AI-Accelerated Predictions of Aerodynamic Coefficients for Helicopter Blades

Les simulateurs de vol s'appuient fréquemment sur des méthodes de simulation de giravions de fidélité moyenne qui nécessitent un couplage non linéaire avec des tables de recherche. La génération de ces tables contenant les coefficients aérodynamiques de portance (CL), de traînée (CD) et de moment (CM) est souvent d'un coût prohibitif, nécessitant des simulations coûteuses en termes de calcul et plusieurs processus de travail complexes. Ce coût est contourné fréquemment en interpolant entre des points de données, au détriment d'une erreur d'interpolation. Cette recherche présente le développement d'un modèle de substitution basé sur des réseaux neuronaux capables de prédictions discrètes, précises et rapides des coefficients aérodynamiques, éliminant effectivement cette erreur. Ce modèle est conçu pour se généraliser à l’ensemble des géométries et des conditions d’écoulement environnantes qu’un rotor pourrait rencontrer, y compris les régimes standard, inversé, de décrochage et transsonique. Premièrement, ce travail décrit le processus de génération d'une base de données de Mécanique des Fluides Numérique (CFD) à haute-fidélité. Les plages de variables sont définies pour couvrir l’intégralité de l’espace de l’écoulement : angle d’attaque de -180° à 180°, Mach de 0.2 à 0.9, et Reynolds de 2.5×106 à 20.0×106. De plus, l’espace des profils de rotor est exploré à l’aide de profils générés par des B-Splines rationnelles non uniformes. La base de données CFD est générée grâce à un cadre de simulation robuste utilisant le solveur CFD de volumes finis CHAMPS. Deuxièmement, le processus d'entraînement du modèle IA est décrit en détail. L’architecture du modèle repose sur un perceptron multicouche, avec une stratégie complète de prétraitement des données incluant une réduction de dimensionnalité via l’Analyse en Composantes Principales. En outre, l’algorithme "Tree-structured Parzen Estimator" est utilisé pour naviguer l’espace des hyperparamètres architecturaux, aboutissant à des modèles à la fois précis en termes de prédiction et efficaces en termes de calcul. Enfin, les modèles obtenus sont évalués sur des bases de données \textit{test} dédiées. Sur un jeu de test comprenant 10% de points échantillonnés aléatoirement à partir du domaine d’entraînement, mais exclus pendant l’apprentissage, le meilleur modèle atteint un coefficient de détermination (R2) de 0.9962 et une erreur absolue moyenne (MAE) de 0.0302 pour CL, R2 = 0.9987 et MAE = 0.0115 pour CD, et R2 = 0.9958 avec MAE = 0.0128 pour CM. Ces résultats montrent que le modèle se généralise bien à la fois à des géométries et à des conditions d’écoulement inédites. Le modèle le plus performant est également testé sur des cas plus complexes afin de tenir compte de ces limites. Enfin, l'accélération produite par ce modèle par rapport à la CFD conventionnelles est mesurée, où les prédictions du meilleur modèle nécessitent environ 0.54×109 fois moins de ressources de calcul.