Développement d'une méthode d'assimilation de données pour la calibration et la mise à jour en continu de modèles fidèles d'éoliennes ; Development of a data assimilation method for the calibration and continuous update of wind turbines digital twins
You can manage bookmarks using lists, please log in to your user account for this.
Media type:
Text;
Electronic Thesis;
E-Book
Title:
Développement d'une méthode d'assimilation de données pour la calibration et la mise à jour en continu de modèles fidèles d'éoliennes ; Development of a data assimilation method for the calibration and continuous update of wind turbines digital twins
Footnote:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Description:
Dans un contexte énergétique en pleine transition, l'énergie d'origine éolienne se développe rapidement. Parallèlement, dans le cadre de la digitalisation de l'industrie, l'exploitation des données collectées peut être optimisée par combinaison avec des modèles numériques d'éoliennes. Ces modèles peuvent être complexes et coûteux car ils impliquent des équations dynamiques non linéaires couplées à différentes physiques. De plus, certains de leurs paramètres d'entrée peuvent être mal ou peu connus. Ces incertitudes affectent les prédictions obtenues à partir de ces simulations et peuvent avoir un impact important sur la surveillance de l'état de la structure. Cette thèse se concentre sur la quantification et la réduction des incertitudes des paramètres d'entrée d’un modèle aéro-servo-élastique d'une éolienne. Néanmoins, les méthodes largement utilisées de quantification des incertitudes ne conviennent pas à notre contexte industriel du fait de la nature stochastique et du coût de chaque évaluation du simulateur. Nos principales contributions sont les suivantes.Premièrement, nous quantifions l'impact des incertitudes sur le comportement en fatigue d'une éolienne. Nous proposons une méthodologie d'analyse de sensibilité globale (ASG) basée sur les indices de Sobol' dans le cadre de simulations numériques stochastiques. De telles techniques, qui font souvent référence au cadre probabiliste et aux méthodes de Monte Carlo (MC), nécessitent de nombreux appels au modèle. Les paramètres d'entrée incertains sont modélisés par des variables aléatoires indépendantes regroupées dans un vecteur aléatoire et caractérisées par leur loi de probabilité. De telles analyses pour des simulations déterministes coûteuses en temps de calcul sont en général réalisées en approchant le modèle par un métamodèle. Nous nous concentrons sur un métamodèle de type processus gaussien (PG) caractérisé par sa moyenne et sa fonction de covariance. Il présente l’avantage de fournir à la fois une prédiction du modèle numérique et l'incertitude ...