde aux photos du monde réel. Mais voici la magie : parce que le détective connaît les lois de la physique (spécifiquement que l'air ne peut pas simplement disparaître ou apparaître de nulle part), l'ordinateur est forcé de « combler les blancs » pour les parties de l'aile où aucune photo n'a été prise.

Comment ils ont fait

1. L'expérience : Ils ont placé une maquette d'aile (NACA 0012) dans une soufflerie et ont pris des photos 2D de l'écoulement de l'air à quatre endroits différents le long de la longueur de l'aile.
2. Les données : Ces photos ont montré que la séparation de l'air était différente à chaque endroit (certains endroits avaient de grosses bulles, d'autres de petites), prouvant que des « cellules de décrochage » en 3D étaient présentes.
3. La reconstruction : Ils ont alimenté ces photos dans leur modèle informatique. Le modèle a ajusté ses « boutons » internes (corrections mathématiques de la turbulence) pour correspondre aux photos.
4. Le résultat : Même s'ils n'ont fourni à l'ordinateur des données que d'une ou deux tranches, l'ordinateur a réussi à reconstruire l'ensemble de la structure 3D des cellules de décrochage.

Résultats clés (Les moments « Aha ! »)

• Une seule tranche suffit (en quelque sorte) : Étonnamment, fournir à l'ordinateur des données d'une seule tranche de l'aile suffisait à retrouver les caractéristiques essentielles des cellules de décrochage, y compris les tourbillons tournoyants.
• Le point idéal : Les meilleurs résultats ont été obtenus lorsqu'ils ont utilisé deux tranches proches l'une de l'autre mais montrant des comportements très différents (une avec une grosse bulle de séparation, une avec une petite). Cela a donné à l'ordinateur une image claire « avant et après » de la façon dont l'air changeait rapidement, lui permettant de construire un modèle 3D très net et détaillé.
• L'ancre : Les chercheurs ont découvert que l'« ancre » de ces cellules 3D (là où le tourbillonnement commence près de l'extrémité de l'aile) était toujours au même endroit, indépendamment des photos utilisées. Cela suggère que la limite physique de l'aile (la plaque de séparation) agit comme un aimant, maintenant la cellule en place, tandis que les photos aident à définir le reste de la forme.
• La pièce manquante : L'ordinateur a déduit le mouvement latéral « manquant » de l'air (qui n'était pas dans les photos) en suivant strictement la loi de continuité (l'air doit s'écouler de manière fluide). Cela a permis aux photos 2D de s'étendre magiquement en une image 3D complète.

La conclusion

Le document prouve que vous n'avez pas besoin d'un scan 3D massif et coûteux pour comprendre un écoulement d'air 3D complexe. Si vous avez un bon modèle physique et seulement quelques instantanés 2D judicieusement placés, vous pouvez mathématiquement « faire pousser » l'image 3D complète.

Dans leurs propres mots, ils ont répondu avec succès à la question : « Décrocher ou ne pas décrocher ? » Oui, en utilisant cette méthode, ils ont pu reconstruire les cellules de décrochage à partir de données éparses, révélant les structures cachées en 3D de « champignons » que les modèles informatiques standard avaient manquées.

Résumé technique

1. Énoncé du problème

La reconstruction d'écoulements turbulents tridimensionnels (3D) complets à partir de mesures expérimentales éparses reste un défi majeur, en particulier pour les écoulements présentant une séparation 3D complexe telle que les cellules de décrochage.

• Limites expérimentales : La Vélocimétrie par Images de Particules (PIV) planaire ne fournit que des données de vitesse à 2 composantes (2D) sur des plans uniques. Elle manque de la composante de vitesse hors-plan, rendant les données intrinsèquement non à divergence nulle, et ne capture souvent qu'une petite portion du volume d'écoulement.
• Limites computationnelles : La Simulation Numérique Directe (DNS) et la Simulation des Grandes Échelles (LES) sont trop coûteuses en calcul pour les écoulements pratiques à haut nombre de Reynolds. Les simulations des équations de Navier-Stokes moyennées de Reynolds (RANS) sont traitables en calcul mais échouent souvent à prédire avec précision le début, l'emplacement et la topologie 3D des cellules de décrochage (structures cohérentes dans la direction de l'envergure) sans correction des données.
• Le vide : Il manque de méthodes capables de reconstruire la physique 3D complète des cellules de décrochage en utilisant uniquement des données expérimentales planaires, 2 composantes et éparse, validées sur des plans non utilisés dans l'assimilation.

2. Méthodologie

Les auteurs emploient l'Assimilation Variationnelle de Données 3D (3DVar DA) dans un cadre d'Inversion de Champ pour corriger un modèle RANS de base à l'aide de données expérimentales éparse.

• Configuration expérimentale :

  • Géométrie : Aile NACA 0012 avec une envergure de 0,75 m et une corde de 0,3 m.
  • Conditions : Nombre de Reynolds $Re_c \approx 450\,000$, Angle d'attaque $\alpha = 14^\circ$.
  • Acquisition des données : Une PIV planaire a été réalisée sur quatre plans dans la direction de l'envergure ($z/c = 1,1, 0,9, 0,71, 0,52$). Les données fournissaient des champs de vitesse moyenne à 2 composantes ($U_x, U_y$).
  • Validation : La stationnarité statistique a été confirmée par un rééchantillonnage par bootstrap, et la cohérence dans la direction de l'envergure a été analysée à l'aide d'une Décomposition Orthogonale aux Propres (POD).

• Cadre computationnel :

  • Modèle de base : Le modèle de turbulence RANS Spalart–Allmaras (SA).
  • Inversion de champ : Un multiplicateur scalaire variant spatialement, $\beta(x, y, z)$, est introduit dans le terme de production de l'équation de transport de la turbulence SA :
    $$\frac{D\tilde{\nu}}{Dt} = \beta(x, y, z)P(\tilde{\nu}, w) + T(\nabla\tilde{\nu}, w) - D(\tilde{\nu}, w)$$
  • Optimisation : L'objectif est de minimiser l'écart entre la solution RANS et les données expérimentales en optimisant $\beta$.
    • Fonction objectif : $J = \frac{1}{2} \| Q(u, \beta) - \tilde{Q} \|^2$, où $\tilde{Q}$ représente les données expérimentales et $Q$ l'opérateur de projection.
    • Résolveur : La méthode adjointe discrète (utilisant DAFoam) calcule les sensibilités, et la Programmation Quadratique Séquentielle (SQP) via SNOPT effectue l'optimisation.
  • Mécanisme clé : Bien que les données expérimentales ne soient que 2D et éparse, l'équation de continuité ($\nabla \cdot \mathbf{U} = 0$) dans le solveur RANS 3D force le développement de la composante de vitesse manquante dans la direction de l'envergure ($U_z$) pour satisfaire la conservation de la masse, reconstruisant ainsi le champ d'écoulement complet 3D.

3. Contributions principales

1. Reconstruction 3D complète à partir de données 2D éparse : L'étude démontre qu'un champ d'écoulement moyen 3D complet, incluant des structures complexes de cellules de décrochage, peut être reconstruit en utilisant des données provenant d'aussi peu que un ou deux plans dans la direction de l'envergure de données PIV à 2 composantes.
2. Validation sur des données non vues : Contrairement à de nombreuses études basées sur les données, la qualité de la reconstruction a été évaluée sur des plans dans la direction de l'envergure qui n'ont pas été utilisés dans le processus d'assimilation, prouvant la capacité de la méthode à généraliser les corrections sur tout le domaine.
3. Insight sur le placement des données : L'article quantifie comment le nombre et le placement des plans de référence affectent la reconstruction. Il identifie que deux plans proches l'un de l'autre mais présentant des étendues de séparation nettement différentes produisent la reconstruction de cellules de décrochage la plus compacte et précise.
4. Rôle des conditions aux limites : L'étude met en évidence le rôle complémentaire des conditions aux limites computationnelles (spécifiquement le plan de symétrie/la plaque séparatrice) dans l'ancrage de la structure des cellules de décrochage, agissant de concert avec les données expérimentales éparse.

4. Résultats clés

• Échec du modèle de base : Le modèle SA de base n'a pas réussi à prédire les cellules de décrochage, montrant une ligne de séparation uniforme et manquant des tourbillons contre-rotatifs caractéristiques, malgré la présence d'effets 3D faibles.
• Reconstruction des cellules de décrochage :
  • Les écoulements assimilés ont récupéré avec succès les tourbillons streamwise contre-rotatifs et les points focaux sur la surface d'aspiration, caractéristiques des cellules de décrochage.
  • Longueur d'onde dans l'envergure : Les cellules de décrochage reconstruites ont présenté des longueurs d'onde ($\lambda_z$) comprises entre $1,3c$ et $1,6c$, cohérentes avec les valeurs de la littérature.
  • Topologie des tourbillons : Les lignes de courant volumiques ont révélé une structure tourbillonnaire en forme d'« arche » ou de U inversé reliant les points focaux de surface, cohérente avec les observations expérimentales précédentes des cellules de décrochage.
• Performance des cas d'assimilation :
  • Cas à plan unique : L'utilisation d'un seul plan (par exemple $z/c=0,71$ ou $0,52$) a amélioré le champ d'écoulement sur les plans non assimilés. Cependant, l'emplacement du noyau du tourbillon extérieur variait en fonction de la proximité du plan de données par rapport à la frontière.
  • Cas à double plan : Le cas utilisant deux plans ($z/c=1,1$ et $0,9$) qui étaient proches dans l'espace mais présentaient des étendues de séparation différentes a produit la structure de cellules de décrochage la plus robuste et compacte.
  • Ancrage intérieur : Dans tous les cas, le point focal intérieur de la cellule de décrochage s'est formé de manière cohérente à $z/c \approx 0,5\text{--}0,6$, démontrant que la condition aux limite de symétrie ancre efficacement une extrémité de la structure indépendamment du placement des données.
• Réduction de l'erreur : Des réductions significatives de l'erreur de norme $L_1$ ont été observées sur les plans de référence et non de référence, en particulier dans les couches de cisaillement et les zones de recirculation.

5. Importance

Ce travail comble le fossé entre les mesures expérimentales éparse et la physique des écoulements 3D haute fidélité. Il prouve que l'assimilation variationnelle de données peut surmonter les limites de la PIV planaire (manque de données 3D et contraintes de divergence nulle) en exploitant les équations gouvernant la dynamique des fluides.

Les résultats sont significatifs pour :

• Conception aérodynamique : Fournir une méthode rentable pour caractériser des phénomènes de séparation 3D complexes (cellules de décrochage) sans nécessiter de mesures volumiques coûteuses (comme la PIV tomographique) ou de DNS prohibitifs.
• Correction de modèle : Valider la chaîne de traitement Field Inversion and Machine Learning (FIML) pour la correction des modèles de turbulence dans les écoulements séparés 3D.
• Stratégie expérimentale : Offrir des lignes directrices aux expérimentateurs, suggérant qu'un placement stratégique de quelques plans de mesure (spécifiquement ceux capturant des états de séparation variables) suffit à reconstruire la topologie globale de l'écoulement 3D.

En conclusion, l'article démontre que « to stall-cell or not to stall-cell » est une question qui peut être résolue en combinant des données expérimentales minimales avec une assimilation variationnelle de données, récupérant avec succès la physique 3D complète des cellules de décrochage à partir d'entrées 2D éparse.