ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Un drone à ailes déformables pour augmenter l’aérodynamisme - Par : Musavir Bashir, Simon Longtin-Martel, Ruxandra Botez, Tony Wong,

Un drone à ailes déformables pour augmenter l’aérodynamisme


Musavir Bashir
Musavir Bashir est doctorant au Département d’ingénierie des systèmes de l’ÉTS. Il détient un baccalauréat en génie aérospatial de l’Indian Institute of Aeronautical Engineering et une maîtrise de l’University Sains Malaysia.

Simon Longtin-Martel
Simon Longtin-Martel Profil de l'auteur(e)
Simon Longtin-Martel détient un baccalauréat en génie de l’ÉTS et est étudiant à la maîtrise au Département d’ingénierie des systèmes de l’ÉTS. Il travaille sur l’optimisation de la conception aérodynamique de l’UAS-S45.

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.

Tony Wong
Tony Wong est professeur au Département de génie des systèmes à l’ÉTS. Ses intérêts de recherche sont les algorithmes d’optimisation multicritères évolutionnaires, l’’apprentissage machine et la programmation parallèle.

Drone UAS-S45 de Hydra Technologies

L’image est utilisée avec la permission de Hydra. Droits d’auteur.

RÉSUMÉ:

Les véhicules aériens sans pilote (UAV) doivent atteindre des performances aérodynamiques optimales (rapport maximal entre la portance et la traînée) et sous de multiples conditions en raison de leurs nombreux domaines de vol. Des dispositifs hypersustentateurs dans les UAV augmenteront leurs domaines de vol et prolongeront leur endurance. Pour relever ces défis, l’équipe du LARCASE étudie le recours en continu à des dispositifs hypersustentateurs par le biais de la technologie de l’aile déformable et d’un modèle d’optimisation aérodynamique adapté au système autonome de vol UAS-S45. L’objectif de cette recherche est de développer les meilleures formes possibles d’ailes déformables tout en minimisant la traînée et en maximisant l’endurance de l’UAS-S45. Différents algorithmes d’optimisation et des solveurs efficaces ont permis à l’équipe LARCASE d’obtenir une aile capable d’augmenter le rapport portance-traînée et, donc, une meilleure performance aérodynamique pour l’UAS-S45. Mots-clés : Aile, déformable, optimisation du bord d’attaque et du bord de fuite, paramétrage, algorithme d’essaims particulaires, UAS-S45.

Technologies d’ailes déformables avancées

L’obligation de réduire la consommation mondiale de carburant et des émissions qui y sont liées exerce une pression énorme sur l’industrie aéronautique [1]. La réduction de la consommation de carburant sera bénéfique à la fois pour l’environnement mondial et pour le secteur du transport aérien. Selon l’Air Transport Action Group (ATAG), réduire la consommation de carburant sera un atout majeur pour le transport aérien, le carburant étant le principal coût d’exploitation de cette industrie [1]. Particulièrement engagés et motivés, des chercheurs du Laboratoire de recherche en commande active, avionique et aéroservoélasticité (LARCASE) travaillent sur les méthodes qui permettront de réduire la consommation de carburant des aéronefs [2-9], dont la technologie de l’aile déformable, très prometteuse. La figure 1 montre l’UAS-S45 et plusieurs configurations déformables offrant de meilleures performances aérodynamiques que les configurations classiques.

Possibilités de déformation d’un drone

Figure 1 – L’UAS-S45 et ses configurations possibles de déformation

Les technologies avancées de déformation en aviation sont étudiées dans le monde entier. Par exemple, les programmes Active Flexible Wing et Mission Adaptive Wing de la NASA [10] [11], une initiative de l’Union européenne nommée New Aircraft Concepts Research (NACRE) et le projet Smart Intelligent Aircraft Structures (SARISTU) [12] [13] financé dans le cadre du programme Clean-Sky, ne sont que quelques-uns des projets et programmes de recherche récents bien connus.

Au Canada, d’importantes contributions dans le domaine des aéronefs déformables ont été réalisées dans le cadre du projet de structures intelligentes optimisées pour les missions (Mission Optimized Smart Structures, MOSS) du Conseil national de recherches du Canada [16]. Mentionnons aussi les projets CRIAQ 7.1, Amélioration de l’écoulement laminaire sur une aile aéroélastique du LARCASE et le CRIAQ MDO 505, Architectures et technologies déformables pour l’amélioration des performances des ailes, qui s’inscrit dans la continuité du projet CRIAQ 7.1. Les réalisations des projets internationaux canado-italiens CRIAQ MODO 505 sont également mentionnées dans diverses publications du LARCASE. [17] [18]. Les lois de commande des ailes déformables avec actionneurs électriques ont été élaborées, ainsi que leur validation expérimentale menée aux souffleries LARCASE Price-Païdoussis et IAR-NRC [19-22]

L’objectif de ce projet d’optimisation d’ailes déformables est d’obtenir une forme d’aile à l’aide des technologies du bord d’attaque du nez (DNLE) et du bord de fuite d’aile déformable (MTE) pour l’UAS-S45. Le projet d’ailes déformables a démontré le potentiel de la variation simultanée selon certains paramètres d’aile dans l’amélioration des performances aérodynamiques de l’UAS-S45. 

Méthodologie d’obtention de coefficients aérodynamiques

Cette recherche a été menée au LARCASE avec la méthodologie décrite à la figure 2. En se basant sur le modèle d’optimisation aérodynamique, nous avons intégré deux fonctions d’objectif de coût à un modèle de paramétrage de la forme géométrique. Les deux fonctions d’objectif de coût portaient respectivement sur la « minimisation de la traînée » et la « maximisation de l’endurance ». Le solveur d’écoulement aérodynamique XFoil et l’algorithme d’optimisation des essaims de particules (PSO) ont servi à l’optimisation des ailes du bord de fuite déformable (MTE) et du bord d’attaque du nez (DNLE) pour l’UAS-S45, sous différentes conditions de vol choisies selon les spécifications du fabricant.

Aperçu du processus d’optimisation

Figure 2 – Étapes de la procédure d’optimisation

Les solveurs traitant à basse fidélité l’écoulement comme XFoil peuvent effectuer des calculs rapides et produire des coefficients aérodynamiques très précis. L’optimisation à l’aide d’un modèle CFD haute fidélité est souvent peu pratique en raison de son coût informatique élevé. Heureusement, les modèles à basse fidélité (Xfoil) peuvent fournir une excellente précision dans le processus d’optimisation. Les défis de conception et les caractéristiques d’ailes déformables augmentent encore la complexité du processus d’optimisation, comme montré à la figure 3. 

Deux solveurs aérodynamiques différents ont servi à calculer les coefficients aérodynamiques : le XFoil et la moyenne de Reynolds des équations Navier-Stokes (RANS). XFoil et RANS sont reconnus pour leur bonne vitesse d’exécution et la précision de leurs résultats, et ont servi dans ce travail à l’analyse de l’aile afin de limiter les coûts informatiques. Enfin, le solveur ANSYS Fluent a servi à obtenir des résultats haute précision en tenant compte des phénomènes de couches limites laminaires et de séparation de l’écoulement. Les résultats sont exprimés sous forme de coefficients aérodynamiques.

Défi d’optimisation à haute fidélité

Figure 3 – Défis de conception dans une analyse d’optimisation de haute fidélité

Résultats pour le bord d’attaque (DNLE)

Les résultats de l’optimisation montrent une augmentation du CP (coefficient de portance) en fonction du CT (coefficient de traînée) des ailes de type DNLE, comme l’indique la figure 4(a). Une augmentation de près de 21 % du coefficient de portance a été obtenue pour les ailes DNLE par rapport au coefficient de portance de l’aile de référence. De la même manière, la performance aérodynamique a connu une importante augmentation de la variation du CP par rapport au CT pour les configurations MTE dans la, comme indiqué à la figure 4(b).

Gain de rendement grâce à l’aile déformable

Gain de rendement grâce à l’aile déformable

Figure 4 – Performance aérodynamique du CP par rapport au CT de (a) l’aile de référence par rapport à l’ail optimisée DNLE et (b) l’aile de référence par rapport à l’aile optimisée MTE

La figure 5(a) montre que le processus d’optimisation a entraîné une augmentation de l’endurance aérodynamique, caractérisée par le CP3/2/CT de l’aile DNLE optimisée, de 117 à 132 par rapport au CP3/2/CT de l’aile de référence. La figure 5(b) montre une augmentation allant du coefficient de portance jusqu’à 8,13 % et jusqu’à 10,25 % de l’efficacité du CP3/2/CT. Ce résultat indique une performance de l’endurance accrue de l’aile MTE de l’UAS-S45 par rapport à l’aile de référence.

Gain en endurance grâce à l’aile déformable

Gain en endurance grâce à l’aile déformable

Figure 5 – Comparaison de l’endurance entre (a) les ailes de référence et le DNLE, et (b) les ailes de référence et le MTE

Les variations des coefficients de pression avec la corde des ailes de référence et des ailes DNLE, pour un angle d’attaque de 4°, sont montrées à la figure 6(a), et les variations des coefficients de pression avec la corde de l’aile de référence et de l’aile MTE sont montrées à la figure 6(b). Les principaux changements de pression sur l’aile DNLE ont lieu près du bord d’attaque, sur sa surface supérieure. Les pics de pression restent lisses sur le reste de l’aile. Les résultats obtenus pour l’aile MTE causent un changement important dans les valeurs de pression sur la surface du bord de fuite, comme montré à la figure 6(b).

Coefficients de variation de pression de l’aile

Coefficients de variation de pression de l’aile

Figure 6 – Variations des coefficients de pression en fonction de la corde pour l’aile de référence par rapport aux ailes optimisées par la technique DNLE, à un angle d’attaque de 4°

L’aile DNLE montre des gradients plus élevés par rapport à ceux de l’aile de référence. On constate que le bord d’attaque propage l’énergie en aval de l’aile, ce qui entraîne une diminution importante de l’énergie cinétique turbulente (TKE) dans la turbulence de sillage. Les figures 7(a) et 7(b) montrent respectivement l’amplitude des vitesses des ailes optimisées à deux angles d’attaque différents, 4o et 10o. L’énergie cinétique turbulente (TKE) se produisant dans l’aile de référence, à partir de sa surface supérieure jusqu’au bord de fuite, n’est pas observée dans l’aile DNLE optimisée à un angle d’attaque de 4°, comme le montre la figure 7(c). La figure 7(d) montre la TKE se produisant à un angle d’attaque de 10o.

Tracés de contours de la magnitude de vélocité et de l’énergie cinétique turbulente

Figure 7 – Tracés de contours de la magnitude de vélocité et de l’énergie cinétique turbulente de l’aile DNLE

Conclusion

Jusqu’à présent, les résultats obtenus par l’équipe du LARCASE sont encourageants. D’autres études sont en cours avec de nouveaux algorithmes d’optimisation afin d’améliorer l’aérodynamisme des ailes déformables. Des études sur les manœuvres d’atterrissage et de décollage de l’UAS-S45 et sur les réponses aux rafales seront effectuées. 

Remerciements

Nous remercions tout particulièrement le Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) pour le financement de la Chaire de recherche du Canada de niveau 1 en technologies de modélisation et de simulation d’aéronefs. Les données de l’UAS-S45 et de l’UAS-S4 ont été obtenues grâce aux membres de l’équipe d’Hydra Technologies, M. Carlos Ruiz, M. Eduardo Yakin et M. Alvaro Gutierrez Prado au Mexique, M. Oscar Carranza Moyao du LARCASE, aux organismes gouvernementaux canadiens et québécois et la CRC: Fondation canadienne pour l’innovation et ministère de l’Économie et Innovation. Nous tenons à remercier Mme Odette Lacasse pour son soutien à l’ÉTS. Et nous remercions le CRSNG et le professeur Jeremy Laliberté pour leur soutien dans le cadre du programme CREATE-UTILI.

Informations complémentaires

Pour plus d’information sur cette recherche, lire l’article suivant :

Aerodynamic Design Optimization of a Morphing Leading Edge and Trailing Edge Airfoil–Application on the UAS-S45

Musavir Bashir, Simon Longtin-Martel, Ruxandra Mihaela Botez et Tony Wong

Special Issue Aircraft Modeling and Simulation Applied Sciences 11.4 (2021): 1664.

Musavir Bashir

Profil de l'auteur(e)

Musavir Bashir est doctorant au Département d’ingénierie des systèmes de l’ÉTS. Il détient un baccalauréat en génie aérospatial de l’Indian Institute of Aeronautical Engineering et une maîtrise de l’University Sains Malaysia.

Programme : Génie aérospatial  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)

Simon Longtin-Martel

Profil de l'auteur(e)

Simon Longtin-Martel détient un baccalauréat en génie de l’ÉTS et est étudiant à la maîtrise au Département d’ingénierie des systèmes de l’ÉTS. Il travaille sur l’optimisation de la conception aérodynamique de l’UAS-S45.

Programme : Génie aérospatial  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)

Tony Wong

Profil de l'auteur(e)

Tony Wong est professeur au Département de génie des systèmes à l’ÉTS. Ses intérêts de recherche sont les algorithmes d’optimisation multicritères évolutionnaires, l’’apprentissage machine et la programmation parallèle.

Programme : Automated Manufacturing Engineering 

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle 

Profil de l'auteur(e)


Recevez les dernières actualités scientifiques de l'ÉTS