Multi-Fidelity Design Optimization of Francis Turbine Runner Blades

Ce projet de thèse propose une méthodologie Multi-Fidelity Design Optimisation (MFDO) qui vise à améliorer l'efficacité du processus de conception en génie mécanique. Cette méthodologie a été développée pour résoudre les problèmes liés à la conception mécanique des roues de turbines hydrauliques. Cette méthode peut être utilisée dans d'autres processus d'optimisation d'ingénierie, surtout si les processus d'optimisation sont coûteux. L'approche MFDO divise le coût informatique entre deux phases, une basse fidélité et une haute-fidélité. Cette méthode permet d'intégrer les avantages des évaluations à basse fidélité et haute-fidélité, et pour équilibrer le coût et la précision requise par chaque niveau de fidélité. Alors que la phase de basse fidélité contient la boucle itérative d'optimisation, la phase haute-fidélité évalue les candidats de conceptions prometteuses et calibre l'optimisation basse fidélité. La nouvelle approche de MFDO propose un Territorial-Based Filtering Algorithm (TBFA) qui relie les deux niveaux de fidélité. Cette méthode traite le problème que l'objectif d'optimisation à basse fidélité est différent de celui de la phase à haute-fidélité. Ce problème est commun dans les optimisations de substitutions basées sur la physique (par exemple en utilisant une analyse d'écoulement non visqueux à la place des évaluations d'écoulement visqueux). En fait, la vraie fonction n'est pas évaluable dans la phase basse fidélité due à l'absence de la physique impliquée dans ces évaluations. Par conséquent, les solutions dominantes de l'optimisation basse fidélité ne sont pas nécessairement dominantes du point de vue du véritable objectif. Par conséquent, le TBFA a été développé pour sélectionner un nombre donné de candidats prometteurs, qui sont dominants dans leurs propres territoires et qui sont assez différents du point de vue géométrique. Tandis que les objectifs de la phase haute-fidélité ne peuvent être évalués directement dans la phase basse-fidélité, certains objectifs peuvent être sélectionnés par des concepteurs chevronnés parmi des caractéristiques de conception, qui sont évaluables et suffisamment bien prédites par les analyses de basse fidélité. Des concepteurs expérimentés sont habitués à associer des objectifs de bas niveau à des bonnes conceptions. Un grand nombre d'études de cas ont été réalisées dans ce projet pour évaluer les capacités de la méthodologie MFDO proposée. Pour couvrir les différents types de roues de turbines Francis, trois roues différentes ont été choisies. Chacune d'elles avait ses propres défis de conception, qui devaient être pris en charge. Par conséquent, différentes formulations de problèmes d'optimisation ont été étudiées pour trouver la plus appropriée pour chaque problème en main.

Abstract

This PhD project proposes a Multi-Fidelity Design Optimization (MFDO) methodology that aims to improve the design process efficiency. This methodology has been developed to tackle hydraulic turbine runner design problems, but it can be employed in other engineering optimizations, which have costly computational design processes. The MFDO approach splits the computational burden between low- and high-fidelity phases to integrate benefits of low- and high-fidelity evaluations, and to balance the cost and accuracy required by each level of fidelity. While the low-fidelity phase contains the iterative optimization loop, the high-fidelity phase evaluates promising design candidates and calibrates the low-fidelity optimization. The new MFDO approach proposes a flexible Territorial-Based Filtering Algorithm (TBFA) that connects the two levels of fidelity. This methodology addresses the problem that the low-fidelity optimization objective is different from the one in the high-fidelity phase. This problem is common in physics-based surrogate optimizations (e.g. using inviscid flow analyses instead of viscous flow evaluations). In fact, the real objective function is not assessable in the low-fidelity phase due to the lack of physics involved in the low-fidelity evaluations. Therefore, the dominant solutions of the low-fidelity optimization are not necessarily dominant from the real objective perspective. Hence, the TBFA has been developed to select a given number of promising candidates, which are dominant in their own territories and geometrically different enough. While high-fidelity objectives cannot be directly evaluated in the low-fidelity phase, some targets can be set by experienced designers for a subset of the design characteristics, which are assessable and sufficiently well predicted by low-fidelity analyses. The designers are accustomed to informally map good low-level targets to overall satisfying designs. A large number of case studies were performed in this project to evaluate the proposed MFDO capabilities. To cover different types of Francis turbine runners, three different runners were chosen. Each of them had its own special design challenges, which needed to be taken care of. Therefore, variant optimization problem formulations were investigated to find the most suitable for each problem at hand. Those formulations involved different optimization configurations built up from proper choices of objective functions, constraints, design variables, and other optimization features such as local or global exploration budgets and their portions of the overall computational resources.