Grant: Discovery Grants Program - Individual
École de technologie supérieure
$27,000.00
Améliorer les modèles de prédiction du givrage aéronautique à l'aide de l'intelligence artificielle
EF 2022-23
Résumé
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.
Programme
Discovery Grants Program - Individual
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
RGPIN-2022-03007
Name nom
Morency, François
Department département
Génie mécanique - Génie mécanique
Organization id
53
Institution établissement
École de technologie supérieure
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2022
Competition year année de concours
2022
Award amount
27000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
DISCOVERY RESEARCH
Group fr
RECHERCHE AXÉE SUR LA DÉCOUVERTE
Committee code
1512
Committee name en
Mechanical Engineering
Committee name fr
Génie mécanique
Area of application code
512
Area of application group en
Manufacturing processes and products
Area of application group fr
Procédés et produits industriels
Area of application en
Transport equipment
Area of application fr
Matériel de transport
Research subject code
2100
Research subject group en
Mechanical engineering
Research subject group fr
Génie mécanique
Research subject en
Mechanical engineering
Research subject fr
Génie mécanique
Installment
inst:1
Partie
1
Nb partie
5
Application title
Améliorer les modèles de prédiction du givrage aéronautique à l'aide de l'intelligence artificielle
Application summary
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.