L2EP

L2EP Logo

LABORATOIRE D'ELECTROTECHNIQUE ET D'ELECTRONIQUE DE PUISSANCE DE LILLE

Recherche, Développement et Innovation en Génie Electrique

Développements scientifiques

Les travaux de recherche menés par l’équipe Outils et Méthodes Numériques s’articulent autour de deux thèmes. Le premier thème traite de la résolution numérique des équations de Maxwell en régime quasi-statique et du développement de modèle de matériaux ferromagnétiques en vue d’une implantation dans les codes de calcul de champs électromagnétiques. Le second thème s’intéresse à la conception par optimisation de systèmes complexes.

Développement de méthodes numériques

Les méthodes numériques étudiées sont assez spécifiques dans la communauté nationale et internationale telles que

– La quantification d’incertitudes où il s’agit d’étudier l’influence de la variabilité des données d’entrée (lois de comportements des matériaux ou la géométrie) d’un modèle numérique sur les grandeurs d’intérêt. Cela permet par exemple d’évaluer l’impact des procédés de fabrication sur les performances d’une machine électrique.

– L’estimation d’erreur numérique où on cherche à déterminer les erreurs introduites par la discrétisation spatiale et temporelle sur la solution donnée par le modèle numérique.

 

equipe modelisation   equipe optimisation

Cartes d’estimateur en formulation A-j (droite) et T-W (gauche) dans le acdre d’une application de contrôle non destructif par courant de Foucault

 

– La réduction de modèles où on applique des techniques (POD, PGD…) permettant de réduire le nombre d’inconnues du modèle numérique pour non seulement réduire les temps de calcul mais aussi de manière à pouvoir prendre en compte un grand nombre de paramètres simultanément ce qui peut être très utile pour le dimensionnement d’une machine électrique par exemple.

 

Le code_Carmel comme outil d’investigation, de capitalisation et de diffusion

Depuis 1994, l’équipe développe un code de calcul de champ électromagnétique basé sur la méthode des élements finis : code_Carmel. Depuis 2008, ce code est co-développé avec EdF R&D dans le cadre du laboratoire commun LAMEL.

Les résultats des recherche sur les méthodes numériques sont capitalisés dans code_Camel, ce qui en fait un outil avec des fonctionnalités uniques, telles que la quantification d’incertitudes, l’estimation d’erreurs, la projection de solutions…Ce code évolue dans l’environnement libre Salomé et permet naturellement de mener des études « multiphysiques » via les outils de projection de solution.

Le code code_Carmel est utilisé aussi comme outil d’investigation dans le cadre de différentes thèses ou études. Ces études concernent des dispositifs électrotechniques comme des machines électriques tournantes (asynchrone, synchrones à aimants et/ou bobinées) et linéaires, des câbles de transport d’énergie, des MEMS, le corps humain….

 

machine à griffes   machine à griffes

 

Figure 2 : Calcul de la répartition des forces locales dans une machine à griffes

Enfin, le code code_Carmel est aussi un outil de diffusion des savoir-faire de l’équipe. Des formations peuvent être mises en place à destination d’industriels et d’académiques.

 

Modélisation et caractérisation de matériaux ferromagnétiques

Des travaux s’appuyant sur des moyens expérimentaux de caractérisation conséquents (Cadre Epstein, Single Sheet Tester, enceinte thermique…) permettent de développer des modèles de calcul de pertes, dans les matériaux ferromagnétiques doux et durs, et sont implantés dans code_Carmel.

equipe modélisation

 

Figure 3 : Densité de pertes fer (W/m3) dans un transformateur triphasé (1/4 du transformateur)

Ces moyens expérimentaux sont complétés par des maquettes de mesures spécifiques pour l’étude de la variabilité des propriétés électriques et magnétiques suite à l’impact des procédés de fabrication. Les données expérimentales permettent alors d’extraire les lois statistiques relatives aux propriétés des matériaux.

Conception par optimisation de systèmes complexes

 equipe optimisation   equipe optimisation

Figure 1 : Présentation des 3 axes développés (gauche) et des apports méthodologiques (droite)

Sur chaque axe, sont présentés les développements significatifs et une « avancée scientifique » sur la période concernée.

 

L’axe 1 « multi-granularité » concerne le développement de modèles avec des niveaux de granularités différents en s’intéressant plus particulièrement au modèle semi-analytique comme les réseaux de perméances, modèle donnant un bon compromis précision – temps de calcul [Thèse de N. Bracikowski – 2012]. Le développement de méta-modèles (modèle de substitution comme les modèles de krigging ou des modèles de surface de réponse), reposant par exemple sur quelques calculs éléments finis, ont permis de réduire les temps de calcul.Des stratégies d’optimisation reposant sur ces modèles ont été développées comme la méthode EGO « efficient global optimisation », basée sur une construction progressive de modèles de substitution de type surface de réponse, avec des critères comme l’erreur du modèle combiné à des critères plus classiques afin de trouver un bon compromis entre le temps de calcul et la précision [Thèse d’A. Berbecea – 2012].

Une seconde approche concerne les  développements originaux sur le space mapping (SM) multi-niveau [Thèse de R. Ben-Ayed – 2012]. Le SM multi-niveau permet un gain supplémentaire de temps en exploitant un nombre quelconque de modèles réalisant des compromis entre précision et rapidité. Le SM multi-objectif va bien au-delà d’une simple utilisation du space-mapping avec un algorithme multi-objectif et décuple le gain de temps. L’exemple présenté sur la figure 2 concerne un cas test connu en optimisation, le cas test 22 (SMES). Dans ce cas, 5 niveaux de modèles sont définis : le modèle 5 est pris comme référence (modèle éléments finis 2D).

 equipe optimisation

Figure 2 : Space Mapping ‘n’ niveaux appliqué au cas du SMES

L’axe 2 « multi-physique» concerne le développement de modèles et de méthodes d’optimisation adaptés à la problématique multi-physique. La multidisciplinarité des modèles est induite par la complexité du problème de conception qui fait intrinsèquement intervenir une modélisation multi-physique (magnétique-thermique-acoustique), et économique (cout de fabrication).

Toutefois, ces modèles apportent leur vraie essence lorsqu’ils sont placés dans un processus d’optimisation permettant de vérifier des contraintes et atteindre les objectifs posés par le concepteur. L’optimisation multidisciplinaire (MDO -Multidisciplinary Design Optimization) propose des méthodes pour gérer l’interaction entre modèles et processus d’optimisation, comme la MDO – IDF (Individual Feasible) présenté sur la figure 3 [HDR – F. Gillon – 2009].

Cela permet de faciliter la modélisation et d’accélérer le processus d’optimisation en offrant, par exemple, la possibilité de paralléliser les calculs. Au sein de l’équipe, des développements originaux ont été apportés et testés sur des dispositifs propres au génie électrique autour de l’interaction entre modèles et processus d’optimisation. Un exemple de résultats retenus concerne l’optimisation multi-physique d’une machine synchrone à double excitation (MSDE) et sa réalisation en partenariat avec Jeumont-Electric d’une puissance de 1MVA [Thèse A. Ammar – 2013].

 

equipe optimisation

Figure 3: Démarche MDO et banc « MSDE »

Concernant les aspects multi-physiques, cela concerne essentiellement les aspects vibro-acoustique : conception plus silencieuse de systèmes électrotechniques [Thèses de J. Le Besnerais – 2008, de N. Bracikowski – 2012, de M. Fakam & H. Mechmeche – en cours] mais aussi aéro-thermique par le développement de modèles à constantes localisées adaptés (interaction avec l’axe 1) [Thèse de M. Rossi – 2012].

L’axe 3 « multi-niveau » concerne la décomposition hiérarchique « modèles et optimiseurs associés ». Lorsque le système est d’une grande complexité, de par la multitude de ses composants, de leur forte interaction et de par la difficulté de définir un cahier des charges pour chacun d’eux, de nouvelles démarches d’optimisation doivent être utilisées.

Ainsi, les démarches d’optimisation par décomposition hiérarchique, tel que le « target cascading (TC) », évitent de construire un modèle unique du système et peuvent s’appuyer sur la structure interne du concepteur : modèles « métiers ». Au sein de l’équipe, cette démarche originale a été utilisée pour l’optimisation d’une chaine de traction sur cycle de fonctionnement [Thèses de S. Kreuawan – 2008 & de M. Cantegrel – 2012]. Elle intègre des objectifs économiques, environnementaux et des contraintes de fonctionnement propres à certains composants indépendamment de ceux du système.

Les travaux se font aussi en collaboration avec différents partenaires industriels :

– 6 projets dans le cadre du pole phare régional « MEDEE IV » : cinq thèses soutenues et 1 thèse en cours. Ces différents projets sont en relation avec Jeumont- Electric, Alstom-Transport ‘Ornans, Petite-Foret, Charleroi’ & EDF ;

– 1 projet ‘OPSIM’  « Optimisation des chaines de traction » en relation avec Renault et Alstom-Transport [Thèses A. Berbecea & M. Cantegrel en 2012] ;

– 2 projets autour de la conception optimale d’une chaine de traction pour Renault (1 thèse en cours [Thèse de P. Caillard]) en lien avec une A.M.I. (PIA), ainsi qu’un projet autour de la conception silencieuse d’un groupe moto-propulseur pour Renault (1 thèse en cours).

A cela s’ajoute de nombreux projets institutionnels sur 2 projets ANR (AROMAT et CONIFER), 1 projet FUI (Opsim) ainsi que deux projets ADEME et plusieurs projets en lien avec la région N-PdC (MEDEE IV).