Statut
Disciplines scientifiques
Direction de recherche
Physico-chimie et mécanique appliquées
Site de rattachement
Rueil-Malmaison
Pour accompagner l’essor de la production électrique d’origine éolienne en France et dans le monde, IFP Energies nouvelles est impliqué en tant qu’acteur majeur de la recherche, notamment dans les technologies émergentes comme l’éolien flottant.
L’objectif principal du design d’une plateforme éolienne est d’obtenir une solution robuste aux sollicitations environnementales et à un moindre coût de construction. Cela veut dire que l’éolienne doit être capable de résister à un ensemble de scenarios extrêmes mais aussi que son endommagement par fatigue doit être contrôlée dans le temps.
Le design en fatigue d’une éolienne offshore est une tâche dispendieuse car elle requiert un grand volume de simulations multi-physiques afin de couvrir un nombre important de conditions environnementales (vent et mer), et ce d’autant plus si l’éolienne est placée au sein d’une ferme (effet de sillage éolien). En pratique lors d’une étude industrielle, les limitations dues au du temps de calcul obligent à limiter les paramètres d’entrés à quelques scalaires. Ce qui réduit la robustesse du design final et augmente son incertitude.
Le besoin de disposer d’un métamodèle de substitution aux simulateurs multi-physiques afin notamment d’accélérer et d’améliorer la robustesse le processus de conception est donc évident. Rappelons que le mot métamodèle désigne une fonction construite comme une approximation d’un simulateur numérique. Cette approximation est construite à partir des valeurs de sortie du simulateur en différents points de l’espace des entrées. Une technique désormais classique (dans le domaine de la quantification d’incertitude et en machine learning) pour la construction de métamodèle consiste à modéliser un simulateur par un processus gaussien et à obtenir une approximation en calculant la moyenne a posteriori du processus.
Un métamodèle permettrait donc d’envisager, en phase de conception, des études de propagation d’incertitudes exhaustives ainsi que des études d’optimisation (structurelle, layout de ferme). En phase opérationnelle, cela offrira des possibilités de contrôle ainsi que de suivi de fatigue en temps réel enrichissant ainsi le « jumeau numérique de l’éolienne ».
L’état de l’art en matière de métamodèles pour la simulation multiphysique d’éoliennes aborde essentiellement des situations à variables d’entrée et de sortie reposant dans un espace de faible dimension (prédiction d’effort équivalent ou DEL en un point de la structure, par exemple). Ainsi, le principal objectif de cette thèse sera de développer une stratégie de métamodélisation non intrusive capable de traiter des entrées et des sorties de grande dimension, typiquement O(104-106), et dont l’erreur de prédiction sera quantifiée. Concrètement, le métamodèle devra être en mesure de prendre en entrée des transitoires de vent et de vague afin de prédire des champs physiques d’efforts (ou d’efforts équivalents) ou des champs cinématiques variables spatialement.
Nous proposons de découper le travail de thèse en quatre étapes de complexité croissante, de manière à assurer la progressivité du sujet et ainsi sécuriser sa prise en main et sa mise en œuvre par le futur candidat :
1. Production d’un état de l’art sur la métamodélisation des simulateurs numériques et plus spécifiquement sur les techniques de métamodélsation utilisées dans le contexte éolien ;
2. Développement d’une stratégie de métamodélisation non intrusive à faible dimension pour la prédiction du DEL en un point de la structure et de l’AEP, le tout dans un contexte de ferme (sillage éolien). Une réflexion pourra être menée sur la paramétrisation du champ de vent incident sur la base des travaux déjà menés dans la direction sur le sillage en ferme ;
3. Production d’un état de l’art sur la métamodélisation avec réduction de dimension des entrées/sorties (PCA, auto-encodeur, Kernel PCA) et notamment les méthodes de réduction permettant de surmonter la difficulté liée à la suboptimalité des approches de réduction non supervisées ;
4. Développement :
a. d’une stratégie de métamodélisation non intrusive à haute dimension en sortie pour la reconstruction de séries temporelles ou la prédiction d’une distribution spatiale d’un champ physique,
b. d’une stratégie de métamodélisation non intrusive à haute dimension en entrée et en sortie pour la prédiction d’une distribution spatiale du DEL avec en entrée un transitoire de vent et éventuellement un transitoire de vague,
c. de techniques de planifications d’expériences numériques adaptées aux modèles ci-dessus.
Mots clefs: Science des données, éolien offhsore, processus gaussiens, conception mécanique, machine learning
- Directeur de thèse Emmanuel Vazquez, professeur, Laboratoire des Signaux et Systèmes (L2S), CentraleSupélec, Univ. Paris-Saclay
- Ecole doctorale Ecole doctorale n°422 STITS, http://ed-stits.fr/fr/
- Encadrant IFPEN Nicolas Bonfils, ingénieur de recherche, IFP Énergies Nouvelles (IFPEN)
- Localisation du doctorant IFPEN/L2S
- Durée et date de début 3 ans, début au cours du quatrième trimestre 2022
- Employeur IFPEN, Rueil-Malmaison, France
- Qualifications Diplôme d’ingénieur généraliste avec spécialisation en science des données ou en statistiques
- Connaissances linguistique Bonne maîtrise du français indispensable, anglais souhaitable
- Autres qualifications Maîtrise des langages de programmation python ou R et de versioning (Git) et des librairies courantes utilisées en machine learning