Des modèles d'apprentissage pour prédire l'environnement vibratoire des avions
Pour concevoir, fiabiliser et certifier un avion, qu'il soit civil ou militaire, son environnement vibratoire doit être pris en compte. L'absence de modèles physiques numériques pouvant se substituer à la connaissance de cet environnement a mené à une collaboration entre Laboratoire interdisciplinaire des sciences du numérique (LISN - CNRS/Université Paris-Saclay) et Dassault Aviation à travers le co-encadrement d'une thèse. Ces travaux, récompensés par le prix de thèse 3AF 2024 de l’Association aéronautique et astronautique de France (3AF), ouvrent la voie à de nouvelles méthodes tirant partie de la richesse des données d'essais en vol tout en exploitant les modèles mécaniques conventionnels.
Au cours d'un vol, un avion doit supporter un certain nombre de contraintes variées et potentiellement sévères parmi lesquelles figure l'environnement vibratoire. Pour garantir sa fiabilité et le bon fonctionnement de ses équipements embarqués, l'environnement vibratoire doit être spécifié au mieux, avec l'appui des organismes de certification.
En l'absence de mesures, notamment en phase de préconception, les niveaux vibratoires spécifiés sont estimés grâce au savoir-faire de l'avionneur. Ces niveaux sont ensuite validés lors des essais en vol de l'avion, posant le risque d'un équipement non optimisé pour son environnement, pouvant être source d'une modification tardive de l'équipement. Les outils de modélisation actuels ne donnent qu'une estimation des niveaux vibratoires dans une gamme de fréquence réduite. Ces niveaux sont validés tardivement lors des essais en vol de l'avion, risquant un équipement plus lourd que nécessaire, voire une modification de l'équipement prévu initialement.
La solution proposée ? Explorer des méthodes innovantes pour mieux estimer la réponse vibratoire d'un appareil, en capitalisant sur les informations extraites des données d'essais en vol. C'est dans ce cadre que des travaux de thèse ont été lancés au LISN avec le soutien des directions Essais en vol et Aéro-structures de Dassault Aviation.
En s'appuyant sur les données d'essais en vol et en les combinant avec les connaissances du domaine, de nouvelles méthodologies ont été proposées afin d'assurer un meilleur traitement de ces données massives et complexes. Parmi ces méthodes, la génération de modèles d'apprentissage automatique adaptés au contexte aéronautique, ainsi que la création d'une nouvelle représentation de la propagation des vibrations dans la structure constituent des contributions significatives.
Ces travaux récompensés ouvrent la voie à de nombreuses perspectives. En effet, les connaissances établies vont très rapidement aider à un meilleur suivi des avions en sortie de production. De travaux complémentaires vont être menés pour approfondir la modélisation des phénomènes vibratoires sur un nouvel avion par l'amélioration des techniques d'hybridation entre les modèles physiques et l'historique des vols d'essais.
Références
Stéphane Février. Prediction of aircraft vibration environment using machine learning. 2023.
Stéphane Février, Stéphane Nachar, Lionel Mathelin, Frédéric Giordano, Bérengère Podvin. Data-Driven Model to Predict Aircraft Vibration Environment. AIAA Journal, 61.