Thèse - Development and experimental test of data-driven approaches for physics-informed wind-turbine digital twins

IFP Energies nouvelles - Direction Physico-chimie et Mécanique appliquées

CDD Data / Mathématiques Appliquées Hauts-de-Seine entre mars et août 2023 de 6 à 36 mois


IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

  • l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
  • la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Development and experimental test of data-driven approaches for physics-informed wind-turbine digital twins

Dans un contexte de crise énergétique, le suivi de santé des éoliennes est un enjeu économique majeur. Ce suivi permet en effet de réduire les coûts en anticipant les opérations de maintenance, et en optimisant la durée d’exploitation.

Les approches classiques proposent d’exploiter les mesures de quelques capteurs placés sur l’éolienne. Par-exemple, des approches OMA (Operational Modal Analysis) permettent de suivre un changement dans les fréquences propres ou les déformées modales de la structure. On peut ainsi poser un diagnostic sur la présence ou non de défauts simples (perte globale de raideur, balourds) qui, non traités, peuvent conduire à une fatigue accélérée de l’éolienne.

Cependant, ces approches sont aveugles par rapport à la physique. En effet, les données seules ne permettent de diagnostiquer que ce que “voient” les capteurs. Par exemple, pour une éolienne instrumentée seulement par des accéléromètres, une approche purement basée sur des données ne permet pas de remonter à des quantités plus complexes comme les efforts subis par la structure – efforts qui influent directement sur la fatigue des matériaux et donc sur la durée de vie totale.

Ainsi, dans une approche mixte couplant le traitement statistique des mesures à un modèle numérique, la disponibilité du modèle physique permet d’analyser, de compléter et d’extrapoler les données de mesure.

L’enjeu est alors d’avoir un modèle correctement recalé, à même de relier par exemple des mesures d’accélération à des valeurs de contrainte.

Cette thèse se place dans ce contexte et a pour objectif de développer des méthodologies pour assurer le suivi de santé des éoliennes en couplant un modèle physique pour cette dernière aux données mesurées sur l’éolienne à l’aide de différents capteurs.

L’objectif est de pouvoir à tout instant dresser une cartographie du système, analyser en temps réel ses performances, détecter des anomalies, etc. ; afin d’anticiper in fine les opérations de maintenance et la durée de vie restante. Cette approche mixte est intéressante pour l’ingénieur car elle « contraint » les données à respecter les principes physiques de base. Une des difficultés majeures est la nécessité de gérer l’incertitude liée à la modélisation, nécessairement limitée, du réel.

L’un des points-clés de cette approche est donc la calibration : il faut garantir que le modèle initial est cohérent avec les données de mesure, et que l’instrumentation (nombre, type et positionnement des capteurs) du système réel permet effectivement de réaliser un suivi fiable des métriques de performance. Une validation expérimentale en laboratoire sur un modèle réduit d’éolienne permettra de démontrer l’efficacité et la pertinence des algorithmes développés lors de la thèse.

Missions

Cette thèse prend la suite d’une thèse IFPEN/Inria se terminant fin 2023 sur l’analyse des données et la prise en compte des incertitudes liées au bruit et aux procédures de mesure. Cette nouvelle thèse est dédiée à l’intégration des aspects liés à la modélisation pour un suivi de santé efficient et fiable d’éoliennes.

L’objectif est de développer des approches couplées pour créer un jumeau numérique éolien permettant le lien entre un modèle statistique simple issu des données de capteur à un modèle physique complexe issu de la simulation.

La thèse se structurera autour des quatre axes suivants :

  1. Intégration des sources d’incertitudes liées à la modélisation : l’objectif ici est de répertorier les sources d’incertitudes présentes dans le modèle numérique, notamment les erreurs de modélisation (liaisons, propriétés matériaux…), afin d’étudier la sensibilité du système et classifier ces sources d’incertitudes.
  2. Méthodes de recalage entre modèle et données : les méthodes développées permettront à la fois de recaler le modèle expérimental au données mesurées, mais auront aussi vocation à être capable de localiser et quantifier précisément les défauts présents dans l’éolienne afin de suivrele vieillissement de cette dernière.
  3. Placement optimal des capteurs : cet axe vise à estimer les besoins minimaux en termes de capteurs nécessaires pour associer de manière fiable le système réel et son jumeau numérique, et permettra aussi de connaitre a priori la performance d’un choix donné de capteurs pour la détection de défauts spécifiques dans le modèle physique (pour un ensemble donné de capteurs, on peut estimer quel sont les défauts identifiables ou, à l’inverse, pour un certain type de défaut on peut estimer quelle est l’instrumentation nécessaire à son suivi).
  4. Notion de capteur virtuel : cet axe a pour objectif d’exploiter pleinement le modèle physique afin d’extrapoler des grandeurs mesurées en des points de la structure en d’autres grandeurs estimées en d’autres points de la structure (par-exemple on peut estimer une contrainte dans les fondations de l’éolienne à partir de données de vibration au sommet de la tour).

Le/la doctorant.e exploitera un modèle d’éolienne paramétré dans le logiciel DeepLines WindTM ou OpenFAST. Les méthodes développées et/ou utilisées lors de la thèse seront appliquées d’abord sur des données synthétiques à des fins de validation, puis sur le cas concret du montage expérimental afin de tester leur robustesse lors du “passage au réel”. Il sera ainsi possible de tester les méthodes de recalage de modèle dans un premier temps, puis d’identifier des défauts introduits volontairement dans le montage dans un second temps, tout en variant l’instrumentation.

Contexte de l’encadrement

Cette thèse fait partie d’un projet collaboratif entre l’Inria (Institut National de Recherche en sciences et technologies du numérique) et l’IFPEN (IFP énergies nouvelles) sur le suivi de santé des éoliennes. Le/la doctorant.e aura l’opportunité d’échanger avec des chercheurs/chercheuses et ingénieur.es des deux instituts. La supervision sera assurée par M.R. El Amri (IFPEN), E. Denimal (Inria), L. Mevel (Inria, directeur de thèse), et J-L Pfister (IFPEN).
La thèse se déroulera entre l’IFPEN à Rueil-Malmaison et l’Inria à Rennes, en étant basée principalement à Rueil-Malmaison. Le/la doctorant.e dépendra ainsi du département mécanique des solides de l’IFPEN et de l’équipe I4S à l’Inria.

Profil recherché

Niveau Master/BAC+5/Grandes écoles avec une spécialité en Génie Mécanique, mathématiques appliquées, informatique et sciences de l’information ou toute autre spécialité similaire.

  • Familiarité avec le langage Python ou similaire.
  • Intérêt pour l’association entre sciences mécaniques et sciences des données.

(PDF - Max : 5 Mo)
(PDF - Max : 5 Mo)

En cliquant sur postuler, je crée mon profil iQuesta et j'accepte les conditions d'utilisation d'iQuesta.
contact

IFP Energies nouvelles - Direction Physico-chimie et Mécanique appliquées
Jean-Lou Pfister

Rémunération Oui

15 Annonces
Métiers
Data Analyst
Le Data Analyst occupe une place stratégique dans un monde de plus en plus numérique où la quantité de données…
Conseils
Pour que la vie d’étudiant ne rime pas avec parcours du combattant, retrouvez tous nos conseils stage / alternance / emploi