Les ailes à grand allongement (High Aspect Ratio Wings, HARW) constituent une technologie prometteuse pour les aéronefs de nouvelle génération. Elles offrent une meilleure efficacité aérodynamique, permettant de réduire la consommation de carburant ainsi que les émissions de carbone.
Cependant, aux premières étapes de conception, les modèles structurels ne sont souvent pas suffisamment matures. Cela crée un écart épistémique entre les simulations numériques idéalisées et le comportement réel. De telles divergences peuvent compromettre les performances en vol. Par conséquent, les ingénieurs doivent procéder à des ajustements supplémentaires de la géométrie de l’aile afin d’obtenir les performances souhaitées.
Ainsi, la motivation de cette thèse est de concevoir des formes aérodynamiques moins sensibles aux variations géométriques. Pour atteindre cet objectif, nous étudions des cadres de conception robuste, avec un accent particulier sur l’optimisation robuste. En intégrant la quantification des incertitudes dans le processus d’optimisation, l’optimisation robuste permet de développer des conceptions plus fiables et plus résilientes.
L’optimisation aérodynamique basée sur les gradients et utilisant la méthode adjointe est une approche mature et efficace, qui s’est révélée performante même aux premiers stades de la conception de formes. Cependant, elle opère dans un espace de conception de grande dimension, car la représentation précise des formes aérodynamiques nécessite un grand nombre de variables de conception afin de capturer les phénomènes physiques pertinents. Par conséquent, le processus d’optimisation peut devenir coûteux en calcul. De plus, lorsque la propagation des incertitudes est effectuée à chaque itération, le coût de calcul de l’optimisation robuste augmente fortement.
Cette thèse propose donc de nouvelles stratégies visant à réduire la charge computationnelle de l’optimisation robuste. Une approche multi-niveaux a été développée afin d’améliorer les taux de convergence. Par ailleurs, l’intégration de techniques de réduction de dimension et de modèles de substitution (surrogates) a été étudiée afin de réduire le nombre d’échantillons nécessaires à la propagation des incertitudes.
Cette thèse démontre la faisabilité de l’optimisation robuste de formes aérodynamiques sous incertitudes géométriques. Les approches développées sont d’abord évaluées sur un cas test analytique utilisant une fonction de Rosenbrock à 100 dimensions avec 10 variables de conception incertaines, puis appliquées à la configuration aile-fuselage DLR-F25 comportant 94 variables de conception, selon deux scénarios.
Dans le premier scénario, quatre variables de conception sont considérées comme incertaines. Afin de mettre davantage à l’épreuve la méthodologie proposée, un second scénario est introduit, dans lequel l’espace des incertitudes est élargi pour inclure des paramètres supplémentaires non optimisés.
|
High Aspect Ratio Wings (HARW) are a promising technology for next-generation aircraft. They offer improved aerodynamic efficiency, reducing fuel consumption and carbon emissions.
However, during the early design stages, structural models are often not sufficiently mature. This creates an epistemic gap between idealized numerical simulations and real-world behavior. Such discrepancies can compromise in-flight performance. As a result, engineers must perform additional fine-tuning of the wing geometry to achieve the desired performance.
Hence, the motivation of this thesis is to design aerodynamic shapes that are less sensitive to geometric variations. To achieve this goal, we investigate robust design frameworks, with a particular focus on robust optimization. By incorporating uncertainty quantification into the optimization process, robust optimization enables the development of more reliable and resilient designs.
Gradient-based aerodynamic optimization using the adjoint method is a mature and efficient approach that has proven effective even during the early stages of shape design. However, it operates in a high-dimensional design space because accurate representation of aerodynamic shapes requires a large number of design variables to capture the relevant physical phenomena. Consequently, the optimization process can be computationally expensive. Moreover, when uncertainty propagation is performed at every optimization iteration, the computational cost of robust optimization increases significantly.
This thesis therefore proposes novel strategies to reduce the computational burden of robust optimization. A multilevel approach has been developed to improve convergence rates. Furthermore, incorporating dimension reduction technique to surrogate model techniques to reduce the number of samples required for uncertainty propagation has been assessed.
This thesis demonstrates the feasibility of robust aerodynamic shape optimization under geometric uncertainties. The developed approaches are first assessed on an analytical test case using a 100-dimensional Rosenbrock function with 10 uncertain design variables, and then applied to the DLR-F25 wing-body configuration with 94 design variables, across two scenarios.
In the first scenario, four design variables are considered uncertain. To further challenge the proposed methodology, a second scenario is introduced in which the uncertain space is expanded to include additional non-optimized parameters.
|