Financement : ANR NETHUNS
La modélisation de la turbulence est un enjeu majeur pour les industriels. Ceci est particulièrement vrai dans le domaine de l’hydroélectricité. En effet, la présence d’énergies intermittentes pousse les constructeurs à concevoir des turbines évoluant dans des plages de fonctionnement bien plus étendues qu’auparavant. Ces nouveaux points de fonctionnement sont souvent synonymes de phénomènes complexes nécessitant une modélisation fine de la turbulence. Afin d’être le plus prédictif possible, les équipes de recherche et développement s’orientent vers la simulation aux grandes échelles ou en anglais Large Eddy Simulation (LES) pour remplacer les méthodes classiques RANS (Reynolds Averaged Navier-Stokes équations). Néanmoins, les calculs LES sont aujourd’hui trop coûteux pour être utilisés quotidiennement au sein des bureaux d’études, notamment dans le cadre d’études paramétriques qui nécessitent un grand nombre d’évaluations numériques.
L’objectif de ce travail est d’améliorer l’efficacité de ces études paramétriques en utilisant une approche multi-fidélité. En tenant compte du coût de calcul de chaque méthode de modélisation de la turbulence, les modèles de multi-fidélité permettent de combiner un nombre limité de résultats LES avec un plus grand nombre de simulations RANS. Ces méthodes utilisent des réseaux de neurones artificiels ou en anglais Artificial Neural Networks (ANN) qui sont particulièrement efficaces pour saisir les relations complexes entre les niveaux de fidélité et gérer les éventuelles discontinuités dans les fonctions évaluées. De plus, notre méthode se base sur une nouvelle stratégie d’échantillonnage adaptative qui sélectionne les points LES haute fidélité à évaluer. Cette stratégie adaptative améliore la précision de la méthode multi-fidélité en allouant efficacement les ressources de calcul là où elles sont le plus nécessaires.
Cette méthode est illustrée ici dans la configuration de l’étude du coefficient de portance d’un profil NACA0012 en fonction de son angle d’attaque. Les simulations sont effectuées avec le solver Yales2 qui utilise une formulation en volumes finis, des schémas numériques d’ordre élevé et des stratégies d’adaptation de maillage non structurés adapté aux configurations industriels complexes. Les résultats basse fidélité sont issus de simulations RANS utilisant le modèle de Spalart-Allmaras tandis que les résultats haute fidélité sont obtenus avec une modélisation LES basée sur le modèle de turbulence sigma. La figure ci-dessous illustre les résultats de cette méthode. On y trouve une évaluation précise de la fonction basse fidélité grâce aux 30 évaluations RANS, représentées en rouge. Ensuite, les 5 points haute fidélité LES qui sont utilisés dans la prédiction multi-fidélité sont représentés en bleu. La prédiction multi-fidélité, qui combinent ces différentes données, est représentée par la ligne noire. On remarque que cette prédiction à l’allure de la fonction basse fidélité, tout en passant par les points haute fidélité bleus. Afin de valider la méthode, d’autres points haute fidélité LES ont été évalués et sont représentés en orange. On observe que la prédiction multi-fidélité est proche de ces points, ce qui montre la pertinence de cette approche. Il aura donc fallu uniquement 5 points LES pour obtenir une description fine du coefficient de portance du profil NACA, bien que celui-ci possède une allure complexe présentant une discontinuité. Cela a été possible en exploitant la modélisation RANS, qui malgré son manque de précision, détient pour autant des informations pertinentes sur la nature de l’écoulement.
- Coefficient de portance en fonction de l’angle d’attaque évalué à l’aide d’une méthode multi-fidélité combinant résulats LES et RANS. Les symboles rouges correspondent aux données basse fidélité (RANS). La ligne noire correspond à la prédiction multi-fidélité. Les symboles bleus correspondent aux données haute fidélité (LES) utilisées pour la prédiction multi-fidélité. Les symboles oranges correspondent à des données haute fidélité (LES) utilisées pour la validation. Les croix noires correspondent aux données DNS issues de la litérature.
Publications
Peer-reviewed Publications
2025
