Méthode de dimensionnement en codesign basée sur une approche semi-probabiliste mettant en jeu la fabrication, le tolérancement et l'analyse statique d'assemblages aéronautiques

Semi-probalistic codesign framework involving manufacturing, tolerancing and stress analysis for the staic strength demonstration of aeronautical assemblies

• Auteur / Autrice : Gabriele Capasso
• Direction : Christian Gogu, Christian Bès
• Type : Thèse de doctorat
• Discipline(s) : Génie mécanique, mécanique des matériaux
• Date : Soutenance le 28/06/2023
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mécanique, énergétique, génie civil et procédés (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut Clément Ader (Toulouse ; 2009-....)
• Jury : Président / Présidente : Nathalie Bartoli
• Jury : Examinateurs / Examinatrices : Christian Gogu, Christian Bès, Jean-Marc Bourinet, Julien Baroth
• Jury : Rapporteurs / Rapporteuses : Jean-Marc Bourinet, Julien Baroth

Mots clés

Mots clés contrôlés

Échantillonnage (statistique)

Apprentissage automatique

Avions -- Conception et construction

Mots clés libres

Codesign

Cadre sémi-probabiliste

Fiabilité en hautes dimensions

Assemblages aéronatiques

Apprentissage automatique

Méthodes d'échantillonnage

Codesign

Semi-probalistic framework

High-dimensional reliability

Aeronautical assemblies

Machine learning

Sampling methods

Résumé

Dans la conception des avions, les ingénieurs doivent prouver l'intégrité structurale des composants et des assemblages de la cellule, malgré les incertitudes associées à tous les paramètres physiques qui peuvent affecter les performances structurales, et potentiellement nuire à éventuellement préjuger la sécurité. Les approches de conception et de dimensionnement classiques traitent les incertitudes d'entrée en introduisant des quantités déterministes conservatives dans les analyses structurales : à l'exception des charges et des propriétés des matériaux (pour lesquelles des directives claires sont fournies dans la réglementation), la plupart du temps, pour d'autres paramètres, ces valeurs déterministes sont définies par jugement d'ingénieur ou en considérant le pire cas, conduisant à des performances sous-optimales (par exemple, en termes de poids et coûts de fabrication). L'objectif principal de cette thèse est d'aller au-delà de ces approches classiques et d'intégrer les incertitudes liées aux propriétés des matériaux, à la fabrication et au processus d'assemblage dans la conception et le dimensionnement des assemblages aéronautiques afin d'améliorer leurs performances. Un cadre semi-probabiliste est proposé pour étendre les exigences actuelles de certification aéronautique (sur les charges et les propriétés des matériaux) à d'autres phénomènes affectant les performances structurales. L'idée de base est de contrôler la probabilité que les valeurs déterministes représentatives (utilisées dans un processus de conception déterministe) surestiment les performances structurelles d'une structure réelle donnée : cela facilite l'intégration du cadre semi-probabiliste de codesign proposé dans la manière actuelle de travailler dans l'industrie (en particulier en termes le dimensionnement déterministe). D'une part, le cadre proposé permet d'identifier les conséquences structurales des variabilités d'entrée, définissant ainsi des nouvelles quantités déterministes (améliorées) à adopter en phase de conception. D'autre part, ce cadre peut être utilisé pour déterminer des nouvelles contraintes, dites tolérances, sur la variabilité des entrées géométriques pour assurer (en termes statistiques) des performances structurales spécifiques. La mise en œuvre d'analyses probabilistes implique généralement des simulations répétées de modèles numériques, souvent coûteux du point de vue des temps de calcul. Pour réduire ces coûts numériques, une stratégie d'échantillonnage est proposée pour réduire le nombre de simulations nécessaires pour atteindre une précision ciblée, en exploitant mieux l'information disponible. Dans le même but, un algorithme d'apprentissage automatique avec enrichissement adaptatif est proposé pour remplacer le modèle complet par un modèle de substitution beaucoup moins couteux : cet algorithme permet d' équilibrer les incertitudes associées au modèle de substitution et celles associées à l'échantillonnage. Une attention particulière est accordée à la capacité du modèle de substitution à gérer un nombre élevé d'entrées, ce qui constitue un défi pour la plupart des techniques d'apprentissage automatique. Le fil conducteur applicatif de l'ensemble de la thèse est donné par le projet Hole2Hole d'Airbus, visant à simplifier le processus d'assemblage aéronautique en utilisant des composants pré-percés. Des nouvelles variabilités, associées aux erreurs de positionnement géométrique des trous fabriqués, sont introduites par cette application. Si on considérait les scénarios des pires cas, le Hole2Hole ne serait pas abordable en termes de poids. Le cadre méthodologique proposé permet de améliorer significativement les hypothèses de dimensionnement et donc le poids structurel, tout en élargissant les plans de tolérance qui définissent les contraintes sur la variabilité des propriétés géométriques.

In aircraft design, engineers need to prove the structural integrity of airframe components and assemblies, in spite of the uncertainties associated to all the physical parameters affecting the structural performances, and potentially compromising the safety of the aircraft. Classical design and sizing approaches deal with input uncertainties by introducing conservative deterministic quantities in the structural analyses: except for the loads and material properties (for which clear guidelines are given in the regulations), for a number of parameters, these deterministic values are defined by engineering judgment or by worst cases, leading to suboptimal performances (e.g. weight, manufacturing costs). The main goal of this PhD is to challenge the classical approaches and integrate the uncertainties associated to material properties, manufacturing and assembly process in the structural design and sizing of aeronautical assemblies in order to improve their performances. A semi-probabilistic framework is proposed to extend current aeronautical certification requirements (on loads and material properties) to other phenomena affecting structural performances. The basic idea is to control the probability that representative deterministic values (used in a deterministic design process) over-estimate the structural performances of the real structure: this facilitates the integration of the proposed semi-probabilistic co-design framework in the current way of working (specifically in deterministic sizing). On one hand, the proposed framework can identify the structural consequences of the input variabilities, thus defining new improved deterministic quantities to be adopted in the design phase. On the other hand, this framework can be used to determine new constraints, called tolerances, on the geometric input variability to ensure (in probabilistic terms) specific structural performances. The implementation of probabilistic analyses generally involves repeated simulations of often computationally expensive numerical models. To ease the computational burden, a sampling strategy is proposed to better exploit the information in a given database and, thus, reduce the number of required simulations to achieve a targeted accuracy. With the same objective in mind, an adaptive machine learning algorithm is proposed to replace the full model with a cheap surrogate model that is adaptively enriched: the algorithm allows to reduce the number of the needed full model simulations by balancing the uncertainties associated to the surrogate model and to the sampled population. Particular attention is given to the scalability of the surrogate model for high number of inputs, which constitutes a challenge for most of machine learning techniques. The common application thread of the whole project is given by Airbus' Hole2Hole project, aiming at simplifying the aeronautical assembly process by using pre-drilled components. New variabilities, associated to geometrical positioning of the manufactured holes, arise from this application. Considering worst cases scenarios would make the Hole2Hole not affordable in terms of weight. The proposed framework allows to significantly improve the sizing assumptions and thus the structural weight, while relaxing the tolerance plans defining the constraints on the input variability.