ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Un actionneur d’aile déformable novateur grâce à l’IA - Par : Shehryar Khan, Ruxandra Botez, Teodor Lucian Grigorie,

Un actionneur d’aile déformable novateur grâce à l’IA


Shehryar Khan
Shehryar Khan est assistant de recherche et étudiant au doctorat à l’ÉTS. Ses recherches portent principalement sur la conception de modèles de systèmes électromécaniques et sur l’élaboration de stratégies d’asservissement.

Ruxandra Botez
Ruxandra Mihaela Botez est professeure au Département de génie des systèmes à l’ÉTS. Elle est spécialiste en modélisation et simulation de vols d’aéronefs, d’hélicoptères, de systèmes de vol, et d’ailes déformables.

Teodor Lucian Grigorie
Teodor Lucian Grigorie Profil de l'auteur(e)
Teodor Lucian Grigorie est professeur adjoint à l’Université de Craiova en Roumanie, dans le département de génie électrique, énergétique et aérospatial. Depuis 2014, il est professeur associé à l’ÉTS.

Avion en vol

De julesfuel.com. Aucune restriction de droits d’auteur connue.

RÉSUMÉ:

Dans le cadre d’un deuxième grand projet visant à réduire la consommation de carburant par les techniques d’ailes déformables, le MDO 505 (Multi-Disciplinary Optimization 505), l’équipe du LARCASE entreprend de nouvelles recherches sur les technologies d’ailes déformables au moyen de tests sur une aile réelle d’avion régional. L’aile équipée d’un aileron se déforme à l’aide d’un nouveau mécanisme d’actionnement, inspiré des moteurs électriques BLDC et fabriqués à l’ÉTS. La modélisation d’un nouvel actionneur de déformation de même que l’élaboration de méthodes intelligentes de commande constituent l’avancée principale du projet.

INTRODUCTION

Les statistiques de transport aérien réalisées par l’Organisation de l’aviation civile internationale (OACI) indiquent que 4,3 milliards de passagers ont opté pour le transport aérien en 2018, soit une augmentation de 6,1 % par rapport à 2017. L’aviation produit 2 % des émissions mondiales de carbone, toutes sources confondues. Quant à l’industrie du transport à elle seule, l’aviation compte pour 12 % des émissions sur les 74 % produits par cette industrie.

En outre, selon le New York Times, un seul voyage de New York à la Californie génère la même quantité d’émissions qu’une voiture au cours d’une année entière. Selon certaines estimations, 20 000 avions volent chaque année desservant environ 3 milliards de passagers et l’on prévoit que, d’ici 2040 [13], 50 000 avions seront dans les airs. Une telle augmentation va nuire au climat et mettre en danger les êtres vivants, à la fois sur la Terre et dans les océans.

Si vous faites partie de ces personnes qui volent souvent, vous contribuez aux émissions mondiales de carbone. La grande question est la suivante : comment réduire les émissions mondiales de carbone? En fait, pour les voyages plus longs, la voie aérienne est préférable, car les avions consomment moins de carburant en phase de croisière qu’au décollage et à l’atterrissage. Selon la NASA, 25 % des émissions de CO2 des avions proviennent des phases de décollage, d’atterrissage et de déplacement au sol [13].

Émissions de carbone durant un vol

Figure 1. Schéma d’émissions de carbone des avions [1]

Comme voyageur aérien, l’achat de crédits carbone peut contribuer à contrer l’augmentation du carbone. Ces crédits soutiennent des projets mondiaux de reboisement pour réduire les émissions existantes de CO2

Suivant l’adoption de la feuille de route technologique de l’OACI, divers groupes de recherche et industries du monde entier cherchent à développer des technologies aéronautiques pour réduire les émissions de carbone. Le Laboratoire de recherche en commande active, avionique et aéroservoélasticité (LARCASE) a lancé l’un de ces projets, le CRIAQ MDO 505.

MODÈLE EXPÉRIMENTAL D’AILE DÉFORMABLE

Le projet avait pour but de développer une technologie déformable en vue d’améliorer l’écoulement laminaire aux bouts d’aile. Le modèle expérimental, fabriqué à l’ÉTS, est un bout d’aile d’avion commercial grandeur nature pour avion réel et comprend l’aileron (figure 2). En effet, il a la même structure et la même rigidité que celles d’une aile d’avion commerciale.

Pour fabriquer le modèle déformable, le choix s’est porté sur une surface supérieure flexible en matériaux composites. La commande est assurée par un système à quatre actionneurs électriques, disposés en deux lignes, placées respectivement à 32 % (act. no 1 et act. no 3) et à 48 % (act. no 2 et act. no 4) de la corde (figure 3).

Afin de surveiller l’écoulement de l’air sur la surface supérieure de l’aile, 32 capteurs de pression Kulite à haute précision ont été installés sur le revêtement flexible. Les données de pression mesurées et traitées en temps réel procurent des informations dans la zone de transition de l’écoulement laminaire à turbulent. Les transformations de Fourier (FFT) rapides des données de pression étaient visualisées en temps réel. La thermographie infrarouge (IR) a aussi été utilisée pour évaluer l’emplacement de la région de la transition de l’écoulement laminaire à turbulent, mais cette fois-ci sur toute la surface supérieure de l’aile et pas seulement au niveau des capteurs de pression.

Modèle expérimental d’une aile déformable

Figure 2. Modèle expérimental d’aile déformable testé en soufflerie au CNRC

Dans le précédent projet CRIAQ 7.1 de l’équipe du LARCASE, les actionneurs de déformation étaient en alliages à mémoire de forme (SMA) [2] – [6]. Même si un meilleur écoulement laminaire a été constaté à la fois par simulations et expérimentalement, la réponse des actionneurs était lente en refroidissement en raison de la nature spécifique des alliages à mémoire de forme (SMA). Enrichie de l’expérience CRIAQ 7.1, l’équipe du LARCASE s’est tournée vers les technologies de « l’avion plus électrique ». Elle a décidé de concevoir un actionneur de déformation inspiré du moteur C.C. sans balais, le premier du genre, comme le montre la figure suivante.

Actionneur d’aile déformable

Figure 3. (a) Actionneur d’aile déformable et (b) quatre actionneurs sur les deux lignes d’actionnement

STRATÉGIE DE COMMANDE

L’équipe a effectué des analyses aérodynamiques en 2D et en 3D et des optimisations à l’aide des logiciels Fluent et X-Foil pour diverses conditions de vol correspondant à plusieurs nombres de Mach (M), angles d’attaque (α) et angles de braquage des ailerons (δ). Elle a défini les valeurs optimales de déplacement des quatre actionneurs pour chaque condition de vol. L’analyse aérodynamique avait pour objectif de déterminer, pour chaque situation de vol, les positions des actionneurs susceptibles d’améliorer l’écoulement laminaire sur l’aile pour une condition de vol. La figure 4 [7] illustre une des situations étudiées sur une carte de Monte-Carlo affichant les résultats de l’optimisation. La carte montre toutes les combinaisons possibles de déplacements des deux actionneurs, essentiellement tous les résultats possibles, de même que les résultats optimisés afin d’estimer la précision du code d’optimisation.

Valeurs optimales pour α, M, et δ

Figure 4. Carte de Monte-Carlo incluant les résultats d’optimisation pour la condition de vol α = 2°, M = 0,2 et δ = 4°

L’avancement principal du projet a consisté dans la modélisation du nouvel actionneur dd déformation et dans l’élaboration des méthodes intelligentes de commande s’y rapportant (figure 6.a) pour maintenir les valeurs des déplacements des actionneurs dans la plage souhaitée de –3 mm à 3 mm [8] – [12]. Les réseaux de neurones s’inspirent du cerveau humain, où des millions de neurones sont interconnectés et effectuent des processus complexes de prises de décision (figure 6.b).

Actionneur déformable

Figure 5. Modélisation et commande d’actionneur de déformation Matlab/Simulink

Neurone d’un cerveau humain

Figure 6. Neurones du cerveau humain

La méthode utilisée, faisant partie de la branche de l’IA appelée technique d’apprentissage supervisé, se nomme ANFIS. Les données nécessaires étaient saisies par le contrôleur classique pour alimenter un contrôleur neuro-flou artificiel. La méthode ANFIS associe la capacité d’apprentissage des réseaux de neurones à la capacité de raisonnement de la commande floue. La figure 7 représente les étapes de conception du contrôleur flou à l’aide d’ANFIS. Cinq fonctions d’appartenance ont servi à l’entraînement d’ANFIS pour chaque ensemble de données positions et des commandes du courant. La figure 8 montre l’entraînement du contrôleur flou de position à l’aide d’ANFIS.

Déroulement ANFIS

Figure 7. Étapes de création ANFIS

Données d’entraînement du contrôleur de position floue

Figure 8. Entraînement du contrôleur flou de position à l’aide d’ANFIS

RÉSULTATS DU CONTRÔLEUR

La figure 9 présente l’architecture des tests du mécanisme d’actionnement de l’aile déformable; la figure 10 illustre les déplacements obtenus pour l’un des quatre actionneurs pour un signal d’entrée en échelon, passant de –3 mm à 3 mm.

Architecture du montage expérimental

Figure 9. Architecture du montage expérimental

Position d’actionneur

Figure 10. Positions obtenues pour un actionneur entre 3 mm et –3 mm

La thermographie infrarouge (IR) a permis d’estimer l’emplacement de la transition du régime laminaire au régime turbulent sur la surface supérieure de l’aile déformable. La figure 11 présente une évaluation IR du déplacement de la position de cette transition lorsque l’aile se déforme. Pour le cas de l’écoulement présenté ici, le déplacement de la transition produit un  gain d’environ 6 % sur la corde.

Évaluation IR du déplacement de la transition laminaire à turbulent

Figure 11. Évaluation IR du déplacement de la transition lorsque l’aile est déformée

Le film suivant montre en temps réel le changement de couleur de l’aile analysée pendant la déformation en utilisant l’ infrarouge.

Évaluation en temps réel de la position de la transition à l’aide de l’infrarouge

CONCLUSION

Pour la majorité des tests en soufflerie, l’équipe du projet de recherche a observé que la technologie de déformation de l’aile améliorait la position moyenne de la transition de l’écoulement laminaire à turbulent sur toute l’aile, engendrant un gain de plus de 2,5 % sur la corde. Par conséquent, il semble probable que, pour les générations futures d’avions, la technologie d’aile déformable offrira une solution de remplacement à l’aile commandée actuellement utilisée.

Information supplémentaire

Shehryar Khan, Teodor Lucian Grigorie, Ruxandra Mihaela Botez, Mahmoud Mamou, Youssef Mébarki, “Fuzzy logic based control for a morphing wing-tip actuation system:design, numerical simulation and wind tunnel experimental testing” published as a special issue in the “Morphing Aircraft Systems”, journal of biomimetics, 2019, 4, 65.

Shehryar Khan

Profil de l'auteur(e)

Shehryar Khan est assistant de recherche et étudiant au doctorat à l’ÉTS. Ses recherches portent principalement sur la conception de modèles de systèmes électromécaniques et sur l’élaboration de stratégies d’asservissement.

Programme : Génie de la production automatisée 

Chaire de recherche : Chaire de recherche du Canada en technologies de modélisation et simulation des aéronefs 

Laboratoires de recherche : LARCASE – Laboratoire de recherche en commande active, avionique et aéroservoélasticité 

Profil de l'auteur(e)

Ruxandra Botez

Profil de l'auteur(e)

Ruxandra Mihaela Botez est professeure au Département de génie des systèmes à l’ÉTS. Elle est spécialiste en modélisation et simulation de vols d’aéronefs, d’hélicoptères, de systèmes de vol, et d’ailes déformables.

Programme : Génie de la production automatisée  Génie aérospatial 

Chaire de recherche : Chaire de recherche du Canada en technologies de modélisation et simulation des aéronefs 

Laboratoires de recherche : LARCASE – Laboratoire de recherche en commande active, avionique et aéroservoélasticité 

Profil de l'auteur(e)

Teodor Lucian Grigorie

Profil de l'auteur(e)

Teodor Lucian Grigorie est professeur adjoint à l’Université de Craiova en Roumanie, dans le département de génie électrique, énergétique et aérospatial. Depuis 2014, il est professeur associé à l’ÉTS.

Programme : Génie de la production automatisée  Génie aérospatial 

Chaire de recherche : Chaire de recherche du Canada en technologies de modélisation et simulation des aéronefs 

Laboratoires de recherche : LARCASE – Laboratoire de recherche en commande active, avionique et aéroservoélasticité 

Profil de l'auteur(e)