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 :
Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.
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.
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.
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.
IFP Energies nouvelles - Direction Physico-chimie et Mécanique appliquées
Jean-Lou Pfister