Développement d'une méthode d'assimilation de données pour la calibration et la mise à jour en continu de modèles fidèles d'éoliennes

Mots clé :

• modèle de régression par processus Gaussien
• K-plus proches voisins
• indices de Sobol' agrégés
• modèles numériques d'éolienne

Ces dernières décennies ont été marquées par un développement simultané des technologies des capteurs et des capacités de modélisation numérique haute-fidélité. Cela ouvre la voie à de nouvelles approches de surveillance en temps réel. Dans ce contexte, la caractérisation et la réduction des incertitudes est un point clé pour obtenir un modèle numérique fiable d'un actif industriel. Les travaux de cette thèse se concentrent sur le cas spécifique d'un simulateur aéro-servo-élastique d'éolienne. Dans un premier temps nous proposons une approche de quantification de l'incertitude adaptée à notre simulateur stochastique, coûteux en temps, et produisant des sorties fonctionnelles. Cette analyse a pour objectif d'étudier l'impact de l'incertitude des paramètres d'entrée sur diverses quantités d'intérêt cruciales pour la durée de vie d'une éolienne, comme par exemple les indicateurs de fatigue. Les outils d'analyse de sensibilité globale sont ensuite utilisés pour identifier les paramètres non identifiables à partir des observations disponibles. Les paramètres identifiables sont ensuite calibrés grâce à une approche d'inférence récursive basée sur le paradigme bayésien. Par approche d'inférence récursive, nous entendons que les données sont traitées séquentiellement lorsque de nouvelles observations sont disponibles. Après une étude préliminaire concentrée sur les paramètres liés à la structure, nous avons pu intégrer les paramètres de forçage, en particulier ceux des champs de vent simulés. Notre approche s'est concentrée sur les méthodes d'assimilation de données, et plus particulièrement le filtre de Kalman d'ensemble. Afin d'intégrer les paramètre de forçage dont la dynamique n'est pas toujours explicite, nous avons proposé un filtre de Kalman d'ensemble non paramétrique dans lequel la dynamique de l'état, lorsqu'elle est inconnue, est approchée par un estimateur des plus proches voisins.

Directeurs:

• Mme Clémentine Prieur (Université Grenoble Alpes )
• Mme Elise Arnaud (Université Grenoble Alpes )

Raporteurs:

• Mme Valérie Monbet (Université Rennes 1 )
• Mme Nathalie Bartholi (ISAE-SUPAERO )

Examinateurs:

• Mme Anne Cuzol (Université Bretagne Sud )
• Mr Bruno Sudret (ETH Zurich )
• Mr Eric Blayo (Université Grenoble Alpes )
• Mr Nicolas Gayton (SIGMA Clermont )