Design optimal de turbomachines assisté par méta-modèles vectoriels multi-fidélité

L’optimisation des différents composants d’une turbomachine reste encore un sujet épineux, malgré les récentes avancées théoriques, expérimentales ou informatiques. Cette thèse propose et investigue des techniques d’optimisation assistées par méta-modèles vectoriels multi-fidélité basés sur la Décomposition aux Valeurs Propres (POD). Le couplage de la POD à des techniques de modélisation multifidélité permet de suivre l’évolution des structures dominantes de l’écoulement en réponse à des déformations géométriques. Deux méthodes d’optimisation multi-fidélité basées sur la POD sont ici proposées. La première consiste en une stratégie d’enrichissement adaptée aux modèles multi-fidelité par Gappy-POD (GPOD). Celle-ci vise surtout des problèmes associés à des simulations basse-fidélité à coût de restitution négligeable, ce qui la rend difficilement utilisable pour la conception aérodynamique de turbomachines. Elle est néanmoins validée sur une étude du domaine de vol d’une aile 2D issue de la littérature. La seconde méthodologie est basée sur une extension multi-fidèle des modèles par POD Non-Intrusive (NIPOD). Cette extension naît de la ré-interprétation du concept de POD Contrainte (CPOD) et permet l’enrichissement de l’espace réduit par ajout important d’information basse-fidélité approximative. En seconde partie de cette thèse, un cas de validation est introduit pour valider les méthodologies d’optimisation vectorielle multi-fidélité. Cet exemple présente des caractéristiques représentatives des problèmes d’optimisation de turbomachines. La capacité de généralisation des méta-modèles par NIPOD multifidélité proposés est comparée, aussi bien sur cas analytique qu’industriel, à des techniques de méta-modélisation issues de la littérature. Enfin, nous utilisons la méthode développée au cours de cette thèse pour l’optimisation d’un étage et demi d’un compresseur basse-pression et comparons les résultats obtenus à des approches à l’état de l’art.Optimizing turbomachinery components stands as a real challenge despite recent advances in theoretical, experimental and High-Performance Computing (HPC) domains. This thesis introduces and validates optimization techniques assisted by full-field Multi-Fidelity Surrogate Models (MFSMs) based on Proper Orthogonal Decomposition (POD). The combination of POD and Multi-Fidelity Modeling (MFM) techniques allows to capture the evolution of dominant flow features with geometry modifications. Two POD based multi-fidelity optimization methods are proposed. Thefirst one consists in an enrichment strategy dedicated to Gappy-POD (GPOD)models. It is more suitable for instantaneous low-fidelity computations whichmakes it hardly tractable for aerodynamic design of turbomachines. This methodis demonstrated on the flight domain study of a 2D airfoil from the literature. The second methodology is based on a multi-fidelity extension to Non-IntrusivePOD (NIPOD) models. This extension starts with a re-interpretation of theConstrained POD (CPOD) concept and allows to enrich the reduced spacedefinition with abondant, albeit inaccurate, low-fidelity information. In the second part of the thesis, a benchmark test case is introduced to test fullfield multi-fidelity optimization methodologies on an example presenting featuresrepresentative of turbomachinery problems. The predictability of the proposedMulti-Fidelity NIPOD (MFNIPOD) surrogate models is compared to classical surrogates from the literature on both analytical and industrial-scale applications. Finally, we employ the proposed tool to the shape optimization of a 1.5-stage boosterand we compare the obtained results with standard state of the art approaches