Contrôle rétroactif du sillage d’un véhicule routier – COWAVE

Dans ce projet, nous réaliserons des essais expérimentaux en soufflerie et en canal hydraulique, des simulations numériques et développerons des stratégies de contrôle par apprentissage automatique. Deux maquettes de corps automobiles génériques seront utilisées : un corps de Ahmed à culot droit et un modèle de voiture à échelle réduite. Le premier sera utilisé essentiellement en canal hydraulique et le second en soufflerie. Les stratégies de contrôle seront testées sur les deux configurations en combinant comme actionneurs des volets fixes ou mobiles et des micros jets. Les stratégies de contrôle les plus efficaces seront testées sur un véhicule réel. Les expériences seront réalisées à PRISME et à l’institut Pprime. LHEEA prendra en charge les simulations numériques. Finalement, PSA apportera son expertise du
monde industriel automobile et aidera pour l’utilisation sur un véhicule réel de la stratégie de contrôle développée.

Les essais réalisés en soufflerie sur un corps de Ahmed et des calculs haute performance ont montré des résultats prometteurs. Sur le modèle de base, l'analyse fine du sillage a permis une caractérisation approfondie des mécanismes de transfert entre l'écoulement extérieur et la bulle de recirculation derrière le corps, mécanisme responsable d'une grande partie de la traînée. La comparaison calcul/expérience sur cette configuration de base a permis de déterminer le modèle de Turbulence (DDES), une modélisation hybride RANS-LES de la turbulence, qui donne le meilleur accord avec l'expérience. Une étude paramétrique expérimentale de l’influence de la longueur et de l’inclinaison de volets horizontaux et verticaux a ensuite été réalisée. Suite à cette étude paramétrique, deux configurations ont été choisies pour approfondir l'analyse à l'aide de simulations numériques. Ces configurations ont été choisis en prenant comme compromis l’efficacité du contrôle, d’une part, et l’encombrement des volets, d’autre part. Nous avons ainsi retenus des volets de longueur modérée conservant une bonne efficacité. Nous avons également entamé des études expérimentales et numériques sur un modèle réduit d'un véhicule réel (C4). En parallèle, des travaux ont été réalisés sur les stratégies de contrôle en boucle fermée. Après avoir testé plusieurs approches d'apprentissage automatique (Machine Learning), le choix s'est porté sur l'apprentissage par renforcement (Reinforcement Learning). Pour les développements numériques, un cas générique d’écoulement de sillage à faible nombre de Reynolds a été retenu : le cas du flipper fluidique (fluidic pinball). Des résultats très encourageants ont été obtenus (65% de réduction de traînée à partir de trois capteurs positionnés dans le sillage).

Pour caractériser l’écoulement de sillage et déterminer les performances aérodynamiques, nous allons réaliser des études expérimentales en soufflerie sur le modèle réduit et des simulations numériques. Des études expérimentales dans un canal hydraulique vont démarrer sous peu à l’Institut Pprime. Elles vont permettre d'élargir la gamme du nombre de Reynolds étudié dans ce projet et s'affranchir du problème d'échelles. La stratégie de contrôle par Reinforcement Learning va être testée dans le canal hydraulique. Les stratégies les plus performantes seront appliquées en soufflerie sur le corps de Ahmed et le modèle réduit de véhicule routier. Si le temps le permet, des tests seront réalisés en fin de programme sur un véhicule réel.

Publications
1. Bucci M.A., Semeraro O., Allauzen A., Wisniewski G., Cordier L. & Mathelin L., Control of chaotic systems by deep reinforcement learning, submitted. 2019. Accepted in PRSA. Available on arXiv 1906.07672.
2. R. K. Niven, L. Cordier, E. Kaiser, M. Schlegel, B. R. Noack. «Rethinking the Reynolds Transport Theorem, Liouville Equation, and Perron-Frobenius and Koopman Operators ». Submitted to Journal of Physics A: Mathematical and Theoretical

Communications
1. Bucci M.A., Semeraro O., Allauzen A., Cordier L., Wisniewski G. & Mathelin L., Control of a chaotic dynamical system with a deep reinforcement learning approach, 90th GAMM Annual Meeting, Vienna, Austria, February 18 - 22, 2019.
2. Bucci M.A., Semeraro O., Allauzen A., Cordier L., Wisniewski G. & Mathelin L., Control-oriented model learning with a recurrent neural network, APS-DFD: Annual Meeting of the American Physical Society, Atlanta, GA, USA, November 18 - 20, 2018.
3. N. Kumar, F. Kerhervé, L. Cordier, Data Assimilation for control of a plane mixing layer, GDR Contrôle des Décollements, IMFT Toulouse, 8-9 Novembre 2018
4. N. Kumar, F. Kerhervé, L. Cordier, Dynamic reconstruction of a numerical 2D cylinder wake flow using Data Assimilation, 5th Symposium on Fluid-Structure-Sound Interactions and Control (FSSIC2019), Crete , Greece, 27-30 August 2019
5. R. K. Niven, A. Mohammad-Djafari, L. Cordier, M. Abel and M. Quade, Bayesian Identification of Dynamical Systems, Workshop on Bayesian Inference and Maximum Entropy Methods in Science and Engineering (MaxEnt 2019), Garching/Munich, GERMANY, Jun 30-Jul 5, 2019
6. W. ZEIDAN, N. MAZELLIER, E. GUILMINEAU, A. KOURTA, Aerodynamic drag reduction and flow control of a simplified road vehicle, 24ème Congrès Français de Mécanique, 26-30 Août 2019, Brest, France.

Les sillages de corps épais tridimensionnels sont d’une importance capitale en raison du rôle clef qu’ils jouent dans l’industrie automobile. Ces sillages contribuent à la consommation et à l’émission des gaz à effet de serre. Les limitations drastiques de l’Union Européenne concernant ces deux mécanismes conduisent les industriels de l’automobile à réfléchir au véhicule efficace. Dans ce projet, nous proposons des solutions robustes de réduction de traînée et du fuel consommé par les véhicules routiers via du contrôle en boucle fermée des écoulements turbulents. Ces stratégies de contrôle doivent être valides sur une large plage de fonctionnement incluant le changement de la vitesse amont et des bourrasques de vent latéral. Pour atteindre cet objectif, nous combinons du contrôle passif, du contrôle actif et du contrôle en boucle fermée en utilisant des déflecteurs compliants, des micro-jets instationnaires et des techniques d’apprentissage automatique. Ce projet vise à prouver la faisabilité du contrôle de l’échelle du laboratoire au démonstrateur industriel pleine échelle. Les répercussions essentielles de ce projet seront la réduction des impacts environnementaux de l’industrie du transport, le gain en compétitivité et la création d’emplois. Ce projet consiste en des essais expérimentaux réalisés en soufflerie et en canal hydraulique, en des simulations numériques et en développement de stratégies de contrôle. Deux maquettes génériques seront utilisées : un corps d’Ahmed à culot droit et un modèle de voiture à échelle réduite. Ce dernier est représentatif d’un SUV et est inspiré d’un modèle utilisé dans le cadre d’une collaboration entre POAES (Plastic Omnium) et PRISME. Des stratégies passive et active de contrôle seront testées sur les deux configurations en combinant des volets fixes ou mobiles et des micros jets. Du contrôle en boucle fermée sera également mis en œuvre dans les deux cas. Les stratégies de contrôle seront développées principalement par PPRIME. Les expériences seront faites à PRISME et à PPRIME. Le LHEEA prendra en charge les simulations numériques et l’optimisation. Enfin, le groupe PSA apportera son expertise de constructeur automobile et évaluera la faisabilité industrielle des stratégies de contrôle développées.