Utilisation de l'IA pour la prédiction des performances des compresseurs axiaux et d'autres turbomachines

La conception et l'analyse des compresseurs axiaux sont chronophages et coûteuses car les approches traditionnelles nécessitent de nombreuses itérations entre l'étape d'analyse du cycle et la géométrie finale. Les cycles et les composants modernes sont souvent poussés à leurs limites pour atteindre le rendement le plus élevé possible et la consommation de carburant la plus faible. Pour atteindre cet objectif de rendement élevé et de faible consommation, notamment dans les moteurs à turbine à gaz modernes, le rapport de pression des compresseurs haute pression (HPC) ne cesse d'augmenter. Cependant, cela entraîne des nombres de Mach relatifs de pointe de rotor plus élevés dans les premiers étages du HPC, conduisant à des cartes de caractéristiques de performances abruptes. Une carte générale des performances d'un compresseur axial est illustrée à l'image 1.

Les cartes de performances représentent le comportement du compresseur et sont utilisées pour l'adaptation de la turbine du compresseur et les évaluations de la marge de décrochage. Les cartes peuvent également comparer différents compresseurs pour déterminer la conception la plus appropriée pour une application donnée. Ces cartes tracent généralement le rapport de pression par rapport au débit massique corrigé et à la vitesse de rotation. La carte a une limite à gauche appelée la ligne de surtension et une limite à droite appelée la ligne d'étranglement. Le compresseur peut fonctionner de manière prévisible dans ces limites.

Ces cartes sont créées grâce à des expériences physiques où les premiers prototypes ou les conceptions finales de compresseurs sont intégrés dans un banc d'essai avec plusieurs capteurs de pression, des débitmètres massiques, des étranglements et plusieurs autres équipements de test. Ceci est coûteux, de sorte que le nombre de tests effectués doit être faible. De plus, le compresseur peut dépasser sa ligne de surtension si l'opérateur dépasse le débit massique. Cela peut entraîner une décharge explosive à l'entrée et de graves dommages. Par conséquent, avec l'amélioration continue de la technologie informatique, les méthodes de dynamique des fluides computationnelle (CFD) sont de plus en plus utilisées et remplacent les bancs d'essai coûteux, en particulier au début du processus de conception. L'utilisation de CFD apporte des avantages mais n'est pas sans inconvénients. Un ingénieur peut automatiser le processus d'exécution de plusieurs points de fonctionnement ; cependant, le processus est encore lent, nécessitant un maillage fin pour recevoir des résultats précis.

Les cartes de performances nécessaires à l'analyse du cycle complet dans différentes conditions de fonctionnement ne sont valables que pour une géométrie fixe. Cela conduit à un défi intéressant. Comme mentionné ci-dessus, la tendance à des rapports de pression plus élevés s'accompagne de lignes de vitesse plus raides. Cela réduit la plage de fonctionnement du compresseur, ce qui n'est pas souhaitable. Pour améliorer la situation, des aubes directrices variables (VGV) sont utilisées dans les premières étapes. L'angle métallique de ces aubes peut être ajusté en fonction du point de fonctionnement actuel, permettant une plage de fonctionnement plus large. Bien qu'utile pour la mise en œuvre finale, la conception de tels compresseurs est encore plus délicate. Comme mentionné, les cartes ne sont valables que pour une géométrie fixe. Cela signifie que pour utiliser des VGV, des cartes pour les différentes positions d'aubes d'angle potentielles doivent être générées ou une seule génère quelques cartes avec différents angles d'aubes et applique des méthodes d'interpolation. Ceci introduit des imprécisions dues à l'interpolation.

Alors, comment améliorer le processus pour gagner du temps et accélérer la procédure de conception ? Une amélioration supplémentaire est-elle encore possible ? La réponse est oui. Les entreprises explorent maintenant l'intelligence artificielle (IA). Les algorithmes d'IA ont été utilisés dans une grande variété de tâches ces dernières années et gagnent en popularité en raison de la flexibilité et de la grande précision qu'ils peuvent fournir. Un exemple courant est celui des chatbots de service, qui répondent aux questions tout en apprenant à trouver des réponses meilleures ou plus précises tout au long de leurs interactions. Le même principe peut être utilisé dans la conception des compresseurs, ainsi que dans la conception d'autres turbomachines telles que les pompes et les turbines.

Certaines caractéristiques peuvent être prédites sur la base d'un ensemble de données qui fonctionnent comme des données d'apprentissage pour le modèle d'IA. Cela inclut les cartes de performances. Des valeurs géométriques telles que le diamètre d'entrée, les angles d'aube ou des valeurs de point de conception telles que le rapport de pression ou le débit massique de conception peuvent être utilisées comme entrées, et des cartes de performances entières ou une géométrie initiale de compresseur peuvent être la sortie. Tout cela serait décidé par le créateur du modèle, qui déterminerait les entrées et les sorties exactes. Les données de formation peuvent être constituées de nouvelles données créées uniquement pour former le modèle d'IA ou d'informations existantes accumulées au cours de la durée d'exploitation d'une entreprise. De nouvelles données pourraient également être ajoutées à un algorithme d'IA existant, ce qui contribue à améliorer la précision de la sortie. Il existe un degré élevé de flexibilité des tâches, qui est utilisé pour s'adapter aux divers problèmes ou exigences qu'un ingénieur pourrait avoir.

L'image 2 fournit un exemple des capacités de haute fidélité et de gain de temps de l'IA.

L'image montre la comparaison directe des données réelles avec la prédiction AI du rapport de pression et du graphique d'efficacité d'un compresseur. Ceci est basé sur une étude de recherche présentée à Turbo Expo 20221 dans laquelle différents modèles d'IA ont été développés et comparés entre eux. Les points représentent les données réelles obtenues par CFD 3D, tandis que les lignes bleues et rouges sont les prédictions de l'IA. Ils indiquent un accord et démontrent la possible haute précision de l'IA. Maintenant, gardez à l'esprit que chaque point sur la carte pour les données réelles a été obtenu par CFD 3D qui, selon le raffinement du maillage, peut prendre des heures, voire des jours. La sortie AI peut être obtenue en quelques secondes. De plus, le modèle a été configuré de manière à produire également une géométrie de compresseur initiale pour laquelle un exemple est illustré à l'image 3.

Pour s'appuyer sur cet exemple, dans l'image 3, l'IA pourrait également être adaptée pour ne prédire qu'un seul point. Avec cette configuration, l'IA pourrait alors être directement intégrée à l'analyse du cycle d'une machine. Les paramètres de cycle peuvent être considérés comme un rapport d'entrée et de pression, et l'efficacité peut ensuite être renvoyée à l'outil d'analyse de cycle. Un exemple de schéma d'un cycle de moteur à réaction est illustré à l'image 4.

Ici, un autre aspect gain de temps existe. En utilisant l'IA en combinaison avec un outil d'analyse de cycle, il peut remplacer des composants (compresseur, ventilateur, etc.) et fournir directement la valeur de l'efficacité. Cela signifie que la valeur d'efficacité n'a plus besoin d'être supposée ou déterminée de manière élaborée de manière itérative, comme c'est souvent le cas dans les méthodes de conception traditionnelles. De plus, l'efficacité est mise à jour à chaque étape de conception des composants et renvoyée à l'analyse du cycle. Cela peut être réduit à quelques itérations avec l'IA car le modèle d'IA fournit une efficacité immédiate basée sur les données de formation. Il produit également une géométrie de compresseur correspondante, ce qui facilite considérablement la procédure de conception puisque l'ingénieur commencera avec une géométrie initiale et non à partir de zéro.

Bien que les cartes de performances soient généralement gourmandes en ressources, en particulier si des géométries variables sont incluses dans le compresseur et que des méthodes de création traditionnelles sont utilisées, elles sont essentielles pour une conception et une analyse de cycle précises. L'utilisation de l'IA permet aux ingénieurs de générer des cartes et des géométries de compresseur beaucoup plus rapidement qu'auparavant et améliorera le processus global de conception de la machine, ainsi que l'optimisation de divers composants.

Les références

Burlaka, Maksym. et Moroz, Leonid. "Génération de carte de compresseur axial tirant parti de l'IA d'auto-formation autonome." Actes de l'ASME Turbo Expo 2022

Sascha Podlech est ingénieur d'application chez SoftInWay, Inc. Il possède plusieurs années d'expérience dans la conception de turbomachines et se spécialise dans l'optimisation des processus et procédures de conception. Il peut être contacté à [email protected]. Pour plus d'informations, rendez-vous sur softinway.com.