FR2944125A1 - Procede d'identification de modeles aerodynamiques pour procede de simulation d'aeronef. - Google Patents

Abstract

Le procédé d'identification c'est-à-dire de fixation de la valeur des paramètres (données aérodynamiques) d'un ensemble prédéterminé d'équations constituant les modèles aérodynamiques d'un aéronef dans différentes configurations, de manière à minimiser l'écart entre les valeurs prévues par utilisation de ces modèles aérodynamiques, et des données de référence dans des cas de configurations connues, comprend l'utilisation de méthodes d'optimisation ou d'apprentissage pour déterminer au moins une partie des valeurs des paramètres. Il comporte des étapes : 000 - de mémorisation des données de base, 100 - de choix d'une méthode d'optimisation ou d'une méthode par réseaux de neurones, 200 - de fractionnement de l'identification en plusieurs identifications partielles, 300 - de réalisation successive des identifications partielles, 400 - de validation des valeurs trouvées pour les paramètres du modèle aérodynamique ou d'itération du procédé selon un critère de seuil déterminé sur la valeur des écarts entre les données de référence et les valeurs mesurées par le modèle identifié.

Description

Procédé d'identification de modèles aérodynamiques pour procédé de simulation d'aéronef

La présente invention relève du domaine de la conception aéronautique. Elle concerne plus spécifiquement les procédés de simulation d'aéronef. Encore plus particulièrement, elle a trait aux procédés de modélisation aérodynamique d'un aéronef.

Il existe pour chaque aéronef un ensemble de modèles aérodynamiques qui caractérisent le comportement de l'aéronef dans des conditions d'environnement et de géométrie spécifiques, et qui permettent alors de simuler celui-ci. La connaissance de ces modèles est essentielle lors du développement d'un aéronef nouveau.

Plus précisément, un modèle aérodynamique est un ensemble complexe d'équations qui permettent de calculer les coefficients aérodynamiques (tels que Cz, Cx, etc.) d'un aéronef donné à partir de paramètres géométriques (géométrie de l'aéronef, position des hypersustentateurs, braquage des surfaces de contrôle, etc.) et de conditions aérodynamiques (nombres de Mach et de Reynolds, angles d'incidence et de dérapage, etc.). Ces modèles permettent de calculer le comportement d'un aéronef pour les différentes conditions de vol qu'il rencontre en exploitation (décollage, atterrissage, croisière etc.).

Les équations formant ces modèles comportent de très nombreux paramètres û dont l'ensemble constitue les données aérodynamiques spécifiques à l'aéronef et à ses conditions de vol û qu'il convient de déterminer pour chaque aéronef lors de la conception de celui-ci. On connaît par ailleurs pour un aéronef en cours de développement un certain nombre de données de référence produites par voies numérique ou expérimentale (c'est à dire en utilisant en particulier des méthodes semiempiriques, des méthodes de simulation numérique, des essais en soufflerie et des essais en vol).

2 L'identification des paramètres des équations se fait alors sur la base de ces données de référence. Elle consiste à déterminer la valeur des paramètres des équations (données aérodynamiques) de manière à ce que le modèle aérodynamique correspondant recoupe au mieux les données de référence, en cherchant la combinaison de paramètres le mieux à même d'expliquer ces données de références connues. Au sein des modèles aérodynamiques on distingue classiquement les parties linéaires dont il faut identifier les coefficients linéaires et les parties non linéaires, lesquelles sont tabulées dans des tableaux à 1, 2 ou 3 dimensions qu'il faut également identifier. On comprend que cette identification est une tâche très complexe et déterminante pour la conception correcte de l'aéronef. Cette identification est actuellement le plus souvent réalisée par des "ingénieurs Modèles" à l'aide de tableurs logiciels et de méthodes de régression linéaire. Il est clair que cette méthode repose sur le savoir-faire des ingénieurs Modèles, et qu'elle est très consommatrice en temps de travail : à titre d'exemple, l'identification d'un modèle simplifié de souplesse dépendant de deux paramètres demande typiquement deux jours de travail par la méthode classique. Or il est de plus en plus indispensable de réduire les cycles de développement d'aéronefs nouveaux, ainsi que le coût de conception de ces aéronefs. Se pose alors le problème de réduire le temps d'identification des modèles aérodynamiques d'un aéronef en cours de développement. L'objectif de la présente invention est de pouvoir aller beaucoup plus vite dans cette identification de manière à contribuer à la réduction des temps et des coûts de développement d'aéronefs nouveaux. A cet effet, l'invention concerne un procédé assisté par ordinateur pour 30 la simulation numérique d'un aéronef dans une configuration spécifique, comportant une étape : d'identification, c'est-à-dire de fixation de la valeur des paramètres (données aérodynamiques) d'un ensemble prédéterminé d'équations

3 constituant les modèles aérodynamiques de cet aéronef, de manière à minimiser l'écart entre les valeurs prévues par utilisation de ces modèles aérodynamiques, et des données de référence dans des cas de configurations connues, cette identification comprenant une étape d'utilisation de méthodes d'optimisation ou d'apprentissage artificiel pour déterminer au moins une partie des valeurs des paramètres. Selon une mise en oeuvre préférée, le procédé comprend des étapes de: 000 ù mémorisation des données de base, 100 ù choix d'une méthode d'optimisation ou d'une méthode par réseaux de neurones, 200 ù fractionnement de l'identification en plusieurs identifications partielles, 300 ù réalisation successive des identifications partielles, 400 ù de calcul de chacun des écarts entre ce modèle et les données de référence, de validation des valeurs trouvées pour les paramètres du modèle aérodynamique, si une valeur fonction des écarts est inférieure à un seuil prédéterminé, ou d'itération dans le cas contraire, en modifiant le fractionnement du modèle et / ou le choix de la méthode d'optimisation ou d'apprentissage choisie. Dans une mise en oeuvre favorable, dans l'étape 100, le choix comporte des sous-étapes d'évaluation de la complexité du modèle à identifier et de comparaison du modèle en cours d'identification avec une bibliothèque de modèles déjà connus pour un certain nombre de géométries et de configurations d'aéronefs. Alternativement, dans l'étape 100, le choix est basé sur la complexité du modèle à identifier, en créant une fonction tenant compte du nombre d'équations du modèle, du nombre de paramètres à déterminer, du nombre de données de référence, du nombre de parties non linéaires dans les équations pour calculer un indice, lequel déterminera le choix de méthode à utiliser selon une logique préalablement mémorisée.

4 Plus particulièrement, dans l'étape 200, les parties linéaires et les parties non linéaires des équations formant chaque partie du modèle aérodynamique sont séparées pour l'identification. De façon encore plus particulière, selon une mise en oeuvre préférée, l'étape 200 comprend également une sous étape 201 de détermination pour chaque identification partielle de la partie des données de référence que l'on utilise comme base d'identification : l'ensemble des données de référence ou seulement une partie de ces données. Préférentiellement, dans le cas du choix lors de l'étape 100 de l'utilisation d'une méthode neuronale, l'étape 200 comprend également une sous étape 202, dans laquelle on choisit un mode de représentation des parties non linéaires des équations constituant le modèle aérodynamique (soit par tabulation, soit par représentation sous forme de réseau de neurones), selon des critères de choix préalablement mémorisés.

Dans le cas de choix d'une méthode par réseaux de neurones, l'étape 300 comprend préférentiellement deux parties : 300b1 û pour les parties linéaires la structure des fonctions formant le modèle est entièrement conservée, le réseau de neurones étant utilisé dans ces zones pour optimiser la valeur des coefficients linéaires des fonctions; 300b2 - les parties non linéaires sont modélisées entièrement ou partiellement par des neurones, les parties non modélisées par des neurones étant tabulées. On comprend que le procédé utilise ici des modèles hybrides, mélangeant des modèles mathématiques et des modèles strictement 25 neuronaux. Avantageusement, en vue de nourrir un processus d'apprentissage, l'étape 400 comporte la mémorisation du modèle aérodynamique identifié, de la méthode de calcul choisie, du schéma de fractionnement choisi dans la base de données de modèles, en fonction de géométries d'aéronefs et de 30 configurations ou hypothèses d'environnement. L'invention vise également un produit programme d'ordinateur comprenant des instructions de code de programme pour l'exécution des étapes d'un procédé tel qu'exposé ci-dessus, lorsque ledit programme est exécuté sur un ordinateur. La description qui va suivre, donnée uniquement à titre d'exemple d'un mode de réalisation de l'invention, est faite en se référant aux figures annexées 5 dans lesquelles : la figure 1 est un organigramme du procédé selon l'invention. On rappelle, de façon préliminaire, que les réseaux de neurones formels sont des systèmes de calcul dont le fonctionnement est inspiré de celui des réseaux de neurones naturels, tels qu'existant par exemple dans le cerveau humain. Chaque neurone formel est alors représenté sous la forme d'un processus de calcul et d'espace mémoire dans un système de calcul. Les réseaux de neurones formels présentent une capacité d'apprentissage progressif. En effet, ces réseaux de neurones artificiels se comportent ici de façon analogue aux réseaux de neurones naturels. Il est connu que les neurones d'un réseau naturel tel que le cerveau disposent initialement chacun d'un très grand nombre de connections (synapses) vers d'autres neurones, aptes à transmettre des signaux électriques. Chaque neurone effectue une sommation au cours du temps des signaux électriques reçus des autres neurones et émet à son tour un signal électrique si cette somme dépasse un seuil donné. Les connections entre ces neurones sont progressivement renforcées ou au contraire supprimées selon les stimuli reçus et la qualité des réactions formées par le réseau en réponse, créant ainsi un processus d'apprentissage humain progressif. De même, les réseaux de neurones formels sont constitués de plusieurs couches de neurones, chacun d'entre eux comportant des connexions logiques vers les neurones de la couche suivante. De façon analogue aux neurones naturels, chaque neurone formel somme les valeurs numériques qu'il reçoit, et émet un signal lorsqu'un seuil prédéterminé est dépassé. Ce signal peut être positif ou négatif. Chaque neurone formel est donc une fonction de transfert linéaire des données reçues.

6 Chaque connexion entre les neurones formels étant initialement dotée d'un même poids (ou coefficient synaptique), ces poids sont progressivement augmentés ou réduits au cours d'un processus d'essais et d'erreurs lorsque le réseau est soumis à des données d'entrée connues et est sensé fournir des données de sortie également connues. Les algorithmes d'apprentissage des réseaux de neurones formels (par exemple rétro-propagation de gradient d'erreur), ainsi que la mise en oeuvre d'un réseau de neurones formels multi-couches (de type Multi Layer Perceptron par exemple) sont connus de l'homme de l'art.

La valeur des poids des connexions entre les neurones formels du réseau est le résultat de ce processus d'apprentissage, et sa connaissance ou sa compréhension par les utilisateurs n'est pas nécessaire au bon fonctionnement de celui-ci. Historiquement, les réseaux de neurones formels ont été longtemps incapables de traiter des problèmes non linéaires, cette limitation ayant été levée à la fin des années 80 avec les réseaux multicouches entre autres. De fait, les réseaux de neurones formels sont particulièrement bien adaptés à la résolution de problèmes comportant de très nombreuses variables. Ils permettent alors de déterminer par approximation une fonction passant le plus près possible de points de mesure obligés. Dans le cas présent de modèles aérodynamiques comportant de nombreuses équations à variables multiples, deux stratégies au moins peuvent être considérées. Dans une première stratégie, il est possible de chercher à construire un réseau de neurones déterminant par approximation une fonction capable d'expliquer au mieux les différentes valeurs de mesures constatées pour l'aéronef considéré. Cette fonction est alors de forme quelconque. Dans une seconde stratégie, on cherche à construire un réseau de neurones déterminant, par approximation, une combinaison de fonctions physiques de forme connue, ladite combinaison de fonctions expliquant au mieux les différentes valeurs de mesures constatées pour l'aéronef considéré. Le procédé décrit ici à titre d'exemple utilise cette seconde stratégie.

7 L'invention trouve sa place au cours du développement d'un aéronef, particulièrement lors de la phase de conception de celui-ci. Le procédé selon l'invention est destiné à être mis en oeuvre sous forme logicielle, ledit logiciel étant exécuté sur un ordinateur de type courant, par exemple micro-ordinateur de type PC doté des moyens de mémorisation, périphériques et interfaces classiques. Cet ordinateur est doté de bibliothèques logicielles de mise en oeuvre de diverses méthodes d'optimisation classiques, ainsi que de modélisation par réseaux de neurones ou autres méthodes de modélisation d'apprentissage.

Ces bibliothèques logicielles sont de type connues de l'homme de l'art et ne sont donc pas détaillées plus avant ici. Cet ordinateur est dans le présent exemple interfacé en réseau avec un serveur comprenant des données aérodynamiques de référence relatives à un aéronef en cours de développement, ainsi que des données géométriques définissant la configuration de l'aéronef. 000 - De façon préliminaire à la mise en oeuvre du procédé proprement dite, ces différentes données (données aérodynamiques de référence, données de définition géométrique) sont ensuite mémorisées dans l'ordinateur en vue de leur traitement lors de la mise en oeuvre du procédé.

Toutes ces données peuvent, par exemple, être stockées sous forme de tableur. De même, les équations composant les modèles aérodynamiques à identifier sont également mémorisées sous forme de fonctions, utilisant des paramètres que l'on va déterminer en utilisant le présent procédé.

Enfin, une base de données de modèles aérodynamiques précédemment identifiés, selon des géométries et configurations d'aéronefs diverses, est également mémorisée. La mise en oeuvre de l'invention consiste à utiliser, selon les cas, une méthode d'optimisation ou une méthode d'apprentissage (par exemple par réseau de neurones) pour identifier un modèle aérodynamique sur la base de données de références correspondant au cas de configuration de ce modèle. 100 - Une première étape consiste alors en un choix entre l'utilisation d'une méthode d'optimisation ou d'une méthode par réseaux de neurones. On

8 cherche ici à déterminer la pertinence de ces deux types de méthodes vis à vis du cas particulier considéré, cette pertinence étant mesurable en termes de temps de calcul nécessaire pour atteindre un écart entre les modèle identifié et les données de référence inférieur à un seuil préalablement choisi.

Ce choix est effectué en fonction de la complexité du modèle à identifier et en fonction des préconisations d'utilisation des méthodes d'optimisation et des méthodes de réseaux de neurones disponibles. Ces préconisations sont formalisées pour chacune des méthodes selon des critères définissant la nature et la complexité du modèle aérodynamique, et mémorisées dans l'ordinateur de travail. Le choix est en général lié à la complexité du modèle étudié. Dans cette étape, une possibilité est de comparer le modèle en cours d'identification avec une bibliothèque de modèles déjà connus pour un certain nombre de géométries et de configurations d'aéronefs.

Alternativement, le savoir-faire des ingénieurs Modèles peut être utilisé pour proposer un choix de méthode, sur la base de leur expérience antérieure dans des cas similaires. Il est également possible de se baser sur la complexité du modèle à identifier, en créant une fonction tenant compte par exemple du nombre d'équations du modèle, du nombre de paramètres à déterminer, du nombre de données de référence, du nombre de parties non linéaires dans les équations pour calculer un indice, lequel déterminera le choix de méthode à utiliser selon une logique préalablement mémorisée. De façon simplifiée, plus le modèle est simple, plus une méthode d'optimisation peut être utilisée avec succès, alors que plus le modèle est complexe, plus une méthode par réseau de neurones s'impose. Le résultat de cette première étape est une méthode particulière d'optimisation ou de modélisation par réseau de neurones, parmi les méthodes disponibles sous forme logicielle dans les mémoires de l'ordinateur de travail. 200 - La seconde étape du procédé est un fractionnement de l'identification en plusieurs identifications partielles. C'est à dire que les paramètres des équations composant un modèle donné vont être déterminés par groupes, en laissant à chaque fois les autres paramètres inchangés.

9 Un tel fractionnement simplifie la mise en oeuvre de méthodes par exemple de réseaux de neurones, lesquelles utiliseraient autrement des temps de calcul considérables. Ce fractionnement sera réalisé en fonction de la structure du modèle, et de règles de fractionnement selon cette structure préalablement mémorisées. Le fractionnement peut être réalisé en suivant un découpage logique des modèles aérodynamiques, selon une arborescence en chapitres et sous-chapitres similaire à ce qui est déjà utilisé par les ingénieurs Modèles. Un tel fractionnement est généralement lié aux conditions physiques. Par exemple, il peut être séparé entre configuration lisse de l'avion, hypersustentation, surfaces de contrôle. Un autre exemple de fractionnement (ou de sous-fractionnement) peut consister en une séparation entre les configurations avec ou sans empennage de l'aéronef. Encore un autre exemple différencie le cas du vol en effet de sol du cas vol air libre. Dans le présent exemple de mise en oeuvre, nullement limitatif, on choisit de séparer l'identification des parties linéaires de celle des parties non linéaires des équations, pour chaque partie du modèle issue du fractionnement de celui-ci. 201 - On détermine également pour chaque identification partielle la partie des données de référence que l'on utilise comme base d'identification (ce peut être l'ensemble des données de référence ou seulement une partie de ces données). 202 - Dans le cas du choix lors de l'étape 100 de l'utilisation d'une méthode neuronale, on choisit un mode de représentation des parties non linéaires des équations constituant le modèle aérodynamique (soit par tabulation, soit également par représentation sous forme de réseau de neurones formels), selon des critères de choix préalablement mémorisés. Ces critères de choix peuvent inclure une minimisation du volume d'informations à stocker (avec une comparaison des tableaux de valeurs représentant des fonctions discrétisées, et les valeurs représentant les poids des neurones), une maximisation de la vitesse de traitement (selon la complexité du modèle et le type de réseau de neurones), ou par exemple des

10 contraintes de compatibilité avec les utilisateurs des modèles une fois identifiés. 300 û La troisième étape de mise en oeuvre du procédé est la réalisation successive des identifications partielles.

On met ici en oeuvre la méthode d'optimisation ou la méthode d'apprentissage choisie à l'étape 100 pour identifier chacune des parties du modèle déterminées à l'étape 200. 300a - utilisation de méthodes d'optimisation L'invention consiste dans ce cas à utiliser une méthode d'optimisation pour fixer la valeur des paramètres des équations de manière à minimiser l'écart entre les modèles aérodynamiques correspondants et les données de référence préalablement mémorisées (étape 000). Les méthodes d'optimisation utilisables sont très nombreuses, par exemple gradient, gradient conjugué etc., des bibliothèques de ces méthodes d'optimisation sont connues de l'homme de l'art, et le choix de la méthode dépend des préconisations d'utilisation de ces méthodes vis-à-vis du cas spécifique de modèle à optimiser. Les méthodes d'optimisation elles-mêmes sortent du cadre de la présente invention et ne sont donc pas décrites plus avant ici.

Comme on l'a dit lors de l'étape de fractionnement, vue la taille considérable des modèles, on choisit de n'identifier qu'une partie des paramètres formant ces modèles à chaque fois, le reste étant maintenu constant. Pour chaque partie de modèle, on choisit de procéder en plusieurs étapes, en particulier en identifiant d'abord les zones linéaires puis les zones non linéaires. 300b - utilisation de réseaux de neurones Le procédé consiste dans ce cas à utiliser un réseau de neurones pour fixer la valeur des données aérodynamiques de manière à minimiser l'écart entre le modèle aérodynamique correspondant et les données de références.

De même que pour l'utilisation de méthodes d'optimisation, de nombreuses méthodes par réseaux de neurones sont utilisables (même si le traitement de parties non linéaires impose le choix de certains types de réseaux : perceptron multi-couche ou autre, avec algorithme

11 d'apprentissage ...), et ces méthodes de réseaux de neurones sont par exemple disponibles sous forme de bibliothèques logicielles connues de l'homme de l'art. Ici encore, les méthodes de réseaux de neurones elles-mêmes sortent du cadre de la présente invention.

Comme on l'a signalé plus haut, un réseau de neurones constituant un approximateur universel de fonctions, on pourrait envisager de remplacer entièrement le modèle aérodynamique par un ensemble de neurones. Il est néanmoins beaucoup plus intéressant de conserver la structure actuelle des modèles aérodynamiques en procédant en deux parties : 300b1 - la structure des zones linéaires est entièrement conservée, le réseau de neurones étant utilisé dans ces zones pour optimiser la valeur des coefficients linéaires ; 300b2 - les zones non linéaires sont modélisées entièrement ou partiellement par des neurones, les zones non modélisées par des neurones étant tabulées comme dans le procédé classique. Le réseau de neurones est utilisé dans ces zones pour optimiser la valeur des paramètres des neurones et les valeurs des tableaux. A l'issue de l'identification, on peut alors conserver les neurones ou les transformer en tableaux. Préférentiellement ici, on conserve la représentation en neurones. Le choix d'utiliser une discrétisation de la fonction obtenue sous forme de tableau de valeurs dépend des besoins des utilisateurs avals des modèles aérodynamiques. En fin de troisième étape, on obtient un modèle identifié, c'est-à-dire pour lequel la valeur de chaque paramètre est déterminée. Les paramètres de 25 ce modèle sont alors mémorisés. 400 û La quatrième étape consiste enfin en la validation des valeurs trouvées pour les paramètres du modèle aérodynamique. La valeur de chacun des écarts entre ce modèle et les données de référence est calculée. Cette valeur permet de qualifier le résultat. 30 Une valeur totale des écarts supérieure à un seuil prédéterminé entraîne éventuellement un message d'alerte ou une itération du procédé, en modifiant par exemple le fractionnement du modèle (étape 200) et / ou la méthode d'optimisation ou d'apprentissage choisie.

12 La validation du modèle aérodynamique déterminé permet alors d'enrichir la base de données de modèles, ainsi que la base de données de méthodes choisies (étape 100) et de fractionnement choisis (étape 200) en fonction de géométries d'aéronefs et de configurations ou hypothèses d'environnement. A la fin du procédé, le modèle aérodynamique peut également être comparé à des modèles d'aéronefs considérés proches. A titre d'exemple permettant d'illustrer la mise en oeuvre du procédé, on cherche à réaliser l'identification d'une polaire (courbe Cz fonction de alpha). Cette identification est réalisée ici en utilisant un tableur logiciel programmé en conséquence. Le but dans cet exemple est d'identifier le modèle suivant : Cz = CzO + Cza*alpha + DCz (alpha) C'est à dire à déterminer les valeurs des paramètres Cz, CzO et Cza, ainsi que les paramètres permettant de définir la fonction DCz (alpha), en utilisant comme valeurs de référence des données préalablement mémorisées (obtenues par exemple par mesure directe ou simulation). Etape 100 - Au vu de la complexité réduite de ce modèle, on choisit de réaliser l'identification par méthode d'optimisation.

Etape 200 - Le modèle est fractionné entre partie linéaire et partie non linéaire Etape 300a - L'identification est alors réalisée en deux étapes successives : l'identification de la partie linéaire (CzO + Cza*alpha) est d'abord réalisée dans la partie centrale de la polaire ; les 2 paramètres linéaires CzO et Cza sont identifiés (par une méthode d'itérations successives sortant en tant que telle du cadre de l'invention) de manière à minimiser l'écart dans la zone linéaire entre le modèle linéaire ainsi obtenu et la polaire de référence ; l'identification de la partie non linéaire est ensuite réalisée : CzO et Cza sont maintenus à la valeur déterminée lors de l'étape linéaire et on identifie (toujours par méthode d'itérations successives) un découpage en alpha et les valeurs des non-linéarités correspondantes DCz de manière à minimiser l'écart entre le modèle ainsi obtenu et la polaire de référence.

13 Le procédé selon l'invention apporte plusieurs avantages. Il permet de diminuer de manière très importante le temps ingénieur passé à identifier les modèles aérodynamiques, ce gain de temps se traduit par un gain financier direct pour l'entreprise et participe à la réduction du cycle de développement des avions. Ainsi par exemple, l'identification d'un modèle de souplesse dépendant de deux paramètres, qui demande typiquement deux jours de travail par la méthode classique, peut être réalisée en une demi-heure, en utilisant le procédé selon l'invention.

Cette réduction du temps d'identification ouvre la possibilité d'essayer rapidement des modèles alternatifs ce qui permet d'aboutir à des modèles améliorés, en particulier en termes de précision ; cette amélioration des modèles permet alors de réduire les marges de dimensionnement et donc d'améliorer les avions.

Cette réduction du temps d'identification ouvre également la possibilité d'essayer directement les modèles au cours des essais en soufflerie (et non plus seulement une fois les essais terminés) ce qui permet d'adapter le programme d'essais en fonction des résultats de cette identification, apportant là aussi une amélioration de la précision des modèles.

On comprend que le procédé peut être appliqué pour tous les modèles aérodynamiques, qu'ils soient à finalité de détermination de qualités de vol, de performances ou de charges, et qu'ils incluent ou non la souplesse des avions. Il s'applique également quel que soit le type des données servant à l'identification (provenant de méthodes semi-empiriques, de méthodes de simulation numérique, d'essais en soufflerie, d'essais en vol ou par tout autre moyen). De même, il est utilisable à tous les stades du développement des avions, et naturellement pour tout type d'avion. La portée de la présente invention ne se limite pas aux détails des formes de réalisation ci-dessus considérées à titre d'exemple, mais s'étend au 30 contraire aux modifications à la portée de l'homme de l'art.

On a mentionné dans la présente description l'utilisation de méthodes d'optimisation ou de méthodes neuronales. De fait, il est également possible

14 d'utiliser d'autres méthodes d'apprentissage, et pas exemple des méthodes d'algorithmique génétique. Dans la description, on a choisi de procéder d'abord au choix d'une méthode (optimisation ou apprentissage), avant de fractionner éventuellement le modèle en parties dont les paramètres sont identifiés séparément. Il est clair que l'option inverse est également utilisable, avec un fractionnement préliminaire du modèle, suivi du choix pour chaque partie du modèle d'une méthode d'identification. Les parties 100 (choix d'une méthode d'optimisation ou neuronale) et 200 (fractionnement du modèle) peuvent également faire l'objet d'un apprentissage. Dans cette variante, on utilise la base de données de modèles aérodynamiques connus pour des configurations et géométries d'aéronefs déjà étudiés dans le passé. On détermine alors une fonction de choix de méthode et une fonction de fractionnement par méthode de réseau de neurones à algorithme d'apprentissage, en utilisant comme données d'entrée les données de référence des modèles connus et leurs configurations, et comme critère de validation un écart entre les modèles aérodynamiques obtenus par le procédé et les modèles déjà connus.

Tant que l'écart reste supérieur à une valeur préalablement choisie, on fait itérer le procédé. En fin d'apprentissage sur ces modèles antérieurement connus, des fonctions de choix et / ou de fractionnement sont obtenues. Dans cette variante, le procédé intègre en permanence les nouvelles identifications à son apprentissage.

Claims (9)

1. REVENDICATIONS1. Procédé assisté par ordinateur pour la simulation numérique d'un aéronef dans une configuration spécifique, caractérisé en ce qu'il comporte une étape : d'identification, c'est-à-dire de fixation de la valeur des paramètres (données aérodynamiques) d'un ensemble prédéterminé d'équations constituant les modèles aérodynamiques de cet aéronef, de manière à minimiser l'écart entre les valeurs prévues par utilisation de ces modèles aérodynamiques, et des données de référence dans des cas de configurations connues, cette identification comprenant une utilisation de méthodes d'optimisation ou d'apprentissage artificiel pour déterminer au moins une partie des valeurs des paramètres, cette identification comportant des étapes : 000 û de mémorisation des données de base, 100 û de choix d'une méthode d'optimisation ou d'une méthode par réseaux de neurones, 200 û de fractionnement de l'identification en plusieurs identifications partielles, 300 û de réalisation successive des identifications partielles, 400 û de calcul de chacun des écarts entre ce modèle et les données de référence, de validation des valeurs trouvées pour les paramètres du modèle aérodynamique, si une valeur fonction des écarts est inférieure à un seuil prédéterminé, ou d'itération dans le cas contraire, en modifiant le 25 fractionnement du modèle et / ou le choix de la méthode d'optimisation ou d'apprentissage choisie.
2. 2. Procédé selon la revendication 1, caractérisé en ce que dans l'étape 100, le choix comporte des sous-étapes d'évaluation de la complexité du 30 modèle à identifier et de comparaison du modèle en cours d'identification avecune bibliothèque de modèles déjà connus pour un certain nombre de géométries et de configurations d'aéronefs.
3. 3. Procédé selon l'une quelconque des revendications 1 à 2, caractérisé en ce que dans l'étape 100, le choix est basé sur la complexité du modèle à identifier, en créant une fonction tenant compte du nombre d'équations du modèle, du nombre de paramètres à déterminer, du nombre de données de référence, du nombre de parties non linéaires dans les équations pour calculer un indice, lequel déterminera le choix de méthode à utiliser selon une logique préalablement mémorisée.
4. 4. Procédé selon l'une quelconque des revendications 1 à 3, caractérisé en ce que dans l'étape 200, les parties linéaires et les parties non linéaires des équations formant chaque partie du modèle aérodynamique sont séparées pour l'identification.
5. 5. Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce que l'étape 200 comprend également une sous étape 201 de détermination pour chaque identification partielle de la partie des données de référence que l'on utilise comme base d'identification : l'ensemble des données de référence ou seulement une partie de ces données.
6. 6. Procédé selon l'une quelconque des revendications 1 à 5, caractérisé en ce que l'étape 200 comprend également une sous étape 202, dans le cas du choix lors de l'étape 100 de l'utilisation d'une méthode neuronale, dans laquelle on choisit un mode de représentation des parties non linéaires des équations constituant le modèle aérodynamique (soit par tabulation, soit par représentation sous forme de réseau de neurones), selon des critères de choix préalablement mémorisés.
7. 7. Procédé selon l'une quelconque des revendications 1 à 6, caractérisé en ce que, dans le cas de choix d'une méthode par réseaux de neurones, l'étape 300 comprend deux parties :300b1 û pour les parties linéaires la structure des fonctions formant le modèle est entièrement conservée, le réseau de neurones étant utilisé dans ces zones pour optimiser la valeur des coefficients linéaires des fonctions; 300b2 - les parties non linéaires sont modélisées entièrement ou partiellement par des neurones, les parties non modélisées par des neurones étant tabulées.
8. 8. Procédé selon l'une quelconque des revendications 1 à 7, caractérisé en ce que l'étape 400 comporte la mémorisation du modèle aérodynamique identifié, de la méthode de calcul choisie, du schéma de fractionnement choisi dans la base de données de modèles, en fonction de géométries d'aéronefs et de configurations ou hypothèses d'environnement.
9. 9. Produit programme d'ordinateur comprenant des instructions de code de programme pour l'exécution des étapes d'un procédé selon l'une quelconque des revendications 1 à 8, lorsque ledit programme est exécuté sur un ordinateur.