Mots-clés
Incertitudes, désaccordage, méta-modélisation, algorithmes data-driven, modèle numérique, expérimentation compresseur multi-étages
Contexte
La chaire industrielle DyVA cofinancée par l’ANR et le groupe SAFRAN, a pour objectif de répondre aux enjeux environnementaux concernant le secteur de l’aéronautique impliquant une réduction drastique de ses émissions de CO2 à moyen et long terme avec un objectif de bas carbone en 2035 et de neutralité à l’échéance de 2050. Ainsi sur des programmes technologiques comme le RISE, lancé par SAFRAN, il sera nécessaire d’être en capacité d’analyser avec précision les nouveaux points de fonctionnement obtenus et leurs impacts sur la dynamique du moteur et la durée de vie. En effet, ce projet adresse un grand nombre de technologies en rupture vis-à-vis des architectures conventionnelles telles qu’un open-fan, un open-OGV et une turbine et un booster rapides.
Le projet DyVA s’inscrit donc pleinement dans ce contexte et ambitionne d’élaborer les outils numériques avancés à même de répondre à l’enjeu de prédiction vibratoire des nouvelles motorisations aéronautiques. Les développe-ments envisagés se concentreront sur la simulation et la modélisation du comporte-ment dynamique non-linéaire et des incertitudes afin d’offrir une connaissance approfondie de la dynamique sous-jacente du système et d’en maîtriser la physique, la simulation et l’ensemble des différents points de fonctionnement possibles. Ces résultats seront mis en corrélation avec des essais expérimentaux fournissant ainsi des mesures souvent peu présentes dans la littérature bien qu’indispensables pour une bonne compréhension de la physique.
Travaux
La thèse proposée est dédiée à la prédiction robuste des niveaux de vibration de pièces présentant une forte densité modale, comme les blisks, les redresseurs monobloc sectorisés ou les compresseurs multi-étages. Le désaccordage empêche les concepteurs d’utiliser des hypothèses de symétrie cyclique pour réduire les coûts. Il donne aussi naissance à des modes de vibration localisés nuisibles : de nombreux travaux ont montré que les incertitudes peuvent conduire à des erreurs de 200% sur les niveaux prédits. Cela est d’autant plus dangereux que l’amortissement est très faible sur les pièces monobloc, et que l’estimation des dispersions est difficile.
Une méthode statistique a été développée au LTDS [1] pour caractériser les effets du désaccordage en utilisant des modèles d’incertitude spécifiques. Elle est basée sur une réduction des champs stochastiques ainsi que des méta-modèles, grâce à des méthodes de réduction non – intrusives et des méthodes d’interpolation des espaces aléatoires. Une alternative à ces méthodes est d’utiliser des algorithmes de type « data-driven » pour construire un modèle aussi précis que possible sur les niveaux dynamiques. Ici, l’approche utilisée en [1] sera hybridée avec des techniques de deep-learning afin de dépasser les stratégies issues de l’état de l’art pour calculer les moteurs de prochaine génération : tirant avantage des analyses statistiques et du machine learning (PINN), un modèle hybride original sera ainsi créé, basé sur la connaissance des incertitudes tout en exploitant des méta-modèles pour enrichir le modèle global [2].
Un essai expérimental sera développé pour évaluer l’efficacité de la stratégie développée, sur un compresseur multi-étages présentant du désaccordage naturel et intentionnel. Différents types de données (paramètres modaux, fonctions de réponse en fréquence, données temporelles…) serviront à nourrir les modèles. Des vérifications des enveloppes de réponse prédites seront faites. Cet exemple très ambitieux se basera sur des simulations en symétrie cyclique multi-étages [3]. Cette méthode combine des simulations mono-étages avec des stratégies de couplage d’éta-ges. Elle n’a cependant jamais été testée en pratique. Les essais seront menés à l’arrêt pour améliorer les approches de simulation développées. Ils s’enrichiront des essais menés en rotation dans d’autres work-packages de DyVA.
Profil
Formation d’ingénieur ou master en mécanique des solides et des matériaux
• Goût pour la recherche, les techniques d’analyse de pointe et la modélisation
• Programmation informatique, traitement et analyse de données
• Rigueur et capacité à s’investir pleinement dans un sujet, aptitude au travail en équipe
• La maîtrise de l’anglais est indispensable
Notre offre
• CDD de 3 ans à temps plein, 2034 € mensuels nets
• L’environnement académique et industriel de la chaire ANR-Safran DyVA
Votre futur cadre de travail
La thèse se déroulera principalement à l’École Centrale de Lyon (ECL). L’encadrement sera assuré par Fabrice THOUVEREZ (Professeur ECL), Laurent BLANC (Maître de Confé-rences, ECL), Kévin BILLON (Ingénieur de Recherche, ECL) et Cécile ESTEVES (Ingénieur, SAFRAN)
Comment candidater
Pièces à envoyer à fabrice.thouverez@ec-lyon.fr :
• CV détaillé
• Relevés de notes des trois dernières années et classement dans la promotion
• Lettre de motivation + deux lettres de recommandation
Références
[1] J. Philippe, F. Thouverez, L. Blanc, et M. Gruin, « Vi-bratory behavior prediction of mistuned stator vane clus-ters: An industrial application », Comput. Struct., vol. 196, p. 12‑23, 2018.
[2] S. T. Kelly et B. I. Epureanu, « Physics-Informed Neural Network Modeling Approach for Mistuned Bladed Disks », in Turbo Expo: Power for Land, Sea, and Air, American Society of Mechanical Engineers, 2023, p. V11BT27A012.
[3] D. Laxalde et C. Pierre, « Modelling and analysis of multi-stage systems of mistuned bladed disks », Com-put. Struct., vol. 89, no 3‑4, Art. no 3‑4, 2011.
PhD Thesis: Robust Characterisation and Surrogate Models for Blade Dynamics
Keywords
uncertainties, mistuning, meta-modelling, data-driven algorithms, numerical model, experimentation, multi-stage compressors
Context
The DyVA industrial chair, co-financed by the ANR (French National Research Agency) and the SAFRAN Group, aims to meet the environmental challenges facing the aeronautics sector, involving a drastic reduction in CO2 emissions over the medium and long term, with a target of low-carbon by 2035 and carbon neutrality by 2050. Technological programs such as RISE, launched by SAFRAN, will need to accurately analyse new operating points and their impact on engine dynamics and service life. Indeed, this project addresses a large number of technologies that break with conventional architectures, such as open-fan, open-OGV and fast turbine and booster.
DyVA aims to develop advanced numerical tools capable of meeting the challenge of vibration prediction for new aeronautical engines. The planned developments will focus on the simulation and modelling of non-linear dynamic behaviour and uncertainties, in order to provide in-depth knowledge of the underlying dynamics of the system and master its physics, simulation and all the different possible operating points. These results will be correlated with experimental tests, providing measurements that are often lacking in the literature, but are essential for a good understanding of the physics.
Your tasks
The proposed thesis is dedicated to the robust prediction of the vibration levels of parts with high modal density, such as blisk, monobloc sectorized stator vanes or multi-stage compressors. Mistuning prevents designers to use low-cost cyclic symmetric calculations. It also gives rise to localized high level detrimental vibration modes: several works have shown that uncertainties can lead to errors of up to 200% on vibration levels. These are all the more dangerous as monobloc structures are lightly damped and dispersion sources assessment is difficult.
A statistical method was developed at LTDS [1] to characterize the effects of mistuning using specific uncertainty models, based on stochastic field reduction and meta-modelling, through non-intrusive reduction and interpolation methods for random spaces calculation. An alternative to these approaches is to use data-driven algorithms to build a model that is as accurate as possible regarding the dynamics observed. Here, the approach used in [1] will be hybridized with deep learning techniques in order to outperform state-of-the-art strategies on new generation engines: by taking advantage of statistical analysis and machine learning methods (PINN), an original hybrid tool will be created based on the knowledge of uncertainties, while leaving room for meta-modelling to enrich the model [2].
To evaluate the efficiency of the developed strategy, an experimental test in free boundary condition will be realised, based on a multi-stage compressor involving both mistuning
and detuning at several ranges. Different kinds of data (modal parameters, frequency responses, time data…) will be used as inputs to feed the models. Checks will be performed to ensure that experimental response envelopes meet the predictions. This extremely challenging example rely on recent developments on multi-stage cyclic symmetry simulations [3]. This method combines the cyclic modelling of each stage with realistic inter-stage coupling. However, it has never been tested in practice. Experimental tests will be carried out, at rest, on a multi-stage compressor in order to evaluate and improve the developed approaches as well as with the data, in rotation, obtained in DyVA’s other works.
Your profile
• Engineering degree or MSc in Mechanics, Solids and Materials Sciences.
• Taste for research, for state-of-the-art analysis and modelling techniques.
• Programming, data processing & analysis.
• Scientific rigour and ability to fully invest in the project.
• Aptitude for team work.
• Excellent knowledge of English is essential.
Our offer
• 3-years full-time employment contract.
• 2034 € net monthly salary
• DyVA ANR-Safran chair industrial and academic environment.
Your future place of work
The PhD mainly takes place at École Centrale de Lyon (ECL). Supervisors are Fabrice THOUVEREZ (Professor, ECL), Laurent BLANC (Assistant Professor, ECL), Kévin BILLON (Research Engineer, ECL) and Cécile ESTEVES (Engineer, SAFRAN)
How to Apply
Please email to fabrice.thouverez@ec-lyon.fr:
• Letter of motivation.
• Detailed CV.
• 2 letters of recommendation or reference.
• Transcript of your last 3 years records & class ranking.
References
[1] J. Philippe, F. Thouverez, L. Blanc, et M. Gruin, « Vi-bratory behavior prediction of mistuned stator vane clus-ters: An industrial application », Comput. Struct., vol. 196, p. 12‑23, 2018.
[2] S. T. Kelly et B. I. Epureanu, « Physics-Informed Neural Network Modeling Approach for Mistuned Bladed Disks », in Turbo Expo: Power for Land, Sea, and Air, American Society of Mechanical Engineers, 2023, p. V11BT27A012.
[3] D. Laxalde et C. Pierre, « Modelling and analysis of multi-stage systems of mistuned bladed disks », Com-put. Struct., vol. 89, no 3‑4, Art. no 3‑4, 2011.
