Modélisation des performances du moteur General Electric CF34-8C5B1 de l’avion CRJ700 à partir des réseaux de neurones et des tests en vol

Résumé

Une nouvelle méthodologie a été développée afin d’identifier le modèle statique de performances de la turbosoufflante General Electric CF34-8C5B1 en utilisant deux réseaux de neurones en cascade de types perceptron simple couche avec une propagation directe (en anglais FeedForward Neural Network) et à l’aide des tests en vol. Les tests ont été réalisés sur le simulateur de vol du CRJ700 certifié niveau D pour toute l’enveloppe de vol de l’avion et pour quatre phases de vol, dont le décollage, la montée, la croisière et la descente. La méthodologie a été réalisée en deux étapes. La première étape a consisté en l’estimation des paramètres de design du moteur, dont le rapport de pression du moteur (Engine Pressure Ratio ou EPR), le rapport de pression de la soufflante (Fan Pressure Ratio ou FPR) et le rapport de pression totale (Overall Pressure Ratio ou OPR), la température d’entrée de la turbine ITT, la vitesse de rotation de la soufflante N1 et la vitesse de rotation de la turbine N2 à partir d’un premier réseau de neurones ECS-NET. L’objectif de cette étape tend à reproduire le système de contrôle du moteur en modélisant les niveaux de poussée ainsi que les paramètres de chaque composant du moteur. La deuxième étape a consisté en l’estimation des paramètres de performances dont le débit de carburant Wf et la poussée Fn à partir d’un deuxième réseau de neurones ENG-NET. Les entrées du modèle sont notamment l’altitude, le nombre de Mach et les conditions atmosphériques comme la température ambiante, la pression ambiante et la densité. L’identification du modèle a été réalisée avec succès sur le logiciel d’ingénierie Matlab/Simulink et elle a donné d’excellents résultats. Les réseaux de neurones ont été entraînés avec l’algorithme de régularisation bayésienne, qui a été capable d’identifier un système non linéaire à partir d’un nombre minimum de données. Différentes combinaisons de sorties du modèle ECS-NET ont été ensuite proposées, ce qui a démontré la capacité des réseaux de neurones à s’adapter par rapport aux paramètres disponibles. La phase de validation a été réalisée à partir d’une analyse comparative entre les sorties de chaque modèle et celles de l’avion de référence. Pour ce faire, une analyse statistique a été réalisée pour l’ensemble des tests, puis différents scénarios de simulation ont été étudiés, dont un scénario pour la panne du moteur lors de la phase de croisière. Les résultats obtenus pour les paramètres de sortie ont montré que les modèles ont une excellente capacité de prédiction, avec une erreur relative inférieure à 2 % et une déviation standard inférieure à la tolérance de 5 % définie par la FAA.

Date	13 juin 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Ruxandra Botez (Directeur(-trice))