Soutenance de thèse de MIDANI Iko
Titre de thèse
Maillage automatique et méthodes machine learning pour la prédiction de grandeurs fluides pour la rentrée atmosphérique
Automatic meshing and machine learning methods for predicting fluid quantities in atmospheric reentry conditions
Résumé de la thèse
Dans le secteur spatial, l'émergence de nouveaux acteurs tels que des entreprises privées opérant des constellations de satellites ou proposant du tourisme spatial a fait du partage de l'espace une préoccupation cruciale pour les années à venir. L'augmentation des activités spatiales a mis en lumière le problème des débris spatiaux. Bien que la prise de conscience des risques posés par les débris spatiaux ne soit pas nouvelle, des progrès ont été réalisés depuis que la question de la possibillié de collision soulevé, rendant l'orbite terrestre inutilisable. Des mesures visant à réduire les débris ont été mises en place, et de nombreuses agences spatiales gouvernementales ont établi des lignes directrices.
La solution principale pour gérer les débris spatiaux réside dans leur rentrée atmosphérique. Cependant, bien que la majorité des débris se désintègre avant d'atteindre le sol, une part importante réussit à survivre, ce qui présente des risques au sol pour la population. Les rentrées contrôlées sont privilégiées, visant souvent une vaste zone éloignée dans le Pacifique Sud. En revanche, traiter les rentrées non contrôlées représente le défi de déterminer le lieu d'impact et d'évaluer le taux de survie des débris afin d'anticiper les risques potentiels.
La simulation d'une rentrée atmosphérique pose un défi complexe en raison des phénomènes multiphysique impliqués, ce qui rend actuellement les codes de simulation numérique haute fidélité (CFD) inutilisables tout au long de la trajectoire en raison de leur temps de calcul excessif. De plus, ces méthodes exigent la génération d'un maillage de haute qualité pour capturer de manière précise les gradients dans la couche limite. Cependant, cette tâche nécessite une intervention humaine, ce qui peut prendre plusieurs jours pour une seule géométrie. Dans le contexte d'une rentrée atmosphérique d'un objet ou d'une autre structure en mouvement ou déformation, ces calculs doivent être effectués tout au long de la trajectoire, exigeant ainsi des remaillages fréquents.
Pour évaluer le risque au sol posé par les débris, divers outils à temps de réponse rapide ont été développés par des agences spatiales, des instituts de recherche, et des acteurs privés. Ces modèles réduits ont été conçus pour calculer les distributions des coefficients de pression et des flux de chaleur à la paroi à chaque instant de la rentrée atmosphérique, afin de déterminer la trajectoire, la dégradation thermique, et la fragmentation des débris de manière aussi réaliste que possible.
Cependant, ces modèles ne prennent pas en compte la complexité physique requise pour prédire avec précision la dégradation des structures pour certaines géométries (telles que les formes concaves) ou lorsque des phénomènes physiques plus complexes, tels que les interactions choc-choc et choc-structure, surviennent. Ces phénomènes ne peuvent pas être prédits efficacement par des approches simplifiées, car ils émergent dans le champ fluide et interagissent directement avec la paroi.
Par conséquent, il est essentiel de conserver l'information issue de calculs de type CFD pour réaliser des simulations précises. Pour atteindre cet objectif tout en respectant des temps de calcul raisonnables, de nouveaux solveurs rapides, adaptables, et robustes sont nécessaires.
Dans ce contexte, l'objectif de cette thèse est de développer des outils visant à améliorer la prédiction des distributions de pression et de flux de chaleur à la paroi. Pour cela, un code CFD Euler simplifié avec génération automatique de maillage est mis en place. Des méthodes de frontières immergées sont également développées pour capturer avec précision le coefficient de pression à la paroi. Enfin, un modèle statistique basé sur des méthodes d'apprentissage automatique est élaboré pour prédire le flux de chaleur à la paroi.
Plusieurs validations sont réalisées sur des formes simples, et des applications industrielles impliquant des formes réelles et complexes sont étudiées.
Thesis resume
In the space industry, the emergence of new actors, including private companies operating satellite constellations or offering space tourism, has raised concerns about space utilization in the years to come. The increase in space activities has brought attention to the issue of space debris. While awareness of the risks posed by space debris is not new, progress has been made. Consequently, measures have been implemented to reduce debris, and numerous government space agencies have established guidelines.
One of the primary solutions for managing space debris is through atmospheric reentry. However, while the majority of debris disintegrates before reaching the ground, a significant portion can survive, involving risks to the population on the surface. Controlled reentries are preferred, often targeting remote areas in the South Pacific. On the other hand, dealing with uncontrolled reentries presents the challenge of locating impact points and assessing the debris survival rate to anticipate potential risks.
Simulating atmospheric reentry is a complex challenge due to the involvement of multiphysics phenomena. Current high-fidelity numerical simulation codes (CFD) are unusable throughout the trajectory due to extensive computational time. Additionally, these methods require high-quality mesh generation to accurately capture gradients in the boundary layer. However, this task involves human intervention and can take several days for a single geometry. In the context of atmospheric reentry for objects or structures in motion or deformation, these calculations must be performed continuously throughout the trajectory. Consequently, frequent re-meshing are needed.
To assess the ground risk, various low-response time tools have been developed by space agencies, research institutes, and private entities. These reduced models are designed to compute pressure coefficients and heat flux distributions at the wall during atmospheric reentry, aiming to determine the trajectory, thermal degradation, and fragmentation of debris as realistically as possible. However, these models do not account for the physical complexity required to accurately predict structure degradation for certain geometries (such as concave shapes) or when more complex physical phenomena, like shock-shock and shock-structure interactions, occur. These phenomena cannot be effectively predicted by simplified approaches, as they emerge in the flow and directly interact with the wall.
Thus, keeping information from CFD-type computations is crucial. To achieve this while maintaining reasonable computation times, new fast, adaptable, and robust solvers are necessary.
The main objective of this thesis is to improve the prediction of pressure and heat flux distributions at the wall by developing specific tools.
For this purpose, a simplified Euler CFD code with automatic mesh generation is developed. Additionally, Immersed Boundary Methods are incorporated to accurately capture the pressure coefficient at the wall. Finally, a statistical model based on Machine Learning methods is created to predict heat flux at the wall.
Several validations are conducted on simple shapes, and industrial applications involving real and complex shapes are investigated.