UNIVERSITÉ DE MONTRÉAL

OPTIMISATION D’UNE AILE D’AVION PAR LA MÉTHODE DE DÉCOMPOSITION

W
DE LA TRAÎNÉE

IE
EV
EDDY PETRO
DÉPARTEMENT DE GÉNIE MÉCANIQUE
ÉCOLE POLYTECHNIQUE DE MONTRÉAL
PR

MÉMOIRE PRÉSENTÉ EN VUE DE L’OBTENTION

DU DIPLÔME DE MAÎTRISE ÈS SCIENCES APPLIQUÉES
(GÉNIE MÉCANIQUE)
DÉCEMBRE 2018

c Eddy Petro, 2018.

 UNIVERSITÉ DE MONTRÉAL

ÉCOLE POLYTECHNIQUE DE MONTRÉAL

W
Ce mémoire intitulé :
IE
OPTIMISATION D’UNE AILE D’AVION PAR LA MÉTHODE DE DÉCOMPOSITION
EV
DE LA TRAÎNÉE
PR

présenté par : PETRO Eddy

en vue de l’obtention du diplôme de : Maîtrise ès sciences appliquées
a été dûment accepté par le jury d’examen constitué de :

M. PELLETIER Dominique, Ph. D., président

M. TRÉPANIER Jean-Yves, Ph. D., membre et directeur de recherche
M. VO Huu Duc, Ph. D., membre
 iii

DÉDICACE

À mes parents . . .

W
IE
EV
PR
 iv

REMERCIEMENTS

J’aimerais tout d’abord exprimer ma plus profonde gratitude à mes parents, János et Pau-
line. Sans leur amour inconditionnel et leurs appuis soutenus, ce travail n’aurait jamais été
possible. Merci maman d’avoir pris autant d’heures à corriger mes textes criblés de fautes de
français, souvent parsemés de phrases confuses et superflues.

Je souhaiterais aussi remercier mon directeur de recherche, le Professeur Jean-Yves Trépanier,

pour m’avoir accordé l’opportunité de travailler sur un sujet qui me passionne. Ses conseils,
sa générosité, et sa patience infinie m’ont été d’un support inestimable.

W
J’aimerais aussi offrir ma plus sincère gratitude au Professeur Dominique Pelletier pour
m’avoir convaincu d’entreprendre des études supérieures. Je lui en suis éternellement re-
connaissant. Je souhaiterais aussi remercier les Professeurs Marcelo Reggio, Professeur Huu
IE
Duc Vo et Professeur André Garon pour m’avoir donné leur confiance durant toutes ces an-
nées, pour avoir contribué à ma formation et pour avoir souvent amené des conversations
toujours des plus intéressantes.
EV

Je tiens aussi à remercier M. Alain Robidoux et son équipe. Leur excellent travail et leur
dévouement a grandement facilité les défis que j’ai tenté d’entreprendre.
PR

Finallement, je tiens à remercier chaleureusement Martin Gariépy et Benoît Malouin qui ont
travaillé sur la décomposition de la traînée lors de leurs études doctorales. Leurs travaux ont
semé les bases et ont été l’inspiration pour ce travail de recherche.
 v

RÉSUMÉ

Le projet de recherche actuel évalue la capacité d’une méthode de décomposition de la traînée

aérodynamique à mener un processus d’optimisation vers une aile d’avion plus efficace. La
décomposition de la traînée est une méthode permettant d’isoler et de quantifier les diffé-
rents types de traînées qui sont : la traînée d’onde, la traînée visqueuse, la traînée induite
et la traînée numérique. Tous ces types de traînées proviennent de phénomènes physiques à
l’exception de la traînée numérique. Cette dernière, inhérente à toutes solutions numériques
de mécanique des fluides, se manifeste comme une fausse traînée aérodynamique et découle
essentiellement d’erreurs de discrétisation, d’erreurs de troncature et de l’ajout de dissipa-
tion artificielle. L’intégration d’une méthode de décomposition à un processus d’optimisation
permet théoriquement d’atténuer l’influence de la fausse traînée sur ce processus et de guider

W
celui-ci vers une meilleure aile d’avion. Pour ce projet de recherche, la traînée aérodynamique
du profil RAE2822 et de l’aile d’avion NASA CRM est minimisée en utilisant des processus
avec et sans décomposition de traînée. Les résultats sont ensuite analysés et comparés. Pour
IE
tous ces processus d’optimisation, une méthode à base radiale est utilisée pour paramétriser
les géométries et l’algorithme Pointer de Isight Simulia R est employé comme algorithme
EV
d’optimisation.
PR
 vi

ABSTRACT

The current research project assesses the ability of a drag decomposition method in steering
an optimization process towards a more efficient aircraft wing design. This method allows for
aerodynamic drag to be broken down into different types of drag, which are namely: wave
drag, viscous drag, induced drag, and spurious drag. Apart from spurious drag, all these
types of aerodynamic drag are the result of physical phenomena. For its part, spurious drag
is inherent to all numerical solutions and is mainly due to discretization errors, truncation
errors and the use of artificial dissipation by most solvers to smooth large gradients. Join-
ing a drag decomposition method to an optimization process may theoretically mitigate the
detrimental influences spurious drag may have on an optimization process and may, there-
fore, lead it to a better wing design. For this research project, the aerodynamic drag of the

W
RAE2822 airfoil and the NASA CRM wing have been minimized using optimization processes
with and without a drag decomposition method. The results of these optimizations are then
analyzed and compared. For these optimization processes, a radial basis function method
IE
has been used to parameterize the geometries. The optimization algorithm used was Pointer
from Isight Simulia R .
EV
PR
 vii

TABLE DES MATIÈRES

DÉDICACE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii

REMERCIEMENTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv

RÉSUMÉ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v

ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi

TABLE DES MATIÈRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii

LISTE DES TABLEAUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x

W
LISTE DES FIGURES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi

LISTE DES SIGLES ET ABRÉVIATIONS . . . . . . . . . . . . . . . . . . . . . . . xiii

IE
CHAPITRE 1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Contexte et motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
EV
1.2 Objectif de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Organisation du mémoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

CHAPITRE 2 REVUE DE LITTÉRATURE . . . . . . . . . . . . . . . . . . . . . . 3

PR

2.1 Solveur numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2.2 Paramétrisations géométriques . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Algorithmes d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.1 Algorithmes à gradient . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.2 Algorithmes métaheuristiques . . . . . . . . . . . . . . . . . . . . . . 14
2.3.3 Algorithmes hybrides . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Décomposition de la traînée . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

CHAPITRE 3 MÉTHODOLOGIE . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1 Description des cas tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.1 Cas test bidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1.2 Cas test tridimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Analyse aérodynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1 Équations de Navier-Stokes . . . . . . . . . . . . . . . . . . . . . . . 26
 viii

3.2.2 Modèle de turbulence . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.2.3 Discrétisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.4 Génération de maillages . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.5 Solveur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3 Conditions frontières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Paramétrisation géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5 Algorithmes d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.6 Processus d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.7 Stratégie d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

CHAPITRE 4 DÉCOMPOSITION DE LA TRAÎNÉE . . . . . . . . . . . . . . . . 42

4.1 Implémentation numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.1 Zone de choc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

W
4.1.2 Zone d’interaction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
IE
CHAPITRE 5 OPTIMISATION AÉRODYNAMIQUE . .
5.1 Optimisation 2D - Profil RAE2822 . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
56
56
5.1.1 Formulation du problème d’optimisation . . . . . . . . . . . . . . . . 56
EV
5.1.2 Maillage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.1.3 Paramétrisation géométrique . . . . . . . . . . . . . . . . . . . . . . . 58
5.1.4 Calcul aérodynamique du RAE2822 initial . . . . . . . . . . . . . . . 59
5.1.5 Optimisation de la traînée totale . . . . . . . . . . . . . . . . . . . . 63
PR

5.1.6 Optimisation de la traînée nette . . . . . . . . . . . . . . . . . . . . . 65

5.1.7 Comparaison des optimisations . . . . . . . . . . . . . . . . . . . . . 67
5.1.8 Influence de la condition frontière . . . . . . . . . . . . . . . . . . . . 69
5.2 Optimisation 3D - Aile NASA CRM . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 Formulation du problème d’optimisation . . . . . . . . . . . . . . . . 72
5.2.2 Maillage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.3 Paramétrisation géométrique . . . . . . . . . . . . . . . . . . . . . . . 74
5.2.4 Calcul aérodynamique de l’aile CRM initiale . . . . . . . . . . . . . . 75
5.2.5 Optimisation de la traînée totale . . . . . . . . . . . . . . . . . . . . 77
5.2.6 Optimisation de la traînée nette . . . . . . . . . . . . . . . . . . . . . 82
5.2.7 Comparaison des optimisations . . . . . . . . . . . . . . . . . . . . . 84

CHAPITRE 6 CONCLUSION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.1 Synthèse des travaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
 ix

6.2 Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.3 Améliorations futures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

RÉFÉRENCES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

W
IE
EV
PR
 x

LISTE DES TABLEAUX

Tableau 2.1 Types de méthodes de paramétrisations . . . . . . . . . . . . . . . . . 7

Tableau 3.1 RAE2822 - Caractéristiques géométriques . . . . . . . . . . . . . . . 23
Tableau 3.2 AGARD - Conditions d’opération et coefficients aérodynamiques - cas
no.9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Tableau 3.3 Aile NASA CRM - caractéristiques géométriques de l’aile isolée et
conditions d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . 24
Tableau 3.4 Fonctions à base radiale . . . . . . . . . . . . . . . . . . . . . . . . . 38
Tableau 4.1 Avion NASA CRM - Séquence de maillages . . . . . . . . . . . . . . . 54
Tableau 5.1 RAE2822 - Séquence de maillages . . . . . . . . . . . . . . . . . . . . 58
Tableau 5.2 RAE2822 - Profil initial - Étude de convergence . . . . . . . . . . . . 61

W
Tableau 5.3 RAE2822 - Profil initial - Erreur de discrétisation spatiale . . . . . . 62
Tableau 5.4 RAE2822 - Étude de convergence - Optimisation de la traînée totale . 64
Tableau 5.5 RAE2822 - Erreur de discrétisation spatiale - optimisation traînée totale
IE 65
Tableau 5.6 RAE2822 - Étude de convergence - Optimisation de la traînée nette . 66
Tableau 5.7 RAE2822 - Erreur de discrétisation spatiale - optimisation traînée totale 67
EV
Tableau 5.8 RAE2822 - Comparaison de résultats sur maillage fin (L0) . . . . . . 69
Tableau 5.9 RAE2822 - Étude de convergence - maillage modifié . . . . . . . . . . 70
Tableau 5.10 RAE2822 - Erreur de discrétisation spatiale - maillage modifié . . . . 71
Tableau 5.11 Aile NASA CRM - Séquence de maillages . . . . . . . . . . . . . . . 72
PR

Tableau 5.12 Aile NASA CRM - Étude de convergence - Aile initiale . . . . . . . . 76

Tableau 5.13 Aile NASA CRM - Erreur de discrétisation spatiale . . . . . . . . . . 77
Tableau 5.14 Aile NASA CRM - Résultats - Optimisation de la traînée totale . . . 78
Tableau 5.15 Aile NASA CRM - Résultats - Optimisation de la traînée nette . . . 82
Tableau 5.16 Aile NASA CRM - Comparaison des résultats d’optimisation . . . . . 84
 xi

LISTE DES FIGURES

Figure 2.1 Topologies d’ailes d’avion . . . . . . . . . . . . . . . . . . . . . . . . 5

Figure 2.2 Changement de forme d’une topologie invariante . . . . . . . . . . 6
Figure 2.3 Modification d’une géométrie par FFD . . . . . . . . . . . . . . . 9
Figure 2.4 Taxonomie des problèmes d’optimisation (selon NEOS 1 ) . . . . . . . 10
Figure 3.1 Profil Royal Aircraft Establishment (RAE) 2822 . . . . . . . . . . . . 22
Figure 3.2 Modèle d’avion NASA CRM - configuration aile-fuselage . . . . . . . 24
Figure 3.3 Aile d’avion NASA CRM . . . . . . . . . . . . . . . . . . . . . . . . 25
Figure 3.4 Volumes de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figure 3.5 Maillage du RAE2822 . . . . . . . . . . . . . . . . . . . . . . . . 35
Figure 3.6 Aile NASA CRM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

W
Figure 3.7 Organigramme du processus d’optimisation . . . . . . . . . . . . . . . 41
Figure 4.1 Volume de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Figure 4.2 Effets de la discrétisation du maillage sur la traînée numérique . . . .
IE 49
Figure 4.3 Effets de la troncature sur la traînée numérique . . . . . . . . . . . . 50
Figure 4.4 Effets de la qualité du maillage sur la traînée numérique . . . . . . . 51
EV
Figure 4.5 Marge du senseur de choc . . . . . . . . . . . . . . . . . . . . . . . . 53
Figure 4.6 Zone d’interaction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figure 4.7 Maillage de l’avion NASA CRM - DPW5 - (maillage L4) . . . . . . . 55
Figure 4.8 Validation du code de décomposition . . . . . . . . . . . . . . . . . . 55
PR

Figure 5.1 RAE2822 - Profil initial - maillage . . . . . . . . . . . . . . . . . . . . 57

Figure 5.2 RAE2822 - Position des points de contrôle RBF . . . . . . . . . . . . 58
Figure 5.3 RAE2822 - Profil initial (maillage L2) - Convergence des résidus et des
coefficients aérodynamiques . . . . . . . . . . . . . . . . . . . . . . . 59
Figure 5.4 RAE2822 - Profil initial (maillage L2) - y+ . . . . . . . . . . . . . . . 60
Figure 5.5 RAE2822 - Profil initial - Onde de choc . . . . . . . . . . . . . . . . 60
Figure 5.6 RAE2822 - Profil initial - Étude de convergence . . . . . . . . . . . . 62
Figure 5.7 RAE2822 - Historique d’optimisation de la traînée totale . . . . . . . 63
Figure 5.8 RAE2822 - Étude de convergence - traînée totale . . . . . . . . . . . 64
Figure 5.9 RAE2822 - Historique d’optimisaton de la traînée nette . . . . . . . . 65
Figure 5.10 RAE2822 - Étude de convergence - traînée nette . . . . . . . . . . . 66
Figure 5.11 RAE2822 - Comparaison des coefficients de pression (maillage L2) . . 67
Figure 5.12 RAE2822 - Nombre de Mach pour les profils initial et optimisés (maillage
L2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
 xii

Figure 5.13 Position de la condition frontière . . . . . . . . . . . . . . . . . . . . 69

Figure 5.14 RAE2822 - Étude de convergence - maillage modifié . . . . . . . . . . 70
Figure 5.15 Série de maillages appliqués sur le modèle d’aile d’avion CRM . . . . 73
Figure 5.16 Aile NASA CRM - Position des points de contrôle RBF . . . . . . . . 74
Figure 5.17 Distribution des points de contrôle au niveau du Yehudi break . . . . 74
Figure 5.18 Aile NASA CRM initiale (maillage L2) - Convergence des résidus et
des coefficients aérodynamiques . . . . . . . . . . . . . . . . . . . . . 75
Figure 5.19 Aile NASA CRM - Étude de convergence - aile initiale . . . . . . . . 76
Figure 5.20 Aile NASA CRM - Historique d’optimisation de la traînée totale . . . 78
Figure 5.21 Aile NASA CRM - Distribution du coefficient de pression sur l’extrados 79
Figure 5.22 Aile NASA CRM - Coefficients de pressions . . . . . . . . . . . . . . 80
Figure 5.23 Aile NASA CRM - Optimisation de la traînée totale - senseur de choc 81
Figure 5.24 Aile NASA CRM - Historique d’optimisation de la traînée nette . . . 82

W
Figure 5.25 Aile NASA CRM - Optimisation de la traînée nette - vitesse axiale au
bord de fuite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
IE
EV
PR
 xiii

LISTE DES SIGLES ET ABRÉVIATIONS

Abréviations

ADODG AIAA Design Optimization Discussion Group

CAD Conception assistée par ordinateur
Computer-Aided Design
CFD Computational Fluid Dynamics
CRM Commun Research Model
NASA National Aeronautics and Space Administration
RANS Reynolds Averaged Navier-Stokes
RBF Fonction de base radiale

W
Radial Basis Function
TPS Spline en plaque mince
Thin-Plate Spline IE
Définitions
EV
x,y,z coordonnées cartésiennes - x est la direction de vol
u,v,w composante de vitesse
a vitesse du son
Re nombre de Reynolds
PR

M nombre de Mach
Fviscous senseur délimitant la zone visqueuse : viscous sensor
Fshock senseur délimitant l’onde de choc : shock sensor
f~ vecteur de quantité de mouvement
~n vecteur normal pointant vers l’extérieur du domaine
p pression
T température
~q vecteur vitesse
~τ tenseur de contrainte déviatorique
~τx tenseur de contrainte longitudinale ~τx = ~τ · ~i
H enthalpie
s entropie
α angle d’incidence
γ ratio de chaleur spécifique
 xiv

φ variable généralisée
R constante des gaz parfaits
µl viscosité dynamique
µt viscosité dynamique turbulente
Ω volume de contrôle
ν̃ viscosité cinématique turbulente modifiée
η pourcentage de l’envergure de l’aile

Indices

∞ Écoulement libre/non-perturbé

W
IE
EV
PR
 1

CHAPITRE 1 INTRODUCTION

1.1 Contexte et motivation

De nos jours, le monde de l’aviation civile est plus compétitif que jamais. Afin d’assurer le
succès commercial d’un nouvel avion de ligne, un constructeur doit répondre aux exigences
de plusieurs intervenants. D’un côté, les transporteurs aériens demandent des appareils moins
dispendieux, toujours plus économiques en carburant, afin de réduire leurs coûts d’exploita-
tion. De l’autre, les gouvernements exigent des avions moins bruyants et moins polluants en
instaurant des normes environnementales toujours plus contraignantes et restrictives. Notam-
ment, de nouvelles normes d’émission de CO2 ont récemment été adoptées par l’Organisation
de l’Aviation Civile Internationale [1].

W
Afin de se démarquer dans un marché toujours plus concurrentiel, les constructeurs doivent
IE
sans cesse innover en développant des appareils plus performants. Ces constructeurs doivent
optimiser leurs prototypes sous toutes leurs facettes. Parmi tous les aspects considérés lors
de la conception d’un avion de ligne, des efforts importants sont investis afin d’améliorer
EV
les caractéristiques aérodynamiques. Une partie du travail consiste à réduire au maximum
l’influence des forces nuisibles empêchant un déplacement efficace de l’avion. De façon spéci-
fique, nous parlons ici de minimiser la traînée aérodynamique.
PR

Présentement, en industrie, la traînée aérodynamique d’une aile est réduite en utilisant un

processus d’optimisation. De manière automatique, le processus modifie la forme d’une aile,
détermine la traînée qu’elle génère à l’aide d’un calcul de mécanique des fluides numérique et
compare le résultat obtenu à d’autres configurations d’ailes déjà évaluées durant le processus.
Ces étapes sont répétées jusqu’à ce qu’une forme d’aile idéale soit identifiée.

Pour réaliser l’analyse de mécanique des fluides de chacune des ailes générées par l’optimi-
seur, un maillage doit être préparé. Cette opération consiste à subdiviser l’espace autour de
l’aile en une très grande quantité de cellules. Typiquement, le nombre de cellules nécessaires
à une analyse peut varier de quelques millions à plusieurs dizaines de millions d’éléments. Le
nombre de cellules choisi influence grandement la précision du calcul de traînée et la puissance
de calcul requise pour l’obtenir. Plus le nombre de cellules est élevé, plus le calcul de traînée
est précis et long à compléter. Au cours d’une optimisation, des centaines de configurations
 2

d’ailes sont évaluées et comparées. Un maillage grossier comportant peu de cellules doit donc
préférablement être utilisé. Ceci permet de compléter une optimisation dans des délais rai-
sonnables mais induit une erreur non négligeable dans le calcul de traînée aérodynamique.
Mis à part les erreurs de discrétisations intrinsèques à l’utilisation d’un maillage grossier, une
partie importante des erreurs numériques se manifeste par l’apparition d’une fausse-traînée
aérodynamique. La présence de cette dernière masque certaines solutions à l’optimiseur et
risque de guider ce dernier vers de fausses solutions optimales. L’introduction d’une méthode
de décomposition de la traînée dans un processus d’optimisation permet en théorie de re-
médier à la situation en isolant la fausse-traînée et en la soustrayant de la solution numérique.

1.2 Objectif de recherche

W
L’objectif de ce projet de recherche est d’évaluer la capacité d’une méthode de décomposition
de la traînée à guider un processus d’optimisation vers une aile d’avion plus efficace. Pour
atteindre cet objectif, des processus avec et sans décomposition seront mis en place et les
IE
résultats comparés. Une première comparaison sera effectuée en implémentant des processus
optimisant le profil bidimensionnel RAE2822. Une seconde comparaison sera ensuite réalisée
EV
en optimisant l’aile d’avion tridimensionnelle NASA CRM.

1.3 Organisation du mémoire

PR

Le présent mémoire comprend un total de six chapitres incluant celui-ci. Le chapitre deux
présente une revue de littérature sommaire du domaine de l’optimisation aérodynamique et
aborde les principaux aspects concernant la mise en place d’un processus d’optimisation. Un
troisième chapitre décrit la méthodologie suivie afin d’atteindre les objectifs de ce projet de
recherche. Le quatrième chapitre présente la théorie de décomposition de la traînée ainsi que
son implémentation informatique. Finalement, les résultats obtenus pour les optimisations
bidimensionnelles et tridimensionnelles sont détaillés et comparés au chapitre cinq. Au sixième
et dernier chapitre, on retrouve la conclusion de ce projet de recherche.
 3

CHAPITRE 2 REVUE DE LITTÉRATURE

Le but du présent projet de recherche est d’évaluer les possibles avantages pouvant émaner
de l’emploi d’une technique de décomposition de la traînée lors d’une optimisation aérody-
namique d’aile d’avion. Afin d’atteindre cet objectif, un processus d’optimisation de forme
aérodynamique devra être mis en place. Un tel processus nécessite le choix et l’intégration
de plusieurs éléments, notamment d’un solveur de mécanique des fluides, d’une paramétri-
sation géométrique et d’un algorithme d’optimisation. Pour assurer une sélection judicieuse
des composantes de ce processus, une revue de littérature sommaire de celles-ci ainsi que leur
utilisation dans le cadre d’une optimisation de forme aéodynamique fut réalisée. Une revue
de la technique de décomposition de la traînée ainsi que son utilisation en optimisation a
également été effectuée.

W
2.1 Solveur numérique
IE
L’optimisation aérodynamique d’ailes d’avion est un sujet de recherche actif depuis main-
EV
tenant plusieurs décennies. La croissance rapide de la puissance informatique des dernières
années a permis d’inclure, dans les boucles d’optimisation, des modules d’analyse de mé-
canique des fluides toujours plus précis et sophistiqués. Les premières optimisations d’ailes
peuvent être recencées aux années soixante-dix avec les travaux de Hicks [2] à la National
PR

Aeronautics and Space Administration (NASA). Pour cette étude, les analyses aérodyna-
miques utilisées par le processus d’optimisation sont réalisées par un résoluteur d’écoulement
potentiel qui suppose un fluide irrotationel et non visqueux. Le calcul de traînée est très
approximatif. Dans les années quatre-vingt-dix, il devient possible d’utiliser des maillages
plus raffinés pour effectuer les analyses numériques. Des optimisations réalisées par Jameson
[3] ainsi que Reuther [4] utilisent un module pouvant résoudre les équations d’Euler pour
analyser l’écoulement autour de l’aile. Finalement, une capacité informatique toujours gran-
dissante permet de raffiner davantage le maillage, plus particulièrement en paroi de l’aile et
ainsi résoudre les équations de Navier-Stokes en moyenne de Reynolds. Ceci améliore considé-
rablement la résolution du calcul de traînée aérodynamique. Une des premières optimisations
utilisant ce type de calculs pour évaluer le comportement d’un écoulement autour d’une aile
fut réalisée par Jameson [5]. Récemment, des optimisations ont été réalisées par Méheut [6],
Lyu [7] ainsi que par Kenway [8] sur un modèle d’avion préparé par la NASA portant le nom
de Common Research Model (CRM).
 4

Une optimisation aérodynamique étant un processus exigeant en temps de calcul, de nou-

velles méthodes ont dû être développées afin de remédier à la situation. La théorie du contrôle,
employée en ingénierie pour étudier les comportements de systèmes dynamiques, a été ap-
pliquée pour la première fois à un problème de conception par Pironneau [9]. Cette théorie,
transposée à des problèmes d’optimisations aérodynamiques par Jameson [3, 10, 11], s’est
révélée comme étant une méthode efficace pouvant pallier aux longues durées d’exécution en-
travant les processus d’optimisation. Les méthodes adjointes, issues de la théorie du contrôle,
sont maintenant très utilisées pour accélérer les processus d’optimisation aérodynamique.
Elles ont entre autres été employées par Lyu [12] pour effectuer des optimisations RANS
de l’aile d’avion CRM et par Chen [13] pour réaliser une optimisation de la configuration
aile-fuselage-empennage du CRM. Un nombre relativement restreint d’évaluations (moins de
150) fut nécessaire pour converger chacune des optimisations. Aujourd’hui, les solveurs ad-

W
joints sont facilement accessibles et sont implémentés dans plusieurs logiciels tels que ANSYS
Fluent, STAR-CCM+ et SU2 .
IE
2.2 Paramétrisations géométriques
EV

Une paramétrisation géométrique peut être définie comme un ensemble de données, généra-
lement liées par des relations mathématiques, employées afin de générer des objets de formes
et de grandeurs différentes. Dans un processus d’optimisation, les paramètres choisis pour
PR

dimensionner ces objets sont utilisés comme variables de design. Ces variables sont modi-
fiées de manière automatique et itérative par un optimiseur afin de générer les différentes
formes qui seront soumises à un solveur pour analyse. Une paramétrisation permet donc à
un optimiseur d’explorer un espace de design et de chercher la solution optimale à un pro-
blème donné en changeant la forme d’une géométrie. Les différentes valeurs imposées aux
variables de design sont déterminées par un algorithme d’optimisation (cf. section 2.3) qui
a pour rôle d’élire les géométries de l’espace de design qui devront être évaluées par le solveur.

Dans le monde de l’aviation, il existe une gamme très variée de topologie d’appareils. La
figure 2.1 illustre schématiquement quelques configurations pouvant être rencontrées. Selon
les objectifs de conception établis lors des phases préliminaires d’un projet d’ingénierie, un
processus d’optimisation peut être appelé à travailler sur des topologies variables ou fixes.
Lorsque les concepteurs souhaitent balayer un vaste espace de design et explorer un large
éventail de solutions, il est souvent nécessaire d’utiliser un processus d’optimisation qui em-
PR
EV
IE
W
 6

de profils contenues dans la banque de données. Ils indiquent qu’il est nécessaire d’utiliser
une paramétrisation comptant de 20 à 25 paramètres pour reproduire tous les profils de la
banque et de 13 à 18 pour en couvrir 80 pour cent. L’impact du choix de la méthode de
paramétrisation sur les résultats de l’optimisation ainsi que la vitesse à laquelle elle converge
vers un optimum sont aussi rapportés par Wu [20] ainsi que par Samareh [21].

W
(a) géométrie initiale (b) géométrie modifiée

Figure 2.2 Changement de forme d’une topologie invariante

IE
À l’heure actuelle, les méthodes de paramétrisation existantes peuvent essentiellement être
classifiées en deux catégories. La première consiste à appliquer la paramétrisation au modèle
EV
géométrique, souvent effectuée par l’entremise d’un logiciel de conception assisté par ordina-
teur (CAO). Au cours d’une optimisation, les paramètres de la géométrie sont altérés afin
de naviguer à l’intérieur de l’espace de design. La construction du maillage, nécessaire à la
suite des calculs du processus d’optimisation, s’appuie sur ce modèle géométrique paramétré.
PR

La seconde regroupe les méthodes appliquant la paramétrisation directement au maillage,

court-circuitant les modèles géométriques et les logiciels de CAO lors du processus d’opti-
misation. Pour ces types de paramétrisation, les paramètres sont utilisés afin de modifier le
maillage directement, ce qui permet ainsi à un optimiseur d’explorer un espace de design
sans intervenir au niveau de la géométrie. Le modèle géométrique n’est utilisé qu’une seule
fois pour construire le maillage initial sur lequel sera appliquée la paramétrisation.

Appliquée à une géométrie ou un maillage, une paramétrisation peut être de nature construc-
tive ou déformative. Les paramétrisations constructives sont utilisées de manière à générer
une série de formes à partir d’un ensemble de paramètres. Les paramétrisations déformatives
utilisent les paramètres définis afin de changer et d’altérer une géométrie ou un maillage exis-
tant. Le tableau 2.1 répertorie quelques-unes des méthodes de paramétrisation apparaissant
dans la littérature. Les lignes qui suivent sont focalisées sur les méthodes les plus fréquem-
ment utilisées en optimisation aérodynamique.
 7

Tableau 2.1 Types de méthodes de paramétrisations

Constructive Déformative
Analytique Déformation de forme libre (FFD)
Bosse de Hicks-Henne
Class-Shape-Transformation
Géométrie

Spline
B-Spline
Bézier
Non-Uniform Rational B-Splines (NURBS)
Parametric Section (PARSEC)
Singular Value Decomposition (SVD)
Équations aux dérivées partielles
Fonction de base radiale (RBF)
Répartition de matière

W
Maillage

Domain-element
Méthode discrète

IE
EV
Une proportion importante des méthodes de paramétrisation existantes sont constructives et
de type géométrique. Les méthodes de Bézier, B-Spline (basis spline), NURBS et PARSEC
sont couramment employées en optimisation aérodynamique. La méthode de Bézier est très
efficace et permet de paramétrer un profil d’aile d’avion simple avec peu de paramètres. Pour
PR

cette méthode, la modification d’une seule variable de design définissant la paramétrisation

d’un profil influence globalement la forme de ce dernier. Il est cependant très difficile, avec
une courbe de Bézier, de modifier localement un profil et d’avoir un contrôle précis et raffiné
de sa forme. Cette méthode permet difficilement de générer des profils complexes, ce qui a
pour effet de restreindre l’espace de design d’une géométrie. Peigin et Epstein [22] ont réalisé
l’optimisation aérodynamique d’un avion à aile-fuselage intégrés (Blended-Wing Body) en
paramétrant celui-ci avec des courbes de Bézier. Les B-Splines peuvent pallier aux difficultés
présentées par les courbes de Bézier en permettant des modifications locales d’un profil aé-
rodynamique. Celles-ci peuvent être effectuées en faisant varier un seul paramètre de design.
Les B-Splines ont été utilisées par Osusky [23] pour optimiser l’aile ONERA M6 et par Car-
rier et al. [24] pour optimiser l’aile d’avion CRM. Malgré la latitude offerte par la méthode
B-Spline pour générer des formes géométriques, certaines formes ne peuvent être représen-
tées. Pour élargir davantage l’étendue des géométries pouvant être créées, il est nécessaire
d’avoir recours aux NURBS, une généralisation des courbes de Bézier et des B-Splines. Les
 8

NURBS permettent de générer des géométries plus complexes telles que des coniques. Elles
permettent donc de produire des profils d’aile plus élaborés ou des sections complexes d’avion
telle qu’une jonction aile-fuselage. Un autre avantage des NURBS est le nombre limité de
paramètres qu’elle requiert pour générer des géométries complexes. Les NURBS ont été uti-
lisées par Painchaud-Ouellet [25] pour réaliser une optimisation aérodynamique d’un profil
bidimensionnel transsonique dans un écoulement visqueux.

Une autre technique utilisée pour paramétrer des profils aérodynamiques est la méthode
PARSEC (Parametric Section) de Sobieczky [26]. Contrairement aux méthodes précédentes,
la méthode PARSEC n’utilise aucun point de contrôle pour définir une paramétrisation, mais
emploie plutôt un ensemble de paramètres provenant des caractéristiques géométriques d’un
profil aérodynamique. Parmi les onze paramètres nécessaires pour définir une paramétrisa-
tion PARSEC, on retrouve notamment le rayon de courbure du bord d’attaque, les courbures

W
de l’intrados et extrados ainsi que l’angle du bord de fuite du profil. Cette paramétrisation
intuitive ne possède pas un nombre suffisant de degrés de liberté pour permettre une explo-
IE
ration étendue et exhaustive d’un espace de design donné. Malgré cette limitation, plusieurs
optimisations ont été complétées avec cette méthode. Entre autre, une optimisation aéro-
dynamique de l’aile du modèle d’avion DLR-F6 a été accomplie par Yamazaki [27] et une
EV
optimisation aérostructurelle d’un Regional Jet a été réalisée par Chiba [28].

La majorité des méthodes de paramétrisation intervenant au niveau géométrique sont construc-

tives. Pour celles-ci, une modification paramétrique nécessite la reconstruction complète du
PR

modèle géométrique. Il existe cependant une méthode de paramétrisation permettant de mo-

difier une géométrie sans avoir à la regénérer. La déformation de forme libre (Free-Form
deformation, FFD), proposée par Sederberg et Parry [29] et basée sur une technique de Barr
[30], est une méthode déformative permettant d’apporter des modifications à une géométrie
sans avoir à la reconstruire. Pour cette méthode, la topologie de la géométrie subissant une
déformation est toujours préservée. Essentiellement, la méthode FFD consiste à placer une
géométrie d’intérêt à l’intérieur d’une boîte composée d’une distribution uniforme de points
de contrôle. Le déplacement des points de contrôle de cette boîte entraîne la géométrie à
l’intérieur en la modifiant. La méthode FFD paramétrise donc le déplacement de points de
contrôle qui engendrent des variations de géométrie plutôt que de paramétrer directement
les éléments la caractérisant. La figure 2.3 utilise la géométrie générique connue sous le nom
de Utah teapot pour illustrer la modification d’une géométrie par méthode FFD en utilisant
une boîte comportant 4x4x4 points de contrôle uniformément distribués. La méthode FFD
a été utilisée par Lyu [7] pour optimiser l’aile d’avion CRM. Pour cette optimisation, 720
 9

points de contrôle ont été mis en place de manière uniforme autour de l’aile afin de contrôler
sa forme.

(a) avant modification FFD (b) après modification FFD

Figure 2.3 Modification d’une géométrie par FFD

W
Contrairement aux méthodes précédentes, qui sont constructives, les méthodes de paramé-
trisation qui sont destinées à être appliquées directement à des maillages sont toutes de type
IE
déformatives. Une des méthodes déformatives parfois employée en optimisation aérodyna-
mique est la méthode de fonction à base radiale (Radial basis fonction, RBF). Depuis main-
tenant plusieurs années, cette approche est employée pour effectuer des calculs statistiques,
EV
des calculs d’interactions fluide-structure ainsi que des calculs d’analyse et de reconstruc-
tion de signal. La théorie de la méthode des fonctions à base radiale peut être consultée
dans Buhmann[31] et dans Wendland[32]. Cette approche est une méthode employant un
ensemble de points sources ajoutés à un maillage existant afin d’induire des changements
PR

ou des transformations à l’intérieur de ce dernier. Ces points ne sont pas liés au maillage
et peuvent être positionnés à n’importe quel endroit à l’intérieur de l’objet. Pour une opti-
misation utilisant cette méthode, les variables de design deviennent les déplacements où les
perturbations imposées à chacun des points sources définis dans le maillage. Le déplacement
des noeuds d’un maillage est ensuite déterminé à l’aide des fonctions RBF. Du point de vue
d’une optimisation aérodynamique, la méthode est intéressante car les maillages résultant
d’une déformation demeurent lisses. La propagation des déformations suite au mouvement
des points sources est elle aussi graduelle et uniforme, même dans les situations où les dépla-
cements sont importants. Des maillages lisses sont importants car ils favorisent l’obtention de
solutions aérodynamiques de qualité et des processus d’optimisation robustes. La méthode
RBF a été utilisée par Jakobsson [33] pour optimiser l’aile d’avion ONERAM6 et par Bisson
[34] pour optimiser l’aile CRM. La méthode RBF utilisée dans ces processus d’optimisation
est maintenant intégrée dans des logiciels commerciaux tel que ANSYS Fluent ou des logiciels
libres d’accès tel que OpenFOAM.
 10

2.3 Algorithmes d’optimisation

Un algorithme d’optimisation est une série de règles prédéterminées, employé afin de cher-
cher et d’identifier parmi un ensemble de possibilités, la meilleure solution à un problème
donné. Il existe une multitude de type de problèmes d’optimisation nécessittant chacun un
algorithme particulier pour les résoudre efficacement. La figure 2.4 présente une arborescence
des types de problèmes pouvant parfois être rencontrés. Les algorithmes d’optimisation dis-
ponibles pour résoudre ces problèmes sont nombreux et peuvent être classés parmi l’une des
catégogies suivantes : les algorithmes à gradients, les algorithmes métaheuristiques et les al-
gorithmes hybrides. Une revue de l’état de l’art des algorithmes utilisés en optimisation de
forme aérodynamique a été réalisée par Skinner[35].

W
IE
EV
PR

Figure 2.4 Taxonomie des problèmes d’optimisation (selon NEOS 2 )

2.3.1 Algorithmes à gradient

Réaliser une optimisation avec ce type d’algorithme implique l’évaluation du gradient de la

fonction coût pour explorer un espace de design et converger vers une solution optimale. Pour
obtenir ce dernier, il est nécessaire d’estimer la sensibilité de la fonction coût pour chacune
des variables de design définies lors de la paramétrisation du modèle géométrique. Plusieurs

2. NEOS, [Link]

Reproduced with permission of copyright owner. Further reproduction prohibited without permission.