Développement d'un modèle de substitution pour un système de refroidissement actif

Ce mémoire s’inscrit dans un projet de recherche du Conseil national de recherches du Canada (CNRC) séparé en trois volets. Ce projet vise à évaluer la contrôlabilité d’un système de refroidissement actif soumis à des sources de chaleur variables dans l’espace et le temps. Ce système de refroidissement actif est composé de jets impactants. Chaque jet peut être utilisé comme une entrée ou comme une sortie et son débit est indépendant de celui des autres jets. Ce mémoire s’intéresse seulement au premier volet qui cherche à développer un modèle de substitution pour prédire le nombre de Nusselt sur la surface d’impact. Ce dernier permettra le développement des stratégies de commandes à base de modèle, le deuxième volet de ce projet, et pourra finalement être validé à l’aide d’un système expérimental, fabriqué dans le cadre du troisième volet de ce projet. La contribution principale de ce travail est le développement d’un modèle de substitution basé sur un réseau de neurones convolutifs (CNN), capable de prédire la distribution du nombre de Nusselt sur la surface impactée, pour toute configuration de débits, d’entrée et de sorties. Le CNN est entraîné à partir d’un ensemble de données issues de simulations de la mécanique des fluides numériques (CFD). Deux réseaux de neurones distincts sont produits. Le premier permet de prédire le nombre de Nusselt au sommet d’une plaque d’un réseau de cinq par un jet. Le second permet d’effectuer des prédictions pour un arrangement de trois par trois jets. Les deux modèles sont entraînés avec 83 et 100 simulations CFD, respectivement. Chaque simulation est effectuée avec le logiciel Lethe. Le nombre de Reynolds maximal des jets est de 2,000. Une analyse de sensibilité du maillage a été effectuée pour établir la densité de cellules nécessaire. Un maillage utilisant 1,2M d’éléments a été sélectionné pour le réseau de cinq par un jet et de 1,6M d’éléments pour le réseau de trois par trois jets. Pour réduire le coût des simulations, une méthode d’extrapolation basée sur une corrélation empirique a aussi été utilisée dans le but d’étendre les prédictions du modèle jusqu’à Re = 10,000.

Abstract

This thesis is part of a research project, divided into three components, funded by the Na-tional Research Council of Canada (NRC), aimed at evaluating the controllability of an active cooling system subjected to spatially and temporally varying heat sources. This active cool-ing system consists of impinging jets. Each jet can act either as an inlet or an outlet, and its flow rate is independent of the others. This thesis focuses solely on the first component, which aims to develop a surrogate model to predict the Nusselt number on the impingement surface. This model will enable the development of model-based control strategies, the sec-ond component of the project, and will ultimately be validated using an experimental system built as part of the third component. The main contribution of this work is the development of a surrogate model based on a convolutional neural network (CNN), capable of predicting the Nusselt number distribution on the impinged surface for any configuration of flow rates, inlets, and outlets. The CNN is trained using a dataset generated from computational fluid dynamics (CFD) simulations. Two distinct neural networks are developed. The first predicts the Nusselt number at the top surface of a plate with a five by five jet array, while the second is used for a three by three jet arrangement. The two models are trained using 83 and 100 CFD simulations, respectively. Each simulation is conducted with the Lethe software. The maximum Reynolds number of the jets is 2,000. A mesh sensitivity analysis was conducted to determine the required cell density. A mesh containing 1.2 million elements was selected. To reduce simulation costs, an extrapolation method based on an empirical correlation was used to extend the model’s predictions up to Re = 10,000.