ANNONCE CLOSE (nov. 2021)
La Société Siemens Gamesa Renewable Energy (SGRE) collabore depuis 2015 avec le CORIA et depuis 2019 avec le LMI. Dans le cadre du projet INWIT et WAKE OP, de nouvelles méthodes numériques extrêmement efficaces et sans équivalent au niveau mondial ont été développées mais également confrontées avec succès à la base de données la plus riche du monde. Cependant ces méthodes sont réservées à des utilisateurs experts et demandent des temps de calculs non compatibles avec les boucles d’optimisation des nouveaux produits Siemens Gamesa. L’objectif du projet ici proposé sera donc de
- Transférer les savoir-faire spécifiques pour l’utilisation adéquate de ces nouvelles méthodes vers l’industriel
- Accélérer le temps de retour des méthodes avancées via des méthodes de l’intelligence artificielle pour les rendre utilisable dans les boucles de conception
- Renforcer les liens entre académiques et industriels en permettant à des personnels CORIA et LMI d’être confrontés aux problématiques de conception des plus grandes éoliennes au monde.
La finalité du projet est très ambitieuse et vise à remplacer des outils de conception utilisés dans l’éolien depuis 20 ans par des méthodes radicalement nouvelles développées en France et en Normandie avec un accès mondial très large pour application dans les centres de recherche de Siemens Gamesa en France mais aussi au Danemark, aux Etats Unis et en Inde.
Thématiques : Modélisation mathématique et simulation numérique pour l’énergie éolienne. étude des charges aéroélastique via des couplages forts, mécanique des fluides, étude des écoulements turbulents, étude des sillages, approximation des champs de vent et de l’environnement offshore, intelligence artificielle
SIEMENS-GAMESA (localisé à St Etienne du Rouvray, dans les locaux de l'INSA Rouen) et LMI: contrat de 23 mois à partir de ~janvier 2022
ATTENTION : pour candidater, il est obligatoire d'avoir été diplômé en 2020 ou 2021 (contacter Christian Gout si intéressé)
Ingénieur de Recherche (LMI - Siemens Gamesa, durée du contrat 23 mois) : lla personne recrutée travaillera sur la modélisation et la simulation des champs de vent : Divers travaux ont été présentés/publiés par les participants académiques à ce projet en lien avec SGRE, notamment lors de journées SMAI, à la conférence international Curves and Surfaces en 2018, ou encore l’article [1][1]. Dans le cadre du sujet, l’expertise du laboratoire est très forte, on peut notamment citer les travaux [2, 3, 4][2]. L'un des principaux défis de la conception d'éoliennes réside dans la modélisation fine du champ de vitesses du vent et dans l'utilisation de ces modèles pour simuler la réponse mécanique d'une éolienne face à diverses conditions atmosphériques (turbulence, rafales). L'ajustement des paramètres de la turbine en fonction de ces conditions (pas de pale, vitesse de rotation, ajouts actifs) réduit les charges mécaniques, ce qui augmente la production d'électricité et permet des conceptions de turbines plus grandes à coûts réduits par MWh produit. Les approches existantes de ce problème sont fondées sur des méthodes d'interpolation (Simple Krigeage). Ces méthodes sont conçues à partir d'hypothèses (mesures ponctuelles, cohérence spatiale connue) qui ne sont pas satisfaites sur le terrain et introduisent donc des biais/erreurs limitant la qualité de la reconstruction. L'objectif de ce projet est d'utiliser des méthodes d'optimisation convexe (éventuellement non lisse) pour la reconstruction du champ de vitesses du vent au lieu de l'interpolation en minimisant une fonction coût (une fonction d'erreur) sur une partie du domaine où le champ de vent est reconstruit. Les données d'entrée de la fonction coût sont des données de mesure, une représentation du champ de vitesse (par exemple, spectralement ou dans une base éléments finis) avec des coefficients/paramètres inconnus, et potentiellement des mesures et des vitesses reconstruites à partir de pas de temps précédents (fondées sur un modèle de transport). Si elles sont construites correctement, les fonctions coût sont convexes et peuvent donc être traitées numériquement de manière efficace en utilisant des méthodes d'optimisation convexe (techniques de splitting). De plus, ces fonctions coût peuvent être adaptées pour contenir des contraintes supplémentaires (incompressibilité du champ d'écoulement, mesures volumétriques avec fonctions de pondération spatiale) nécessaires pour mieux approximer le champ d'écoulement et le processus de mesure.
De plus, une optimisation numérique approfondie de cette méthode est requise, en utilisant autant que possible des expressions sous forme fermée et en utilisant des librairies de calcul optimisées.
L'encadrement sera assuré par Siemens Gamesa et par le LMI (C. Le Guyader, A. Tonnoir, C. Gout notamment...).
[1] : N. Warncke, I. Ciotir, A. Tonnoir, C. Gout and Z. Lambert, Analytical approach to Galerkin BEMs on polyhedral surfaces, SMAI J. of Computational Mathematics, Volume S5, p. 27-46, 2019.
[2] : C. Le Guyader, D. Apprato, C. Gout, Spline approximation of gradient fields: applications to wind velocity fields, accepté pour publication dans Mathematics and Computers in Simulation 97: 260-279, 2014.
[3] : C. Le Guyader, C. Gout, A.S. Macé, D. Apprato. Gradient fields approximation: application to registration processes in image processing, J. of Comp. and Applied Math. 240 , pp. 135-147, 2013.
[4] : C. Gout, Z. Lambert and D. Apprato, Data approximation : mathematical modelling and numerical simulations, 166 p., ISBN 9978-2-7598-2367-3, EDP Sciences, 2019.