Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

Dans le monde de l'aviation, le moteur est le cœur, mais le compresseur est les poumons. Ce composant, un empilement de pales tournantes à l'intérieur d'un tube métallique, doit aspirer l'air, le comprimer intensément et le pousser vers la chambre de combustion avec une efficacité incroyable. Si l'air ne s'écoule pas de manière fluide, le moteur peut décrocher, perdre de la puissance ou même tomber en panne. Depuis des décennies, les ingénieurs s'appuient sur deux outils principaux pour comprendre cet écoulement complexe : les expériences physiques en soufflerie et les simulations informatiques. Les expériences sont précises mais coûteuses et difficiles à réaliser à l'intérieur d'une machine tournante. Les simulations informatiques sont peu coûteuses et flexibles, mais elles peinent souvent à prédire avec une précision parfaite la turbulence chaotique et tourbillonnante de l'air. Le défi a toujours été de tirer le meilleur des deux mondes : la fiabilité des données du monde réel et la vue d'ensemble d'un modèle informatique, sans dépenser une fortune ou attendre des années pour obtenir des résultats.

Une équipe de chercheurs d'Arts et Métiers en France a développé une nouvelle façon de combler ce fossé, en se concentrant sur un compresseur d'essai spécifique connu sous le nom de CME2. Ils ont créé un système hybride qui combine d'abord des mesures expérimentales limitées avec des simulations informatiques pour construire une image hautement précise de l'écoulement de l'air. Ensuite, ils ont appris à un programme informatique à apprendre de cette image améliorée, créant ainsi un outil capable de prédire l'écoulement avec précision de manière autonome à l'avenir. L'objectif était de corriger les erreurs des simulations informatiques standards afin qu'elles puissent égaler la qualité des expériences coûteuses, mais sans avoir besoin que les expériences soient présentes à chaque fois qu'un nouveau calcul est effectué.

Les chercheurs ont commencé avec un banc d'essai de compresseur à un seul étage à Lille, en France. Cette machine fait tourner un rotor doté de trente pales et un ensemble stationnaire de quarante pales. Pour voir ce qui se passait à l'intérieur, ils ont utilisé une technique appelée Vélocimétrie par Image de Particules (PIV). Cette méthode consiste à injecter des particules de fumée minuscules dans l'air et à projeter une feuille de laser à travers la machine pour les illuminer. Une caméra haute vitesse capture le mouvement de ces particules, permettant à l'équipe de cartographier la vitesse de l'air à trois coupes spécifiques le long de la hauteur des pales. Cependant, ces mesures n'existent qu'à ces trois fines tranches ; le reste de la machine demeure une zone aveugle.

Pour combler les lacunes, l'équipe a lancé des simulations informatiques utilisant deux niveaux de détail différents. Une simulation était un modèle stationnaire, simplifié, qui s'exécutait rapidement mais manquait certains détails complexes et changeants de l'écoulement. L'autre était une simulation instationnaire beaucoup plus détaillée, qui capturait la turbulence tourbillonnante mais nécessitait une puissance de calcul massive et présentait encore des inexactitudes. Les chercheurs ont ensuite utilisé une méthode statistique appelée assimilation de données pour fusionner ces trois sources d'information : les mesures laser éparses, la simulation rapide et la simulation détaillée. Ce processus a agi comme un filtre intelligent, prenant les prédictions informatiques approximatives et les ajustant pour qu'elles correspondent aux données laser réelles là où elles existaient, tout en utilisant la physique des modèles informatiques pour remplir le reste de la machine. Le résultat fut une carte complète et de haute qualité de l'écoulement de l'air, bien plus précise que n'importe quelle source prise isolément.

Avec cette nouvelle carte supérieure en main, les chercheurs ont été confrontés à un nouveau défi. Le processus d'assimilation de données était puissant, mais il nécessitait la présence des mesures laser lors du calcul. Ils voulaient un outil capable de produire ce même résultat de haute qualité sans avoir besoin des données laser à chaque fois. Pour y parvenir, ils se sont tournés vers l'apprentissage automatique (machine learning). Ils ont entraîné un réseau de neurones, un type de programme informatique conçu pour reconnaître des formes, en utilisant les données de leur carte améliorée. Le programme a appris à observer les caractéristiques locales de l'écoulement, telles que la vitesse de l'air et la rapidité avec laquelle cette vitesse change, puis à prédire un terme de correction. Ce terme de correction était essentiellement une « poussée » mathématique qui pouvait être ajoutée aux équations informatiques standards pour les forcer à se comporter davantage comme l'écoulement réel de haute qualité.

Lorsqu'ils ont testé ces outils d'apprentissage automatique, les résultats étaient prometteurs mais ont révélé une limitation critique. Lorsque l'outil était entraîné sur les données du milieu de la pale, il fonctionnait très bien dans cette région, réduisant l'erreur de manière significative par rapport à la simulation standard. Cependant, lorsque l'outil entraîné sur le milieu de la pale était appliqué à l'extrémité de la pale, ou inversement, les prédictions devenaient peu fiables. Dans la zone la plus complexe, près des extrémités de pales où l'air tourbillonne violemment, un seul modèle d'apprentissage automatique entraîné sur une partie de la machine rendait en réalité la simulation informatique pire qu'elle ne l'était auparavant. Le modèle ne parvenait tout simplement pas à généraliser ses connaissances à un environnement physique aussi différent.

Pour résoudre ce problème, les chercheurs ont développé une stratégie connue sous le nom de « mélange d'experts » (mixture of experts). Au lieu de compter sur un seul programme informatique omniscient, ils ont créé un système qui agit comme un contrôleur de trafic. Ce contrôleur observe l'emplacement à l'intérieur de la machine et décide quel outil d'apprentissage automatique spécialisé est le mieux adapté à cet endroit précis. Si l'air est proche du moyeu, il utilise l'outil entraîné sur les données du moyeu ; s'il est près de l'extrémité, il passe à l'outil entraîné sur les données de l'extrémité. En combinant ces experts spécialisés, le système pouvait maintenir une grande précision sur toute la machine. Le résultat final fut un modèle qui réduisait l'erreur de la simulation informatique à un niveau très proche de la carte d'assimilation de données de haute qualité, mais sans nécessiter de données expérimentales lors du calcul.

L'étude démontre que, bien que l'apprentissage automatique puisse améliorer considérablement les simulations informatiques de machines complexes, un seul modèle est souvent insuffisant pour gérer toutes les situations. En combinant les forces de l'assimilation de données avec un système intelligent qui bascule entre des outils d'apprentissage spécialisés, les chercheurs ont créé une méthode robuste qui préserve la précision, même dans les régions les plus difficiles de l'écoulement. Cette approche offre une voie d'avenir pour la conception de moteurs d'avions plus efficaces et plus sûrs, permettant aux ingénieurs de s'appuyer sur des modèles informatiques aussi dignes de confiance que les expériences physiques, mais beaucoup plus rapides et moins coûteux à utiliser.