Axe de recherche : Contrôle-commande, monitoring, mesure et capteurs
Porteurs du projet : Yann Laurant, General Electric Renewable Energy & Didier Georges, Laboratoire du GIPSA-lab
Organismes associés au projet : GIPSA-Lab & General Electric Renewable Energy
Le projet :
Lors de la conception d’une nouvelle machine hydraulique, une des étapes les plus importantes et plus couteuses consiste à construire un modèle réduit sur lequel des essais expérimentaux peuvent être réalisés. Pendant ces essais, divers capteurs distribués dans la turbine mesurent ses caractéristiques de fonctionnement (e.g., charge, débit, vitesse de rotation, rendement, etc.) et, étant donné que la géométrie de la machine est elle aussi bien connue, cela signifie qu’une quantité significative de données (physiques et géométriques) est disponible à la fin de chaque essai. L’exploitation de ces données, notamment par des techniques de datamining and machine learning, peut donc servir à identifier des relations et construire des modèles de prédiction des caractéristiques de fonctionnement d’une turbine sans avoir plus besoin à des essais physiques, en réduisant ainsi le coût et le temps nécessaire à la conception d’une nouvelle machine.
Objectifs du projet :
Les trois objectifs principaux de ce projet de recherche sont :
- Analyser les données expérimentales de dizaines de turbines hydrauliques étudiées expérimentalement par General Electric pour ensuite élaborer une base de données adaptée à l’exploitation par des techniques de datamining ;
- Créer des modèles du type surrogate à partir de cette base de données en utilisant plusieurs techniques d’apprentissage supervisées (e.g., AdaBoost, RBF, réseaux de neurones artificiels et à convolution) ainsi que des méthodes d’optimisation de leurs hyperparamètres ;
- Evaluer la fiabilité de la prédiction de chaque modèle surrogate et déterminer ceux qui sont appropriés à la conception des machines hydrauliques plus performantes.
Résultat attendu :
L’objectif final du projet sera de développer des nouveaux outils basés notamment sur des modèles de prédiction conçues à partir de l’exploitation des bases de données expérimentales existantes par des techniques de machine learning. Ces outils pourront, ensuite, remplacer les essais expérimentaux et/ou simulations numériques, en réduisant ainsi le coût associé à la conception des nouvelles machines hydrauliques plus performantes.
Planning :
Octobre 2021 – Décembre 2022
