Robust design of acoustic treatment for nacelle noise reduction using computational aeroacoustics and uncertainty quantification
Conception robuste de traitements acoustiques des nacelles utilisant des méthodes aéroacoustiques numériques et de quantification d'incertitude
Résumé
In modern turbofan engines, fan noise is one of the main noise sources due to the constant increasing of engines bypass ratio for fuel burn reduction purposes. As fan noise is characterized by broadband and tonal components, acoustic liners are introduced for their effectiveness in mitigating both components through dissipation effects that are tunable by modifying the liner geometry. Simulations issued from prediction numerical tools are thus extensively used for their tuning, since experiments cannot be considered for obvious costs reasons. As the design of liner systems is frozen in early stages of an aircraft development, it exists a non-negligible variability on its operating environment. This variability directly impacts the design of liners by inducing large discrepencies on the quantities used for its numerical design. Moreover, each time these quantities are updated due to the increased maturity of the aircraft program, lined surfaces are to be reoptimized. The updating phase thus represents important costs in terms of computational time, which could be avoided by accounting for such a variability in preliminary phases of the liner design. This is the main problematic of the present work. As this external variability directly impacts the liner environment, the computational modeling of the liner acoustic performance is uncertain. In order to quantify and account for such an uncertain nature, a robust design of the liner is carried out, by quantifying the overall uncertainty that lies within the liner design computational process. The state-of-the-art computational aeroacoustic model of nacelle liners performance is an industrial numerical code, Actran/TM, which therefore has to be extensively studied so as to exhibit the principle components that are subject to the overall uncertainty. A stochastic modeling of uncertainties is then introduced and grafted on the computational model. It allows for simulating the previously mentioned external variability, by accounting for the uncertainty that lies within the model (modeling errors and model parameters errors), through parametric and nonparametric probabilistic approaches of uncertainties. Then, the propagation of uncertainties in the system is analyzed using the computational model and the Monte Carlo stochastic solver. The acoustic response is then random and the quantification of uncertainties consists in estimating statistics, such as confidence regions associated with a certain confidence level of quantities of interest. From these statistical information, the robustness of a given liner design towards a simulated variability on its performance model can be defined, in addition to the state-of-the-art liner acoustic performance. This information then allows for knowing the propensity of a given liner design to maintain its nominal performance when its environment is changing in a predefined range of variation accounted for by the level of uncertainty imposed on the stochastic model. Then, making a compromise between performance and robustness, the best liner design can be chosen
Dans les moteurs d'avions modernes, le bruit de fan est une des principales sources de bruit du fait d'une augmentation constante du taux de dilution des moteurs visant à réduire leur consommation. Le bruit de fan étant caractérisé par des composantes tonales et multimodales, des traitements acoustiques appelés liners sont utilisés pour leur efficacité à réduire des composantes de bruit, par des effets de dissipation acoustique réglables en modifiant la géométrie du liner. Des modèles de prédictions numériques sont alors utilisés pour leur réglage. Le design du liner étant gelé dans des phases préliminaires du développement d'un avion, il existe une variabilité non négligeable sur son environnement de fonctionnement. Cette variabilité impacte directement le design du liner en induisant une large disparité des données utilisées pour son design. De plus, à mesure que la maturité de l'avion augmente, chaque mise-à-jour de ces données impose une réoptimisation du liner. Cette étape de réoptimisation induit alors d'importants coûts de calcul qui pourraient être évités en prenant en compte cette variabilité durant les phases préliminaires de design. Il s'agit de la principale problématique de ce travail. À mesure que cette variabilité externe impacte l'environnement d'opérabilité du liner, le modèle numérique de performance du liner devient alors incertain. Afin de quantifier et prendre en compte cette nature incertaine, une conception robuste du liner est alors entreprise, par quantifiant l'incertitude globale qui réside dans le modèle numérique de performance acoustique du liner. Le modèle aéroacoustique numérique utilisé est un code industriel, ACTRAN/TM, et nécessite d'être intensivement étudié afin d'en déduire les principaux composants les plus sensibles vis-à-vis de l'incertitude globale. Un modèle stochastique des incertitudes est alors introduit et greffé sur le modèle aéroacoustique. Il permet de simuler l'incertitude globale mentionnée précédemment, en prenant en compte l'incertitude qui réside dans le modèle numérique (erreurs de modèles et erreurs des paramètres du modèle), en utilisant les approches probabilistes paramétriques et non-paramétriques. Ensuite, la propagation des incertitudes dans le système est analysée en utilisant un solveur stochastique tel que la méthode de Monte Carlo. La réponse acoustique du système est alors aléatoire et la quantification des incertitudes consiste en une estimation de données statistiques telles que les intervalles de confiances associés à un certain niveau de confiance sur les quantités d'intérêts. À partir de cette information statistique, la robustesse d'un design spécifique de liner vis-à-vis d'une variabilité simulée sur son modèle de performance peut être définie, en plus de l'information classique de performance acoustique. Cette information permet alors de connaître la propension d'un design à maintenir sa performance nominale lorsque son environnement change dans un intervalle de variation préalablement défini par le niveau d'incertitudes imposé au modèle stochastique. Alors, le meilleur design peut être choisi en faisant un compromis entre performance et robustesse
Origine : Version validée par le jury (STAR)