Nouvelles technologies d’aile déformable pour les drones de l’avenir

Une technologie inspirée des oiseaux

Les véhicules aériens sans pilote (UAV), ou drones, sont largement utilisés dans certains secteurs, notamment ceux de l’agriculture, la surveillance, le cinéma, l’armée et les transports [1]. Bientôt, les drones pourraient également servir à faciliter les missions de recherche et de sauvetage, à surveiller des milieux éloignés ou inaccessibles et à livrer des colis. Les drones ont généralement une structure classique composée du corps principal et d’ailes fixes ou de trois hélices ou plus, comme les multicoptères. Cependant, chercheurs et fabricants développeront des drones nouvelle génération [2].

Les frères Wright, pionniers en aviation, ont conçu un dispositif de commande du roulis inspiré du vol des oiseaux. Les oiseaux sont généralement plus agiles que les avions légers lorsqu’ils volent dans la couche limite atmosphérique; cette couche affecte le pilotage en raison des variations importantes des vitesses et directions des vents, comparativement aux aéronefs commerciaux de transport ou d’affaires qui volent près de la troposphère. Le vol des oiseaux est rendu possible grâce à leurs facultés neurologiques et à leurs aptitudes de déformation de leurs ailes ou leur queue de manière flexible. Ces caractéristiques ont donné naissance à une nouvelle génération de drones déformables tirant parti du vol aviaire pour réaliser des tâches et des missions à visées multiples.

Les concepts d’ailes déformables permettraient d’obtenir des coefficients de portance élevés et de réduire la traînée et le bruit [3-5]. Une technologie déformable améliorerait d’importants paramètres de performance (coefficients aérodynamiques, vitesse maximale, consommation de carburant, maniabilité, autonomie de vol et stabilité), essentiels dans l’atteinte des objectifs environnementaux. Remplacer des volets et des becs de bord d’attaque par des éléments d’aile déformable augmente les performances aérodynamiques des avions. Les avions équipés d’ailerons, becs de bords d’attaque et bords de fuite, offrent des performances accrues. Mais ces surfaces articulées présentent des inconvénients en position déployée ou rétractée. Les fentes entre la surface de l’hypersustentateur et l’aile peuvent créer du bruit, des turbulences et de la traînée.

De nombreuses méthodes ont été employées pour améliorer la performance des avions, notamment l’efficacité aérodynamique des ailes. Des chercheurs motivés du Laboratoire de recherche en commande active, avionique et aéroservoélasticité (LARCASE) se consacrent aux méthodes qui permettront de réduire la consommation de carburant d’un aéronef grâce à la technologie d’aile déformable [6-16]. Cette technologie pourrait permettre d’économiser du carburant et de réduire les émissions de GES conformément aux normes fixées par l’OACI [17]. De plus, les technologies « déformables » sont testées sur les UAV en raison de leurs dimensions réduites, de leurs structures d’aile moins complexes et de leur consommation d’énergie exprimée en puissance de poussée [18-21]. La figure 1 illustre le mécanisme de bord d’attaque de l’aile déformable, composé d’une peau flexible et de son système d’actionnement. La transformation se fait à l’aide de charnières articulées reliées à un actionneur linéaire pour obtenir les formes optimisées de voilure, selon une étude préliminaire de concept aérodynamique.

Figure 1. Modèle d’aile déformable DNLE

L’objectif de notre projet d’optimisation d’aile déformable est de concevoir une voilure aérodynamique au bord d’attaque du nez (Droop Nose Leading Edge, DNLE) pour l’UAS-S45. Nos résultats ont démontré la faisabilité de varier simultanément des paramètres de la voilure de l’aile pour améliorer les performances de l’UAS-S45.

Aperçu de la stratégie d’optimisation

Un cadre d’optimisation nous permet de définir le concept du DNLE déformable. Cette méthode nécessite de définir la fonction d’aptitude, la paramétrisation de la forme géométrique et l’algorithme d’optimisation. La figure 2 illustre la stratégie d’optimisation déployée dans cette étude. Elle consiste à générer des variables pour la modélisation de la forme de voilure à l’aide de la méthode dite Class Shape Transformation (CST), tout en respectant les contraintes géométriques. La géométrie est traitée à l’aide de deux solveurs, XFoil et Ansys Fluent et d’un algorithme fondé sur l’optimisation de la veuve noire, en anglais dite Black Widow (BWO).

Figure 2. Procédé d’optimisation

Class Shape Transformation (CST)

La CST est une méthode de paramétrage intuitive, robuste et flexible pour représenter les formes aérodynamiques des ailes. La CST à polynôme réduit convient également à la conception préliminaire et à l’optimisation de voilure, car elle ne nécessite que quelques paramètres pour obtenir une forme particulière de voilure. La CST conçoit la voilure en additionnant les contributions individuelles de sa fonction de base à l’aide des polynômes de Bernstein.

Optimization Black Widow (BWO)

Les membres de l’équipe du LARCASE ont testé plusieurs algorithmes inspirés de systèmes biologiques, dont l’optimisation par essaims de particules (PSO), par colonies d’abeilles (BCO), par colonies de fourmis (ACO) et l’algorithme génétique (GA), pour réaliser l’optimisation de voilures [16, 22, 23]. Chacune de ces méthodes optimise les voilures de façon intégrale. Par ailleurs, des travaux récents ont mis en avant l’algorithme Black Widow Optimization (BWO) pour résoudre des différents problèmes d’optimisation numérique [24]. Cet algorithme est inspiré du cycle de vie de l’araignée veuve noire; cette méthodologie de l’araignée au mode d’accouplement insolite est considérée comme une combinaison de techniques évolutives et d’essaimage. Les étapes de l’algorithme BWO sont définies comme suit :

• Initialisation

Dans la phase de population initiale, chaque araignée représente une « solution potentielle ». Les araignées initiales s’accouplent dans le but de reproduire leur future génération.

• Reproduction

La future génération est reproduite selon le comportement d’accouplement unique des veuves noires. Au début, un couple d’araignées, femelle et mâle, est sélectionné pour l’accouplement en fonction du taux de reproduction (P_r). La veuve noire femelle mange le mâle pendant ou après l’accouplement.

• Cannibalisme

Il existe trois types de cannibalisme : sexuel, fraternel et maternel. Cette pratique est analysée et documentée par rapport au nombre de survivants, ce qui donne une cote de cannibalisme. Ces cotes d’aptitude permettent de distinguer la progéniture faible de la progéniture robuste.

• Mutations

Dans la phase de mutation, la population est choisie au hasard parmi la population à muter. Chacune des solutions choisies au hasard touche deux éléments de l’ensemble des solutions possibles. En regroupant toutes les populations, la nouvelle population est évaluée et enregistrée.

L’organigramme de la figure 3 illustre de façon schématique les principales étapes de l’algorithme BWO.

Figure 3. Algorithme d’optimisation Black Widow (BWO)

Constatations

Minimiser la traînée se fait en optimisant la forme d’un bord d’attaque (DNLE) déformable afin d’augmenter ses performances aérodynamiques pendant la phase de croisière. L’emplacement variable de la déformation du DNLE se produit sur 30 % de la corde, permettant au reste de la voilure de demeurer intacte. Nous avons comparé les performances des voilures de référence et optimisée pour la croisière à l’angle d’attaque de 2°, comme l’indique le tableau 1. Le coefficient de traînée baisse à 0,00678, ce qui représente une différence de 12 % de sa valeur initiale. Une amélioration de l’efficacité aérodynamique de 15 % a été obtenue en optimisant la finesse, égal au rapport entre la portance et la traînée.

Tableau 1 Comparaison des coefficients aérodynamiques entre la voilure de référence et la voilure optimisée

Un autre cas est l’optimisation de la forme d’une voilure à bord d’attaque déformable (DNLE) par rapport à la voilure de référence, afin d’augmenter l’efficacité aérodynamique pendant la phase de croisière en maximisant « l’endurance aérodynamique » (AE). Le tableau 2 montre que le processus d’optimisation a permis d’augmenter la maximisation de l’endurance, caractérisée par l’AE pour la voilure DNLE optimisée. En outre, les valeurs de l’AE sont passées de 29,52 à 32,48, indiquant une AE de 10 % supérieure des configurations de voilure DNLE de l’UAS-S45 à celles de la voilure de référence. Parallèlement, le coefficient de traînée de la voilure optimisée était inférieur au coefficient de traînée de la voilure de référence.

Tableau 2 Comparaison entre l’endurance aérodynamique et le coefficient de traînée de la voilure de référence avec ceux de la voilure optimisée

Le profil de vol complet d’un drone de surveillance comprend le décollage, la montée, la croisière, la veille, l’évacuation, le retour, la descente et l’atterrissage, phases du vol durant lesquelles le fonctionnement du moteur varie. Par conséquent, toutes les missions nécessitent une amélioration des performances, et elles sont prises en compte pour les différents temps de vol et consommation de carburant. Nous avons conçu dans MATLAB un modèle Simulink d’UAS-S45 pour calculer le taux de combustion et la consommation spécifique de carburant (SFC) à l’aide du coefficient de poussée obtenu pour les deux moteurs, ainsi que de leur consommation de carburant associée.

En supposant un vol stable, où les forces de poussée et traînée sont égales pour maintenir une vitesse constante, nous avons obtenu les taux de combustion et la consommation spécifique de carburant, comme le montrent les figures 4 et 5 respectivement. La sous-figure (a) montre les performances d’un aéronef de référence à voilure aérodynamique non déformable; les sous-figures (b) et (d) illustrent les autres résultats de l’optimisation. En (b), l’optimisation visait à minimiser la traînée et à obtenir un temps de vol légèrement plus long à une vitesse plus élevée (environ 6 minutes à 90 nœuds), ainsi qu’une SFC maximale légèrement inférieure (18990 lb pour la voilure de référence et 18200 lb pour la voilure déformable). En (c), la voilure optimisée indique un meilleur rapport de finesse démontrant une diminution globale de la SFC sauf à des vitesses faibles (20 m/s et moins); la SFC globale est donc plus élevée sauf pour un petit ensemble aux vitesses faibles. Enfin, en (d), le temps de vol est plus long dans toutes les conditions, en particulier à des vitesses plus faibles, malgré une SFC maximale plus élevée (27610 lb), car la voilure a été optimisée pour obtenir un rapport de finesse plus élevé.

Figure 4. Comparaison du taux de consommation de carburant en fonction du temps de vol à différentes vitesses pour les configurations de référence et optimisée de l’UAS-S45

Figure 5. Comparaison de la consommation spécifique de carburant (SFC) en fonction du temps de vol à différentes vitesses pour l’UAS-S45 de référence et optimisé

Conclusion

La technologie des ailes déformables est l’avenir de la conception aéronautique. Les drones pourraient voler efficacement dans diverses conditions en changeant la forme de leur ailes durant le vol, comme les oiseaux. La technologie des ailes déformables optimise le rendement énergétique et la maniabilité. L’optimisation DNLE a été conçue pour augmenter les performances aérodynamiques de l’UAS-S45 en phase de croisière pour un angle d’attaque de 2°. La voilure optimisée DNLE démontre une baisse du coefficient de traînée à 0,00678 et une réduction de la traînée de 12,18 % par rapport à la voilure de référence. En outre, une amélioration jusqu’à 15,22 % de l’efficacité aérodynamique a été réalisée en augmentant le rapport portance/traînée pour la voilure optimisée de l’UAS-S45.

Information supplémentaire

Pour plus d’informations sur cette recherche, veuillez lire l’article suivant :

Bashir, M. ; Longtin-Martel, S. ; Botez, R.M.; Wong, T. Optimization and Design of a Flexible Droop-Nose Leading-Edge Morphing Wing Based on a Novel Black Widow Optimization Algorithm—Part I. Designs 2022, 6, 10.