Kevin Ignatowicz
Étudiant au doctorat en génie mécanique
École de technologie supérieure – ÉTS Montréal
Publication primée : Numerical Simulation of In-Flight Iced Surface Roughness
Publiée dans : Handbook of Numerical Simulation of In-Flight Icing
Résumé
La formation de glace sur un avion en vol, communément appelée givrage, présente un risque pour la sécurité. Le givrage dégrade les capacités aérodynamiques de portance de l’avion et la présence de glace augmente la masse de l’appareil. Pour anticiper le givrage, des simulations numériques sont mises en place pour prédire les caractéristiques de la glace telles que sa forme, sa localisation ou encore sa consistance. Lorsqu’un avion entre dans une zone propice au givrage, par exemple un nuage à basse température, les premières étapes d’accrétion de glace génèrent une rugosité de surface sur l’appareil. Les caractéristiques de cette rugosité initiale jouent un rôle déterminant dans la forme finale de glace. D’une part, la rugosité va modifier l’intensité des transferts de chaleur à la surface de l’avion et d’autre part va impacter les forces de friction. Ces deux phénomènes vont de fil en aiguille dicter la forme de la glace : les transferts de chaleur vont faire plus ou moins geler l’eau et la friction va altérer la capacité de ruissellement de l’eau sur la surface. L’un des défis, et non des moindres, dans une simulation numérique de givrage est de correctement inclure la rugosité de surface initiale. Il en va de la qualité de la prédiction de l’accrétion de glace et de son réalisme vis-à-vis des conditions réelles. L’objectif du travail présenté par Kevin Ignatowicz et ses collaborateurs est de développer une méthodologie visant à estimer la rugosité de surface initiale via l’observation d’une accrétion de glace réelle. Plus précisément, une base de données regroupant les formes de glace obtenues pour différentes rugosités initiales est construite. Cette base de données permet d’estimer avec un métamodèle de type Chaos Polynomial la relation mathématique liant la rugosité avec l’épaisseur locale de glace observée. La dernière étape fait intervenir l’apprentissage machine, notamment une inversion Bayésienne, pour extraire la rugosité permettant de prédire numériquement une forme de glace fidèle comparée à la forme réelle de référence. Cette méthodologie présente des résultats encourageants puisqu’elle permet de prédire une forme de glace avec moins de 5 % d’erreur relative sur l’épaisseur locale par rapport au cas réel. Ceci montre la faisabilité d’appliquer l’apprentissage machine à l’estimation de la rugosité de surface dans un contexte de givrage aéronautique. La méthodologie appliquée à plusieurs cas de givrage distincts permettra de dégager des tendances sur la rugosité à considérer et offrira à l’industrie aéronautique des outils toujours plus performants pour prédire efficacement le givrage. La sécurité des vols sera ainsi améliorée, grâce à une meilleure anticipation des phénomènes de givrage en vol.