Modélisation des performances du moteur General Electric CF34-8C5B1 de l’avion CRJ700 à partir des réseaux de neurones et des tests en vol

Andrianantara, Mahefatiana Rojo Princy (2021). Modélisation des performances du moteur General Electric CF34-8C5B1 de l’avion CRJ700 à partir des réseaux de neurones et des tests en vol. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

Résumé

Une nouvelle méthodologie a été développée afin d’identifier le modèle statique de performances de la turbosoufflante General Electric CF34-8C5B1 en utilisant deux réseaux de neurones en cascade de types perceptron simple couche avec une propagation directe (en anglais FeedForward Neural Network) et à l’aide des tests en vol. Les tests ont été réalisés sur le simulateur de vol du CRJ700 certifié niveau D pour toute l’enveloppe de vol de l’avion et pour quatre phases de vol, dont le décollage, la montée, la croisière et la descente.

La méthodologie a été réalisée en deux étapes. La première étape a consisté en l’estimation des paramètres de design du moteur, dont le rapport de pression du moteur (Engine Pressure Ratio ou EPR), le rapport de pression de la soufflante (Fan Pressure Ratio ou FPR) et le rapport de pression totale (Overall Pressure Ratio ou OPR), la température d’entrée de la turbine ITT, la vitesse de rotation de la soufflante N1 et la vitesse de rotation de la turbine N2 à partir d’un premier réseau de neurones ECS-NET. L’objectif de cette étape tend à reproduire le système de contrôle du moteur en modélisant les niveaux de poussée ainsi que les paramètres de chaque composant du moteur. La deuxième étape a consisté en l’estimation des paramètres de performances dont le débit de carburant Wf et la poussée Fn à partir d’un deuxième réseau de neurones ENG-NET. Les entrées du modèle sont notamment l’altitude, le nombre de Mach et les conditions atmosphériques comme la température ambiante, la pression ambiante et la densité.

L’identification du modèle a été réalisée avec succès sur le logiciel d’ingénierie Matlab/Simulink et elle a donné d’excellents résultats. Les réseaux de neurones ont été entraînés avec l’algorithme de régularisation bayésienne, qui a été capable d’identifier un système non linéaire à partir d’un nombre minimum de données. Différentes combinaisons de sorties du modèle ECS-NET ont été ensuite proposées, ce qui a démontré la capacité des réseaux de neurones à s’adapter par rapport aux paramètres disponibles.

La phase de validation a été réalisée à partir d’une analyse comparative entre les sorties de chaque modèle et celles de l’avion de référence. Pour ce faire, une analyse statistique a été réalisée pour l’ensemble des tests, puis différents scénarios de simulation ont été étudiés, dont un scénario pour la panne du moteur lors de la phase de croisière. Les résultats obtenus pour les paramètres de sortie ont montré que les modèles ont une excellente capacité de prédiction, avec une erreur relative inférieure à 2 % et une déviation standard inférieure à la tolérance de 5 % définie par la FAA.

Titre traduit

General electric CF34-8C5B1 turofan performance modelling for the CRJ700 aircraft using artificial neural networks and flight tests

Résumé traduit

A new methodology was developed and then validated in order to identify a static performance model of the General Electric CF34-8C5B1 Turbofan using two successive Feedforward Neural Networks and flight tests. The flight tests were carried on a Level D flight simulator of the CRJ700 for the aircraft flight envelope including major flight phases such as takeoff, climb, cruise and descent.

The identification process was divided in two steps. In the first step, the following engine design parameters were estimated : Engine Pressure Ratio EPR, Fan Pressure Ratio FRR, Overall Pressure Ratio OPR, Inlet Turbine Temperature ITT, Fan speed N1 and Core speed N2 using a first neural networks ECS-NET. This first step aimed to reproduce the Engine Control System by modelling the thrust ratings and each engine component characteristics. Then, the second step consisted in predicting the engine performance parameters, such as the fuel flow Wf and the thrust Fn using a second neural network ENG-NET. The model inputs were the altitude, the Mach number and the atmosphere conditions such as ambient pressure, ambient temperature and air density.

The identification process was successfully carried on Matlab/Simulink engineering software and gave excellent performances. The neural networks were trained using the Bayesian regularization algorithm, which was able to identify a non-linear system from a minimum amount of data. Several output combinations for the ECS-NET model were proposed, which demonstrated the ability of the neural networks to adapt according to the given set of parameters.

The validation phase was performed using a comparative analysis between the model, and the reference aircraft outputs. To do this phase, a statistical analysis was processed for the overall flight tests, and then several simulation scenarios were studied, including an engine degradation scenario during the cruise phase. The results have shown that the models have an excellent ability of prediction, with a relative error less than 2% and a standard deviation less than 5% for each output, as required by the FAA.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie aérospatial". Comprend des références bibliographiques (pages 189-194).
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Botez, Ruxandra
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	11 janv. 2022 16:42
Dernière modification:	11 janv. 2022 16:42
URI:	https://espace.etsmtl.ca/id/eprint/2818

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt