République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique THESE Présentée à L’université Hadj Lakhdar Batna En vue de l’obtention du diplôme de DOCTORAT EN SCIENCES EN ELECTROTECHNIQUE Présentée par BOUALI KHEDIDJA Maitre Assistant Classe A - Université de Ouargla Magister en Electrotechnique - Université de Batna, 2006 Ingénieur d’Etat en Electrotechnique –Université de Batna, 1992 CONTRIBUTION A L’ETUDE ET L’OPTIMISATION DES CONVERTISSEURS MAGNETOHYDRODYNAMIQUES (MHD) Thèse Soutenue le Soufiane TAIBI Fatima Zohra KADID Rachid ABDESSEMED Djamel RAHEM Lakhdar MOKRANI Leila BENALIA Prof Prof Prof Prof Prof MC 20/ 09/2015 devant le Jury : Univ- Batna Univ- Batna Univ- Batna Univ- O.E-Bouaghi Univ- Laghouat Univ- M’sila Président Rapporteur Co-Rapporteur Examinateur Examinateur Examinateur REMERCIEMENTS REMERCIEMENTS Ce travail a été préparé au sein du Laboratoire d’Electrotechnique de Batna LEB, sous la direction du Professeur Fatima Zohra KADID de l’université de Batna. Ainsi, je tiens à exprimer mes plus vifs remerciements à mon encadreur : Dr. Fatima Zohra KADID Professeur à l’Université de Batna et mon Co-encadreur : Dr Rachid ABDESSEMED, Professeur à l’Université de Batna, de m’avoir proposé le sujet de cette thèse et en me faisant profiter de leurs conseils judicieux. Je les remercie infiniment pour leurs qualités humaines et scientifiques. J’adresse mes plus vifs remerciements à Monsieur Soufiane TAIBI Professeur à l’Université de Batna pour m’avoir fait l’honneur de présider le jury de ma thèse. Mes remerciements vont de même aux autres membres de jury examinateurs qui m’ont fait l’honneur de participer au jury de ma thèse. Il s’agit, en l’occurrence de : Djamel RAHEM Prof Univ- O.E-Bouaghi Examinateur Lakhdar MOKRANI Prof Univ- Laghouat Examinateur Leila BENALIA MC Univ- M’sila Examinateur Je tiens par ailleurs à remercier vivement tous les enseignants de l’université de Ouargla et en particulier ceux du département d’électrotechnique pour le respect et l’encouragement. BOUALI Sommaire Sommaire SOMMAIRE Introduction générale 1. Introduction 14 2. Problématique 16 3. Objectif de la thèse 17 4. Structure de la thèse 17 Chapitre un Etat de l’art des convertisseurs MHD 1.1 Introduction 19 1.2 Historique de la magnétohydrodynamique 19 1.3 Apport et limites des machines tournantes 21 1.4 Les convertisseurs MHD linéaires 21 1.4.1 Les convertisseurs MHD linéaires à conduction 22 1.4.1. 1 Pompes MHD à conduction à courant continu 24 I.4.1.2 Pompes MHD à conduction à courant alternatif 26 1.4.2 Les convertisseurs MHD linéaires à induction 27 1.4.2.1 Différentes géométries de pompes à induction 28 1.4.2.1.1 Pompes à induction plates 28 1.4.2.1.2 Pompes à induction annulaires 29 1.4.2.2 Régimes de fonctionnement 30 1.4.3 Choix du fluide conducteur 30 1 Sommaire 1.5 Comparaison entre les pompes à conduction et à induction 31 1.6 Domaines industriels d’application de la MHD 31 1.6.1 Génération de l’électricité par la MHD 31 1.6.1.1 Générateurs à conduction 32 1.6.1.2 Générateurs à induction 33 1.6.2 Propulseurs MHD 34 1.6.2.1 Propulseurs à plasma 34 1.6.2.2 Canon électromagnétique 34 1.6.2.3 La Propulsion navale 34 1.6.3 Les Applications à la métallurgie 35 1.6.3.1 Magnétohydrodynamique des fours à induction 35 1.6.3.2 Brassage 36 1.6.3.3 Lévitation 36 1.6.3.4 Formage 36 1.6.3.5 Pulvérisation 36 1.7 Conclusion 36 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction 2.1 Introduction 37 2.2 Méthodes numériques 38 2.2.1 Méthodes des différences finies 38 2.2.2 Méthodes des éléments finis 38 2.2.3 Méthodes des volumes finis 39 2.3 Phénomènes électromagnétiques 40 2.4 Equations de Maxwell 40 2.4.1 Conditions aux limites et conditions d’interfaces 42 2.4.1.1 Conditions aux limites 42 2.4.1.2 Conditions d’interfaces 43 2.4.2 Formulation du problème électromagnétique 44 2 Sommaire 2.4.3 Modèle Magnétodynamique 44 2.4.4 Hypothèses simplificatrices 46 2.4.5 Formulation en coordonnées cylindriques axisymétriques 47 2.5 Mise en œuvre de la méthode des volumes finis 48 2.6 Etude du modèle électromagnétique par volume finis 49 2.7 Description du prototype MHD à conduction 51 2.8 Application et résultats de la modélisation numérique (volumes finis) 53 2.8.1 Potentiel vecteur magnétique 54 2.8.2 Présentation de l’induction magnétique 56 2.8.3 Distribution de la densité de courant 57 2.8.4 Distribution de la force électromagnétique 57 2.9 Introduction d’un noyau ferromagnétique à l’intérieur du canal 58 2.9.1 Distribution du potentiel vecteur dans la pompe MHD 58 2.9.2 Présentation de l’induction magnétique dans la pompe MHD 59 2.9.3 Distribution de la densité de courant dans la pompe MHD 60 2.9.4 Distribution de la force électromagnétique 60 2.10. Conclusion 61 Chapitre trois Etat de l’art des méthodes d’optimisation 3.1 Introduction 62 3.2 Formulation mathématique d’un problème d’optimisation 63 3.3 Problèmes d’optimisation sans contraintes 63 3.4 Problèmes d’optimisation contraints 64 3. 5 Traitement des contraintes 65 3.5.1 Méthodes de transformation 65 3.5.1.1 Méthodes de pénalités 65 3.6 Optimisation stochastique avec contraintes 67 3.7 Minimum local et minimum global 67 3 Sommaire 3.8 Classification des méthodes d'optimisation 68 3.8.1 Méthodes d’optimisation déterministes 68 3.8.1.1 Méthodes déterministes unidimensionnelles 69 3.8.1.2 Méthodes déterministes multidimensionnelles 70 3.8.2 Méthodes stochastiques 74 3.8.2.1 Principe d'un algorithme stochastique 74 3.8.2.2 Méthode de recuit simulé (simulated annealing SA) 75 3.8.2.3 Algorithme du recuit simulé 76 3.8.2.4 Paramètres de contrôle 77 3.8.3 Recherche Tabou (Tabu Search TS) 80 3.8.4 Les algorithmes génétiques (AG) 81 3.8.4.1 Principe de fonctionnement 81 3.8.4.2 Mise en œuvre de la procédure des Algorithmes génétiques 84 3.8.5 Méthode PSO 88 3.8.6 Méthode de colonie de fourmis 91 3.9 Méthodes hybrides 93 3.10 Conclusion 94 Chapitre quatre Conception par optimisation de la pompe MHD à conduction 4.1 Introduction 95 4.2 Démarche de conception par optimisation 95 4.3 Description du dispositif à optimiser 96 4.4 Formulation des problèmes d’optimisation 97 4.4.1 Calcul de la masse totale de la pompe 98 4.5 Conception par optimisation de la pompe MHD à conduction 100 4.5.1 Méthodes stochastiques 100 4.5.1.1 Méthode du recuit simulé (SA) 100 4.5.1.2 Recherche tabou (TS) 101 4 Sommaire 4.5.1.3 Méthode des Algorithmes Génétiques 101 4.5.2 Méthodes déterministes 101 4.5.2.1 Méthode de Quasi-Newton 101 4.5.2.2 Méthode Pattern - Search 101 4.5.3 Méthodes hybrides 101 4.6 Résultats de l’optimisation 102 4.6.1 Résultats des méthodes stochastiques 102 4.6.2 Résultats des méthodes déterministes 103 4.6.3 Résultats des méthodes hybrides 105 4.6.3.1 Hybridation (AG-QN) - (AG-PS) 106 4.6.3.2 Hybridation (SA-QN) - (SA-PS) 106 4.6.3.3 Hybridation (TS-QN) - (TS-PS) 107 4.7 Comparaison des méthodes d’optimisation 108 4.7.1 Méthodes non hybrides 108 4.7.2 Méthodes hybrides 109 4.7.2.1 Méthodes hybrides (SA-QN) - (SA-PS) 109 4.7.2.2 Méthodes hybrides (AG-QN) - (AG-PS) 109 4.7.2.3 Méthodes hybrides (TS-QN) - (TS-PS) 110 4.8 Etude des performances de la pompe à conduction par la MVF 110 4.8.1 Distribution du potentiel vecteur magnétique dans la pompe MHD 110 4.8.2 Induction magnétique dans la pompe MHD 111 4.8.3 Distribution de la densité de courant dans la pompe MHD 112 4.8.4 Distribution de la force électromagnétique dans la pompe MHD 113 4.9 Etude des performances de la pompe à conduction par la MEF 113 4.9.1 Présentation du logiciel ANSYS 114 4.9.2 Validation des résultats par ANSYS 114 4.10 Conclusion 119 Conclusion générale 120 Annexes 122 Références bibliographiques 123 5 Notations et Symboles Notations et symboles Notations et Symboles Symbole Unité Description A/m Potentiel magnétique Tesla Induction magnétique C/m2 Induction électrique (Déplacement électrique) V/m Champ électrique N/m3 Force volumique de Lorenz A/m Intensité du champ magnétique I A Courant électrique m/s Vitesse d’écoulement z m/s La composante de la vitesse suivant (OZ) U V Potentiel scalaire électrique Ji A/m2 Densité des courants induits Ja A/m2 Densité des courants injectés dans les électrodes J ex A/m2 Densité des courants d’excitation (source) A B D E Fele H 6 Notations et symboles ɛ0 F/m Permittivité électrique du vide ɛ F/m Permittivité électrique ρ Kg/m3 Densité volumique µr - Perméabilité relative σ S/m Conductivité électrique 7 Nomenclature Nomenclature Nomenclature Abréviation Description MHD Magnétohydrodynamique DC Courant continu MEF Méthode des éléments finis MDF Méthodes des différences finies MVF Méthodes des volumes finis SA Simulated annealing (recuit simulé) AG Algorithmes génétiques TS Tabu Search (recherche tabou) QN Methode de Quasi-Newton PS Pattern search 8 Liste des Figures Liste des Figures Liste des Figures Fig. (1.1) Schéma d'une pompe MHD à conduction 23 Fig. (1.2) Pompe MHD à conduction à courant continu 25 Fig. (1.3) Principe d’un générateur MHD à l’eau de mer type hélicoïdal 25 Fig. (1.4) Schéma d’une pompe MHD AC 26 Fig. (1.5) Lignes de courant dans une pompe MHD à induction 28 Fig. (1.6) Pompe MHD à induction plate 28 Fig. (1.7) Pompe MHD annulaire à induction 29 Fig. (1.8) Générateur MHD à induction (tuyère linéaire) 32 Fig. (1.9) Générateur à induction 33 Fig. (1.10) Le Yamato 1 dans la baie de KOBE 35 Fig. (2.1) Maillage du domaine d’étude 48 Fig. (2.2) Discrétisation dans la méthode des volumes finis 49 Fig. (2.3) Configuration proposée de pompe MHD à conduction 52 9 Liste des Figures Fig. (2.4) Géométrie de la pompe MHD à conduction 52 Fig. (2.5) Organigramme de la méthode des volumes finis 54 Fig. (2.6a) Lignes équipotentielles dans la pompe MHD 55 Fig. (2.6b) Distribution du potentiel vecteur magnétique dans la pompe en 3D 55 Fig. (2.7a) Induction magnétique dans la pompe MHD en 3D 56 Fig. (2.7b) Induction magnétique dans la pompe MHD 56 Fig. (2.8) Densité de courant induit dans la pompe MHD 57 Fig. (2.9) Force électromagnétique dans la pompe MHD 57 Fig. (2.10) Géométrie de la pompe MHD avec noyau ferromagnétique 58 Fig. (2.11a) Lignes équipotentielles dans la pompe MHD avec noyau 58 ferromagnétique Fig. (2.11b) Potentiel vecteur magnétique dans la pompe MHD avec noyau 59 ferromagnétique Fig. (2.12) Induction magnétique dans la pompe avec et sans noyau 59 ferromagnétique Fig. (2.13) Densité de courant induit dans la pompe MHD à conduction avec et 60 sans noyau ferromagnétique Fig. (2.14) Force électromagnétique dans la pompe MHD avec et sans noyau 60 ferromagnétique Fig. (3.1) Représentation du minimum local et global d’une fonction 68 Fig. (3.2) Principales méthodes déterministes multidimensionnelles 71 Fig. (3.3) Principales méthodes stochastiques 75 Fig. (3.4) Processus de recherche de l'optimum global par la méthode (SA) 79 10 Liste des Figures Fig. (3.5) Principales étapes d’un algorithme génétique 83 Fig. (3.6) Représentation d'un individu; 6a codage réel, 6b codage binaire 84 Fig. (3.7) Processus de croisement 87 Fig. (3.8) Déplacement d’une particule 90 Fig. (4.1) Procédure de conception par optimisation 96 Fig. (4.2) Résultats d’optimisation par les algorithmes génétiques 103 Fig. (4.3) Résultats d’optimisation par la méthode Quasi-Newton 104 Fig. (4.4) Résultats d’optimisation par Pattern Search 104 Fig. (4.5) Résultats d’optimisation par la méthode hybride (AG-QN) 106 Fig. (4.6) Résultats d’optimisation par la méthode hybride (AG-PS) 106 Figure (4.7 Résultats d’optimisation par la méthode hybride (SA-QN) 107 Figure (4.8) Résultats d’optimisation par la méthode hybride (SA-PS) 107 Figure (4.9) Résultats d’optimisation par la méthode hybride (TS-QN) 108 Figure (4.10) Résultats d’optimisation par la méthode hybride (TS-PS) 108 Figure (4.11a) Lignes équipotentielles dans la pompe MHD optimisée 110 Figure (4.11b) Distribution du potentiel vecteur magnétique dans la pompe MHD en 111 2D Figure (4.11c) Distribution du potentiel vecteur magnétique dans la pompe MHD en 111 3D Figure (4. 12a) Induction magnétique dans la pompe MHD optimisée en 3D 112 Figure (4. 12b) Induction magnétique dans la pompe MHD avec et sans 112 optimisation Figure (4.13a) Densité de courant induit dans la pompe MHD à conduction avec 112 optimisation en 3D. Figure (4.13b) Densité de courant induit dans la pompe MHD à conduction avec 113 optimisation en 2D. Figure (4.14) Distribution de la force électromagnétique dans la pompe MHD à conduction avec et sans optimisation 11 113 Liste des Figures Figure (4.15a) Géométrie de la Pompe MHD 115 Figure (4.15b) Conditions aux limites appliquées 115 Figure (4.15c) Maillage de la pompe MHD 116 Figure (4.15d) Lignes équipotentielles dans la pompe MHD 116 Figure (4.16) Induction magnétique dans la pompe MHD 117 (a) Par ANSYS (b) Par volumes finis Figure (4,17) Force électromagnétique dans la pompe MHD (a) Par ANSYS (b) Par volumes finis 12 118 Liste des Tableaux Liste des tableaux Liste des Tableaux Tab. 1.1 Analogie entre un moteur à courant continu et un propulseur MHD à 24 courant continu Tab. 3.1 Analogie entre un problème d’optimisation et le recuit 76 Tab. 3.2 Algorithme de la recherche Tabou 80 Tab. 3.3 Analogie entre les AG et la théorie d’évolution naturelle 82 Tab. 3.4 Algorithme de l’optimisation par essaim de particules 91 Tab. 3.5 L’algorithme de colonies de fourmis 93 Tab. 4.1 Résultats des méthodes stochastiques 102 Tab. 4.2 Résultats des méthodes déterministes 103 Tab. 4.3 Résultats des méthodes hybrides 105 13 Introduction Générale Introduction générale La magnétohydrodynamique (MHD) est l’étude de l’interaction des champs magnétiques et des écoulements de fluide conducteurs. Cette discipline s’attache à des phénomènes très variés de l’échelle du laboratoire (pour les métaux liquides et les gaz ionisés) à l’échelle planétaire (champ magnétique terrestre). La conversion MHD est l’une des applications de cette discipline. Elle concerne la conversion de l’énergie mécanique du mouvement d’un fluide en énergie électrique. Ce mécanisme permet de transformer directement le mouvement d’un fluide en électricité sans passer par des turbines comme dans les centrales classiques. Ceci est un avantage par rapport aux machines classique connues. La conversion peut également s’effectuer en sens inverse ; on utilise l’énergie électrique pour mettre un fluide en mouvement, on obtient ainsi des pompes électromagnétiques [LEB 92a]. Ces pompes sont conçues dans le but de n’avoir aucune partie mobile et sont ainsi débarrassées de problèmes d’usure et de fatigue provoqués par la basse pression à travers les pièces mécaniques. Comparées à d’autres types de pompes non mécaniques, les pompes magnétohydrodynamiques montrent plusieurs avantages ; à savoir la simplicité de fabrication et des forces continues de pompage [BER 91], [BER 13]. L’application première des pompes électromagnétiques a été le pompage du sodium pour le refroidissement des réacteurs nucléaires. Dès les années 1970, ces pompes ont été utilisées pour le pompage des métaux liquides à haute température comme le zinc et l’aluminium. Aujourd’hui elles sont utilisées dans d’autres domaines comme le domaine médical ou la microélectronique (électrolytes, plasmas) (Baker et Tessier 1987). Elles sont l’une des applications de la magnétohydrodynamique (MHD) qui est à la frontière de deux sciences, la mécanique des fluides et l’électromagnétisme [TAW 11]. Les applications de la magnétohydrodynamique sont très larges et dans des échelles très variées, dans l’industrie métallurgique, le transport ou le pompage des métaux liquides en 14 Introduction générale fusion par des pompes électromagnétiques. Il existe aussi des vannes et des débitmètres électromagnétiques. L’élaboration d’un système passe en premier lieu par la connaissance de son comportement, c’est la phase d’analyse. Celle-ci doit déboucher sur une description mathématique des phénomènes physiques qui régissent le comportement des éléments du système, c’est la phase de modélisation. Cette dernière sert de support à la conception car elle permet de prédire les performances du système en fonction de ses caractéristiques, [JAN 10]. Généralement les dispositifs électromécaniques sont dimensionnés à partir d’équations analytiques classiques avec des hypothèses simplificatrices. Ces équations ont été améliorées dans le temps par retour d’expériences sur les différents dispositifs construits. Cependant, de par son caractère limité et la diversité de plus grande des applications projetées, cette connaissance pratique ne permet pas toujours d’optimiser toutes les caractéristiques géométriques, [TAI 02]. Depuis quelques années, les recherches dans le domaine de conception des dispositifs électromagnétiques s’orientent vers l’optimisation par le biais de différentes approches. Ces dernières sont plus ou moins contraignantes et précises. En effet, les paramètres à optimiser sont souvent interdépendants et il est difficile de trouver la solution optimale prenant en compte les différentes interactions. En fait, trouver la solution optimale d’un problème dans un espace complexe implique un compromis entre deux objectifs : l’exploitation des meilleures solutions et l’exploration robuste de l’espace de recherche. Les méthodes d’optimisation de type grimpeur procèdent itérativement en tentant, à chaque pas, de trouver localement une solution intermédiaire meilleure que la solution courante ; ce genre de méthodes est pénalisé par son incapacité à traiter des problèmes représentant des reliefs de solutions multimodales (systèmes possédant plusieurs optimums locaux), [TAI 02]. Etant donnée l’importance de l’optimisation des structures en génie électrique, de nombreuses méthodes de résolution ont été développées. Ces méthodes peuvent être classées sommairement en deux grandes catégories : les méthodes déterministes et les méthodes stochastiques. 15 Introduction générale Le principe essentiel d’une méthode exacte consiste à converger vers l’optimum le plus proche du point de départ, qu’il soit local ou global ; ce sont souvent des méthodes locales. Parmi ces méthodes, on peut citer : la méthode de la plus grande pente, le gradient Conjugué, la méthode de Powell et la méthode de Quasi-Newton et les méthodes géométriques, telles que la méthode du Simplex et la méthode de Rosenbrock. Les méthodes probabilistes constituent une alternative très intéressante pour traiter les problèmes d’optimisations de grande taille si l’optimalité n’est pas primordiale. En effet, ces méthodes sont utilisées depuis longtemps par de nombreux praticiens. On peut citer les méthodes gloutonnes et l’amélioration itérative, [KON 93]. Depuis une dizaine d’années, des progrès importants ont été réalisés avec l’apparition d’une nouvelle génération de méthodes approchées puissantes et générales, souvent appelées méta heuristiques. Les heuristiques sont représentées essentiellement par les méthodes de voisinage comme le recuit simulé, la recherche tabou et les algorithmes génétiques. 2. Problématique Nous sommes donc confrontés à un problème de conception d'une nouvelle structure de pompe magnétohydrodynamique MHD à conduction alimentée par un courant continu. Il est donc indispensable d'effectuer sa modélisation. Actuellement, il existe deux types de modélisations : la modélisation par calcul de champs, dite numérique, qui repose sur la résolution des équations de Maxwell; La modélisation analytique. Le problème de conception est un problème ouvert et souvent itératif, plus de variables que d’équations et donc n’admet pas une solution unique. A cet effet, pour une solution rationnelle, il est intéressant de formuler le problème de conception comme étant un problème d’optimisation avec contraintes [KON 93]. Cette démarche implique beaucoup de variables (les dimensions de la machine, les contraintes du cahier des charges etc. …) et donc beaucoup de calculs et la recherche de la meilleure solution nécessite plusieurs balayages sur les intervalles de variation de ces variables. Par conséquent, l’utilisation, d’un modèle de la machine basée sur la méthode 16 Introduction générale des élément finis, risque d’être très lourd alors, on préfère, surtout quand l’optimum n’est pas encore localisé, un modèle moins lourd par la méthode des volumes finis. La modélisation par élément finis, reste la plus précise, cependant plus lourde et s’apprête mal pour une utilisation durant la conception. Elle est donc réservée pour des études plus fines des performances des systèmes. 3. Objectif de la thèse L’objectif de cette thèse est donc d’étudier et de concevoir par optimisation une pompe à conduction basée sur la mise en mouvement d’un fluide conducteur. Des résultats de simulation d’un code de calcul développé à base de la méthode des volumes finis en 2D, simulant la pompe en régime statique seront présentés et validés par ceux obtenus par le logiciel de calcul ANSYS. Ensuite, le problème de conception par optimisation de la pompe considérée sera abordé par l’application de plusieurs méthodes à savoir les méthodes stochastiques et les méthodes déterministes. Des méthodes hybrides utilisant une méthode stochastique avec une méthode déterministe sont aussi utilisées. Finalement, une validation de la structure optimisée par la méthode des éléments finis (ANSYS) sera effectuée. Les résultats obtenus seront analysés et des recommandations nécessaires seront faites. 4. Structure de la thèse Le travail exposé dans ce mémoire s’articule autour de quatre principaux chapitres : Dans le premier chapitre, nous présentons l’état de l’art de la magnétohydrodynamique. Le chapitre deux est consacré à la modélisation des phénomènes électromagnétiques. Il s’agit de développer un modèle en 2D par la méthode des volumes finis. Le chapitre trois propose un état de l’art des méthodes d’optimisation. Deux grandes familles de méthodes seront présentées: les méthodes déterministes et les méthodes stochastiques. Nous allons montrer les caractéristiques principales de chaque famille, leurs points forts et faibles. 17 Introduction générale Dans le dernier chapitre nous appliquerons la procédure de conception proposée pour dimensionner une pompe magnétohydrodynamique MHD à conduction. Pour cela, nous avons retenu des méthodes stochastiques (recuit simulé, recherche tabou et les algorithmes génétiques et des méthodes déterministes Quasi-Newton et Pattern Search PS. Des méthodes hybrides utilisant une méthode stochastique avec une méthode déterministe sont aussi utilisées. Finalement, une validation de la structure optimisée par la méthode des éléments finis est réalisée. Dans la partie finale de la thèse, nous donnerons les conclusions relatives à notre étude et les perspectives qui peuvent être envisagées dans le futur. 18 Chapitre un Etat de l’Art des Convertisseurs MHD Etat de l’art des convertisseurs MHD Chapitre un 1.1 Introduction La magnétohydrodynamique (MHD) est à la frontière de deux sciences, la mécanique des fluides et l’électromagnétisme. Elle consiste en l’étude de l’interaction entre un écoulement de fluide conducteur et des champs magnétiques et électriques. Sa naissance remontre au 19éme siècle, lorsque Faraday écrivit les lois de l’induction magnétique (1831). Elles montrent l’existence d’une force électromotrice induite dans un écoulement soumis à un champ magnétique. Cette force est susceptible de créer des courants qui peuvent agir avec le champ magnétique pour donner naissance à des forces de Laplace. Dans ce travail, on s’intéresse particulièrement à la machine MHD à conduction à courant continu ; mais il nous est apparu plus intéressant d’aborder l’état de l’art des convertisseurs MHD. 1.2 Historique de la magnétohydrodynamique Les premières études sur la propulsion MHD en milieu océanique datent de la fin des années 1950 aux Etats-Unis. En 1958 l'ingénieur Stewart Way, du département R&D de Westinghouse à Pittsburgh, publie un premier rapport officiel sur le sujet. En 1961, Warren A. Rice dépose le premier brevet [RIC 61], en parallèle aux travaux des américains James B. Friauf et O. M. Philips [FRI 60], [PHI 62]. Un second rapport de Stewart Way est publié en 1964 par l'ASME (American Society of Mechanical Engineers). En 1966, S. Way teste avec succès le premier modèle réduit de sousmarin à propulsion MHD muni de deux électrodes, long de 3 mètres et pesant 400 kilos, dans la baie de Santa Barbara en Californie. Ces recherches sont stoppées durant la décennie suivante, à cause de l'impossibilité de fabriquer les bobines produisant de très forts champs magnétiques nécessaires à un rendement MHD correct. Les Soviétiques continuent cependant les recherches militaires sur la propulsion MHD des sous-marins afin de rendre ceux-ci silencieux et donc discrets. 19 Etat de l’art des convertisseurs MHD Chapitre un La disponibilité d'électroaimants supraconducteurs, capables de produire les champs magnétiques nécessaires (plusieurs teslas), relance ensuite ces études. Aux USA, celles-ci sont destinées en priorité aux submersibles de l'US Navy. Dans les années 1990, l'Université de Pennsylvanie mène des expériences au FBNML (Francis Bitter National Magnet Laboratory) du MIT (Massachusetts Institute of Technology) en circuit fermé sur une configuration hélicoïdale et obtient des vitesses d'écoulement de 3,7 mètres par seconde et un rendement de 10 % avec un champ magnétique de 8 teslas. En parallèle à ces recherches universitaires, l'US Navy publie à la même époque plusieurs brevets décrivant des sous-marins à propulsion MHD [BEN 10]. Les Japonais mènent des recherches civiles sur la propulsion MHD depuis les années 1970. L'université de la marine marchande de Kobé réalise en 1976, sous la direction du physicien Yoshiro Saji, une première maquette suivie d'une seconde de 3,6 mètres de long pesant 700 kilos en 1979, et envisage à cette époque la future construction d’une brise glace sans hélices propulsé par MHD, [TAD 84]. Le premier véritable navire à propulsion MHD, le Yamato 1 (utilisant 12 accélérateurs linéaires de Faraday) navigue pour la première fois en 1992, [TAD 84], [BEN 10]. La Chine teste également à la fin des années 1990 un prototype de bateau à propulseur MHD hélicoïdal muni d'un électroaimant de 5 teslas, le HEMS-1 et entreprend un partenariat avec le Japon pour tester la propulsion MHD en laboratoire avec des champs magnétiques de grande intensité (15 teslas), [BEN 10]. En France, la MHD est restée longtemps associée à la production de l’énergie électrique en utilisant le mouvement des gaz ionisés soumis à un champ magnétique. A partir de 1969, date à laquelle cette activité a été mise en sommeil et définitivement arrêter car la rentabilité à l’échelle industrielle fut estimée trop faible vu les problèmes plutôt technologiques rencontrés (tenue et qualité des matériaux) que dans les principes mis en jeu [BER 91], [KAD04], [BEN 10]. 20 Etat de l’art des convertisseurs MHD Chapitre un 1.3 Apport et limites des machines tournantes Les machines électriques rotatives ont occupé une grande place dans l’industrie depuis bien longtemps, mais ces dernières ne peuvent pas régler tous les problèmes, comme le transport des métaux liquides, le pompage, etc… Beaucoup de progrès et développements ont été réalisés dans le domaine des machines linéaires dont les applications sont relativement nouvelles. Plusieurs revues et documents techniques se sont penchés sur ce sujet durant ces deux dernières décennies. Ainsi la technologie a évolué et les pompes MHD ont pris places dans différents domaines comme la métallurgie et dans les centrales nucléaires. Le pompage des métaux liquides par des convertisseurs MHD qui sont entrain de concurrencer les pompes hydrauliques conventionnelles à cause des problèmes tels que [BOL 85], [KAD 06] : L’usure à haute température ; L’étanchéité contre les fuites du métal liquide. I.4 Les convertisseurs MHD linéaires La Magnétohydrodynamique est la manière d'agir sur un fluide, liquide ou gaz, en faisant agir sur lui des forces électromagnétiques, à condition qu'il soit suffisamment conducteur de l'électricité. On parlera alors d'accélérateur MHD. C'est également l'art de transformer l'énergie cinétique d'un fluide en énergie électrique. On parlera alors de générateur MHD. Plus généralement, dans la mesure où s'opère une conversion directe d'une forme d'énergie en une autre forme d'énergie (cinétique, électromagnétique) on parlera de convertisseur MHD, [KAD 04], [BER 13]. Le système le plus simple est celui du convertisseur à induction. Il est constitué d’un canal dans lequel s’écoule un fluide électriquement conducteur à la vitesse V. Le fluide traverse un champ magnétique B qui induit un courant J collecté par des électrodes en contact avec le fluide, [LEB 92b]. La première expérience de la conversion MHD avec un liquide comme fluide a été réalisée par Arago qui eut l’idée d’utiliser les propriétés conductrices d’un fluide en mouvement dans 21 Etat de l’art des convertisseurs MHD Chapitre un un champ d’induction magnétique, après le découverte par faraday des lois de l’induction. Ce n’est qu’en 1955 qu’une application industrielle a été envisagée mais dans laquelle le liquide fut remplacé par un gaz conducteur. L’étude fut alors qualifiée de magnétohydrodynamique ce qui parut de prime abord surprenant. Mais le paradoxe n’est qu’apparent, cette appellation était légitime puisque les recherches menées au début sur ces milieux (plasma) faisant intervenir des équations semblables à celles de l’hydrodynamique [BER 91], [LEB 92b], [BOR 97]. La magnétohydrodynamique des plasmas a fait l’objet de travaux conséquents, mais cela n’empêche pas d’évoquer la MHD des métaux liquides dont les avantages ne sont pas négligeables. En effet, à cause des problèmes associés à la température élevée des plasmas, plusieurs approches sont apparues utilisant le métal liquide comme fluide conducteur. Les systèmes à métaux liquides semblent être particulièrement très demandés et beaucoup de travaux ont été élaborés aux USA et en URSS et un grand programme est établi en France [LEB 92], [KAD 01]. Les convertisseurs MHD sont principalement utilisés dans l’industrie sous forme de pompes électromagnétiques, dans les aspects propulsifs de véhicules de haute technologie ainsi que pour certains types d’armes militaires. En général, il existe deux catégories de machines MHD linéaires : convertisseurs MHD linéaires à conduction ; convertisseurs MHD linéaires à induction. 1.4.1 Les convertisseurs MHD linéaires à conduction Les machines MHD linéaires à conduction peuvent fonctionnent principalement comme moteur pompe. Dans ce type de pompe, le courant électrique est fourni par une source extérieure et le champ magnétique est imposé. Une limitation essentielle est le manque d’adhérence du métal sur les parois, ce qui augmente les pertes. Il existe plusieurs formes de pompes à conduction, parmi lesquelles on peut citer [BER 91], [BOL85] : 22 Etat de l’art des convertisseurs MHD Chapitre un Les pompes à conduction à alimentation continue ; Les pompes à conduction à courant alternatif. La différence entre ces deux types de pompes se situe au niveau de l’alimentation bobinage qui peut être soit en courant continu soit en courant alternatif. Les pompes magnétohydrodynamiques à conduction sont constituées d’un canal dans lequel s’écoule un fluide électriquement conducteur à la vitesse . La figure (1.1) représente le schéma d’une telle pompe. L’interaction entre l’induction magnétique B et le courant I injecté par les électrodes donne naissance à une force de Laplace FL . Les différentes parties qui constituent la pompe magnétohydrodynamique à conduction sont : le circuit magnétique : il est destiné à créer et canaliser les lignes de champ magnétique dans le canal ; le canal dans lequel s’écoule le fluide électriquement conducteur ; les deux électrodes en contact avec le fluide conducteur : elles servent à injecter le courant I à l’intérieur du canal. Elles sont réalisées avec un matériau bon conducteur d’électricité ; l’alimentation électrique généralement avec un fort courant et une basse tension Circuit Magnétique Circuit Magnétique Électrodes Électrodes B B II FFL L Canal Canal Alimentation courant DC Fig. (1.1)Schéma Schémad'une d'unepompe pompeMHD MHDààconduction conduction Fig.1.1 23 Etat de l’art des convertisseurs MHD Chapitre un L’analogie entre un moteur à courant continu et un propulseur MHD à courant continu peut se résumer comme suit : Tab. 1.1 Analogie entre un moteur à courant continu et un propulseur MHD à courant continu Moteur CC Balais – collecteur Propulseur MHD Electrodes Loi d’Ohm U E ' RI E Eind 1 j F.C.E.M Eind v.B E ' k ' Puissance P E'I P Eind Jv 0 Couple mécanique C k I Force MHD F JBv 0 Couple résistant Force résistante ' Cr a Fr K t v 2 2 où U : tension d’alimentation de l’induit E : champ électrique E’ : F.C.E.M. du rotor E ind : champ électrique induit R : résistance totale de l’induit σ : Conductivité électrique I : courant traversant l’induit J : densité de courant électrique ω : vitesse de rotation rd/s v : vitesse du fluide en m/s k ' ; a constantes K t ; v constante et vitesse du fluide : flux d’excitation B : induction magnétique 1.4.1. 1 Pompes MHD à conduction à courant continu La pompe magnétohydrodynamique à conduction à courant continu (MHD DC) est le modèle le plus simple de pompe MHD. Les courants dans le canal et dans le bobinage inducteur (cas d’un électroaimant) sont continus. Pour créer le champ magnétique, nous pouvons aussi utiliser un aimant permanent. Le circuit magnétique peut être refermé par un 24 Etat de l’art des convertisseurs MHD Chapitre un barreau de fer pour éviter les fuites magnétiques vers l’extérieur et obtenir une induction élevée. La figure 1.2 représente le schéma d’une pompe MHD à courant continu avec un canal rectangulaire et dont l’induction magnétique est créée par des électroaimants. Circuit magnétique Electrodes Bobinage Ecoulement du fluide Fig. (1.2) : Pompe MHD à conduction à courant continu [TAW11] La figure (1.3) montre le schéma d’une nouvelle génératrice magnétohydrodynamique à l’eau de mer avec un aimant supraconducteur de 7 T, [TAK 05]. Ecoulement de l’eau de mer Aimant supraconducteur Cathode Cathode Mur hélicoïdal Anode Anode B I Résistance externe Fig. (1.3) Principe d’un générateur MHD à l’eau de mer type hélicoïdal [TAK 05] Un des principaux avantages des pompes DC MHD est la simplicité de leur géométrie. Leur coût de fabrication est relativement faible devant les autres types de pompes MHD. En 25 Etat de l’art des convertisseurs MHD Chapitre un revanche ce type de pompe présente plusieurs défauts. En effet, les électrodes peuvent subir une érosion à cause du frottement avec le fluide, et les pertes ohmiques peuvent provoquer un échauffement, il peut également exister une résistance de contact non négligeable entre le fluide et les électrodes. Ceci provoque donc des pertes thermiques supplémentaires. Par le passé, de nombreuses pompes MHD à conduction DC ont étés fabriquées avec différents types de fluides conducteurs (plasmas, électrolytes, sels fondus et métaux liquides). I.4.1.2 Pompes MHD à conduction à courant alternatif Dans le cas des pompes magnétohydrodynamiques à courant alternatif (MHD AC), les courants dans le fluide et dans le bobinage sont sinusoïdaux. Le courant I traversant le canal de pompage peut donc être fourni en sortie d’un transformateur, et le champ magnétique par un électro-aimant (figure (1.4)). Circuit magnétique Transformateur Canal Electrodes Ecoulement du fluide Transformateu r Fig. (1.4) Schéma d’une pompe MHD AC [TAW11] L’utilisation d’un transformateur permet d’avoir une alimentation des électrodes très simple car il est assez complexe d’obtenir des alimentations DC à fort courant et faible tension ayant un bon rendement. Par contre, pour des courants élevés, un refroidissement des transformateurs est nécessaire. Le champ magnétique et le courant dans le fluide doivent avoir 26 Etat de l’art des convertisseurs MHD Chapitre un la même fréquence. La force de pompage est maximale si le champ magnétique et le courant sont en phase d’où l’idée d’avoir la même alimentation pour le courant I et l’induction magnétique, [LAB 92a], [BER 91] et [TAW 11]. La circulation du fluide est toujours basée sur la force de Laplace où nous avons une variation temporelle du courant et du champ. Un des principaux avantages des pompes MHD DC est la simplicité de leur géométrie. Leur coût de fabrication est relativement faible devant les autres types MHD. En revanche ce type de pompe présente plusieurs défauts. En effet, les électrodes peuvent subir une érosion à cause du frottement avec le fluide, et les pertes ohmiques peuvent provoquer un échauffement ; il peut également exister une résistance de contact non négligeable entre le fluide et les électrodes. Ceci provoque donc des pertes thermiques supplémentaires, [TAW11]. L’étude qui sera faite dans les chapitres suivants portera sur les pompes à conduction à courant continu à métal liquide destinées à la propulsion ou au transport des métaux liquides. 1.4.2 Les convertisseurs MHD linéaires à induction Le principe général d’une pompe à induction consiste à créer un champ magnétique glissant avec des enroulements polyphasés (en général triphasés). Ce dernier induit des courants dans le fluide conducteur qui crée à leur tour une force de Laplace tendant à le mettre en mouvement. Ce fonctionnement est très proche de celui de la machine asynchrone, mais ici le champ créé est glissant, et l’induit est constitué par le fluide conducteur. La figure (1.5) montre les courants induits dans les pompes à induction [TAW 11]. Les différentes parties d’une pompe à induction sont : l’inducteur : constitué d’un circuit magnétique créant un champ glissant grâce à un bobinage polyphasé ; l’induit : constitué par un fluide conducteur ; l’entrefer 27 Etat de l’art des convertisseurs MHD Chapitre un Induction magnétique crée par des inducteurs Fig. (1.5) Lignes de courant dans une pompe MHD à induction [TAW11] Il existe plusieurs types de pompes à induction. Les plus utilisées dans l’industrie sont les pompes plates et les pompes annulaires. La différence entre ces deux types apparait au niveau de leurs géométries. 1.4.2.1 Différentes géométries de pompes à induction 1.4.2.1.1 Pompes à induction plates L’idée de base du fonctionnement des pompes plates est la même que précédemment. Elles ressemblent beaucoup au moteur linéaire ; le rail est remplacé par le fluide. Le canal a une section rectangulaire. Des enroulements inducteurs alimentés par des courants alternatifs triphasés génèrent une induction magnétique sinusoïdale glissante. La figure (1.6) montre le schéma d’une pompe MHD à induction plate. Le liquide circule dans un canal rectangulaire. Sortie du fluide Circuit magnétique Bobinage polyphasé Entrée du fluide Fig. (1.6) Pompe MHD à induction plate [BER 91] 28 Etat de l’art des convertisseurs MHD Chapitre un Le refroidissement se fait par circulation forcée d’air dans les inducteurs. Les problèmes technologiques portent surtout sur la réalisation de conduits en tôle d’acier inox mince (pour diminuer les pertes) résistant longtemps à la corrosion et d’une étanchéité absolue [BER 91]. 1.4.2.1.2 Pompes à induction annulaires Le principe de fonctionnement de ces pompes ne diffère pas des moteurs classiques. Le courant des enroulements primaires produit un champ magnétique de déplacement qui produit à son tour un courant induit dans le métal liquide. L’interaction entre le champ principal et le courant induit donne naissance à des forces appliquées au niveau du liquide. Les pompes à induction présentées dans la littérature ont en général une taille assez conséquente. En effet, leurs circuits magnétiques et leurs bobinages assez complexes ne permettent une miniaturisation que dans le cas des pompes à conduction, [TAW 11]. La figure (1.7) montre le schéma d’une pompe MHD à induction annulaire. Le type annulaire est plus performant que le type rectangulaire car les courants induits sont toujours perpendiculaires à la direction de l’écoulement. Ainsi, la force de Laplace a partout la même direction que celle de l’écoulement. Par contre, dans le cas d’une machine de section rectangulaire, les courants induits se referment d’une façon moins favorable aux échanges d’énergie mécanique en énergie électrique et provoquent d’avantage des pertes par effet Joule, [DUD 68]. Fig. (1.7) : Pompe MHD annulaire à induction [BER06] 29 Etat de l’art des convertisseurs MHD Chapitre un Les avantages de ces pompes sont les suivants, [BEN 99]: Les courants électriques se referment dans la masse du fluide, ce qui rend inutile l’adhérence de celui- ci sur la paroi ; La forme est simple et l’encombrement est économique ; Le démontage est facile. 1.4.2.2 Régimes de fonctionnement La machine MHD fonctionne en pompe si le champ magnétique se déplace plus vite que le fluide. Le fluide est entrainé par le champ qui crée une force de Laplace dans le sens l’écoulement. L’énergie électrique des sources de courant est transformée en énergie mécanique dans le fluide. Si au contraire le champ se déplace moins vite que le fluide, la MHD fonctionne en générateur. Le fluide est freiné par le champ magnétique et le travail des forces électromagnétiques est transformé en énergie électrique dans les bobinages et en pertes joules dans le fluide. Dans ce cas, le générateur peut être connecté à un réseau électrique auquel il fournira une certaine puissance, [LEB 92]. 1.4.3 Choix du fluide conducteur Les métaux liquides fonctionnement à des températures plus basses que celles des plasmas et par conséquent n’entrainent pas d’usure des électrodes. C’est pour cette raison qu’on choisit les métaux liquides à point de fusion bas tels que (Hg, K, Ca, Sn, Zn, NaK), [LEB92b], [CON 95] et [BER 13]. Dans le cas des convertisseurs linéaires à induction, on choisit généralement le mercure ; c’est un métal liquide à température ordinaire. C’était le milieu le plus pratique pour effectuer les premières expériences de MHD (Hartmann et Lazarus 1937), [BER 91]. Cependant un autre métal a suscité de grandes recherches, le sodium fondu, pur ou allié au potassium. En effet, ce liquide est utilisé pour le refroidissement et l’exploitation de certains réacteurs nucléaires. Le mélange sodium potassium rend le composé liquide à la température ambiante, [KAD 04]. 30 Etat de l’art des convertisseurs MHD Chapitre un 1.5 Comparaison entre les pompes à conduction et à induction La description des pompes de façon générale, montre que chaque type de pompes présente ses propres avantages et inconvénients [BOR 98]. La fabrication des pompes MHD DC a un coût relativement faible par rapport aux autres types. De plus, elles fonctionnent avec des aimants permanents ce qui simplifie leur réalisation. Les principaux inconvénients sont l’alimentation électrique qui est complexe et la présence d’électrodes. La pompe MHD à conduction à courant alternatif peut être plus facilement alimentée mais demande la présence d’un électro-aimant. De plus, le courant alternatif entraine la présence de courant de Foucault. L’avantage principal des pompes à induction réside dans l’absence d’électrodes contrairement aux pompes MHD à conduction. 1.6 Domaines industriels d’application de la MHD 1.6.1 Génération de l’électricité par la MHD Les recherches approfondies de génération d'électricité par MHD ont débuté au XXe siècle, tout d'abord avec le physicien Bela Karlovitz pour le compte de la société Westinghouse de 1938 à 1944. Ce générateur MHD était de type "Hall annulaire" et utilisait un plasma issu de la combustion du gaz naturel ionisé par faisceaux d'électrons. Cette expérience ne fut pas convaincante car la conductivité électrique du gaz était aussi limitée que les connaissances de l'époque en physique des plasmas. Une seconde expérience menée en 1961 au même laboratoire, utilisant un liquide composé d'un combustible fossile enrichi en potassium, fut elle un succès avec une puissance générée excédent 10 kW. La même année, une puissance identique fut générée aux laboratoires Avco Everett par le docteur Richard Rosa, en utilisant de l'argon enrichi par pulvérisation d'une poudre de carbonate de potassium (substance donnant facilement des électrons libres, ce qui augmente la conductivité électrique du plasma) et ionisé par arcs électriques à 3000°K, [BER 06]. Les années 1960 virent un effort international très important en vue de créer les premières centrales MHD électriques industrielles, avec un gaz ionisé à très haute vitesse comme fluide conducteur. 31 Etat de l’art des convertisseurs MHD Chapitre un En 2007, un ensemble d'expériences concluantes réalisées aux États-Unis pour le compte de l'armée américaine, avec un fluide simulant une sortie de tuyère d'un avion hypersonique a permis d'obtenir une puissance générée supérieure à 1 MW. Ce type d'expérience est susceptible de relancer l'intérêt (notamment militaire) de la MHD, après une "mise en sommeil" de cette technique pendant de nombreuses années. Cette expérience est susceptible d'avoir également un impact sur la fusion contrôlée. 1.6.1.1 Générateurs à conduction Un générateur MHD (magnétohydrodynamique) est un convertisseur MHD qui transforme l'énergie cinétique d'un fluide conducteur directement en électricité. Le principe de base est fondamentalement le même que pour n'importe quel générateur électrique. Les deux types de générateurs utilisent un inducteur (électroaimant ou aimant permanent) générant un champ magnétique dans un induit ou canal. Dans le cas d'un générateur conventionnel, cet induit est solide : c'est une pièce métallique portant des bobines en cuivre. Dans le cas d'un générateur MHD, cet induit est fluide : liquide conducteur (eau salée, métal liquide) ou gaz ionisé (plasma). Les générateurs MHD n'utilisent donc pas de pièce mécanique mobile, contrairement aux générateurs électriques traditionnels. Le fluide est mis en mouvement dans le champ magnétique, ce qui génère un courant électrique, recueilli aux bornes d'électrodes immergées et connectées à une charge, [BER 13], [GOF 65]. Electrodes segmentées Solénoïdes Entrée Sortie Fig. (1.8) Générateur MHD à Conduction (tuyère linéaire) 32 Etat de l’art des convertisseurs MHD Chapitre un 1.6.1.2 Générateurs à induction Le générateur à induction ne comporte pas d’électrodes car le courant est produit par un champ magnétique induit par le couplage champ- vitesse. C’est un premier avantage. De plus, le courant produit est alternatif, ce qui élimine le besoin d’un convertisseur comme dans le cas des générateurs à conduction [KAD 04]. Ce générateur MHD fonctionne sans électrodes avec des champs magnétiques variables. Classiquement, une "onde magnétique" se déplace dans le fluide, émise par des courants électriques alternatifs circulant dans plusieurs électroaimants successifs, avec la même amplitude mais en déphasage. La variation du champ magnétique génère des courants induits dans le gaz, qui eux-mêmes génèrent des champs magnétiques induits dont les lignes de champ coupent les enroulements en spires des bobines. Si la vitesse du gaz est supérieure à la vitesse de déplacement de l'onde magnétique, les courants induits seront tels que les forces de Lorentz générées auront tendance à ralentir l'écoulement et à générer par induction un courant dans les bobinages triphasés analogue à celui des moteurs asynchrones ou linéaires. (Figure (1.9) [ALE 10], [GOF 65], [BER 13]. Fig. (1.9) Générateurs à induction [ALE 10] 33 Etat de l’art des convertisseurs MHD Chapitre un 1.6.2 Propulseurs MHD 1.6.2.1 Propulseurs à plasma Ces dispositifs également appelés MPD (Magneto Plasma Dynamic) utilisent des gaz tels que Argon Comme propergol. Pour des puissances développées de 4 à 10 MW, les rendements de ces appareils sont de l’ordre de 30% à 40%. Ce type de propulseur, bien adapté aux changements d’orbites, offre l’avantage chimique de consommer 3 à 10 fois moins de propergol qu’un propulseur chimique habituel [BER 91]. L’inconvénient majeur est du à l’érosion des surfaces isolantes par le fluide chaud, comme pour le générateur MHD. Il en résulte une perte de masse qui limite la durée de vie du matériel. Leur principe de fonctionnement est le suivant : le propergol est injecté entre les électrodes et traversé par un courant électrique. Celui-ci induit dans le plasma un champ magnétique qui par couplage avec le courant électrique produit une force de Laplace qui accélère le plasma. 1.6.2.2 Canon électromagnétique Le canon électromagnétique est tout à fait analogue à un moteur linéaire à courant continu, le plasma joue le rôle de l’armature et les rails celui d’enroulement. Il a comme caractéristique principale de garder une pression à peu près constante pendant l’accélération du projectile. Ce dispositif inventé par le géophysicien K. Birkeland a des applications variées, [BER 91]. Lancement de charges spatiales ; déchets nucléaires ; Armes militaires ; destruction de missiles en vol ; Fusion nucléaire ; initiation des réactions par impact (150 Km/s). 1.6.2.3 La Propulsion navale Ces dernières années la MHD a connu un regain d’intérêt dans le domaine de la propulsion des bateaux dont le fluide conducteur (eau de mer) utilisé est de conductivité électrique basse. Ceci est du à l’avènement des supraconducteurs qui a engendré le renouveau des recherches sur cette technique. Et avec l’augmentation des inductions magnétiques au environ de 10 Teslas, les rendements ont nettement augmenté en passant de 8% à 60%. Des systèmes à induction et à conduction sont à envisager, [BER 91]. Le principe de base de la propulsion MHD navale est simple. Il consiste à utiliser des forces électromagnétiques pour propulser des navires. Ces forces de Laplace sont issues de 34 Etat de l’art des convertisseurs MHD Chapitre un l’interaction entre un champ magnétique, crée par des bobines supraconductrices et des courants électriques circulant dans l’eau de mer. Ainsi, l’énergie électrique, fournie par des groupes électrogènes embarqués à bord, est directement transformée en énergie mécanique, [TRO 95]. La magnétohydrodynamique (MHD) permet une propulsion directe des navires par réaction en supprimant l’hélice et toute pièce mécanique mobile d’entraînement. L’action combinée dans l’eau de mer, d’un champ magnétique et d’un champ électrique développe un champ de forces électromagnétiques volumiques que l’on appellera force MHD. Le Yamato 1 est un démonstrateur technologique civil japonais de navire à propulsion électromagnétique (utilisant les principes de la magnétohydrodynamique) conçu à partir de 1985 et réalisé au début des années 1990. Il se déplace silencieusement jusqu'à une vitesse de 8 nœuds (15 Km/h) par réaction et sans hélice, grâce à un accélérateur MHD aspirant à l'avant l'eau de mer, naturellement conductrice de l'électricité, et la rejetant à l'arrière, [MOT 91], [BEN 11] (fig. 1.10). Fig. (1.10) Le yamato1 dans la baie de KÖBE [MOT 91] 1.6.3 Les Applications à la métallurgie 1.6.3.1 Magnétohydrodynamique des fours à induction Les fours à induction se composent essentiellement d’une bobine inductrice refroidie par circulation d’eau, entourant un creuset dans lequel se trouve la masse métallique à fondre et a traiter [SAA 06]. L’utilisation des champs magnétiques alternatifs dans les fours à induction 35 Etat de l’art des convertisseurs MHD Chapitre un s’est considérablement développée ces dernières années dans les domaines de l’élaboration et le traitement des métaux. En effet, ce type de champ magnétique offre la possibilité d’agir à distance et de façon contrôlée sur un fluide électroconducteur, [KAD 04]. 1.6.3.2 Brassage électromagnétique Les brasseurs électromagnétiques, tout comme les pompes électromagnétiques, ont la particularité de ne pas posséder de parties mobiles. Par brassage, ils entraînent l’élimination de bulles, de saletés et aussi l’accélération du mélange (par turbulence) lors de réactions métallurgiques (fabrication d’alliages). 1.6.3.3 Lévitation Parmi les procédés de lévitation utilisés en physique ; le procède MHD permet de résoudre trois problèmes à la fois : L’absence de contact entre la charge et le creuset évite la contamination du métal par la paroi ; L’échauffement de la charge par effet Joule peut en causer la fusion ; Le brassage interne du fluide formé produit un mélange efficace des constituants, [BER13]. 1.6.3.4 Formage Le formage électromagnétique consiste à façonner des masses métalliques en lévitation magnétique par l’action de champs magnétiques qui modèlent la surface libre désirée. Cette technique a l’avantage d’éviter le chauffage et le reformage après solidification, [BEN10]. 1.6.3.5 Pulvérisation La technique électromagnétique permet la fabrication de poudres et grenailles de tailles moyennes (environ 100µm) avec un débit massique élevé, [BEN 10]. 1.7 Conclusion Une description générale des convertisseurs MHD ainsi que leurs principes de fonctionnement ont été donnés dans ce chapitre. Les phénomènes magnétiques sont régis par les équations de Maxwell. Dans ce cas, la mise en équations de ces phénomènes et la modélisation numérique de la machine MHD à conduction retenue est l’objet du chapitre suivant. 36 Chapitre deux Modélisation en 2D de la MHD à Conduction Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.1 Introduction La modélisation de la MHD repose respectivement sur les équations de Maxwell et les équations de Navier Stokes. En utilisant les équations de Maxwell et les lois constitutives du milieu, on détermine les paramètres électromagnétiques relatifs à chaque problème. Ce chapitre s'intéresse à la modélisation de la pompe MHD à conduction. Cette dernière est effectuée dans l'objectif de l'utiliser dans une procédure de conception par optimisation. Il existe à l’heure actuelle trois niveaux de modélisations : La modélisation par calcul de champs qui repose sur la résolution des équations de Maxwell. C’est une modélisation qui fait intervenir les grandeurs locales B et H . La modélisation par circuit magnétique équivalent. Cette modélisation est dite intégrale puisque elle fait intervenir des grandeurs obtenues par intégration des variables B et H et la différence de potentiel magnétique scalaire. La modélisation par circuit électrique équivalent. Dans ce type de modélisation, on ne fait intervenir que des grandeurs électriques globales (tension et courant). La modélisation par circuit électrique équivalent est la moins précise du fait qu’elle ne peut prendre en considération la saturation que d’une manière globale. Cependant, elle reste le modèle le moins lourd et par conséquent le plus intéressant lorsqu’il est question de la conception ou de la commande des systèmes électromagnétiques. La modélisation par calcul de champs reste la plus précise, cependant la plus lourde. Elle est donc réservée pour des études plus fines des performances des systèmes électromagnétiques. Ce dernier type de modélisation dit aussi numérique et avec le développement des ordinateurs, a trouvé un large champ d’utilisation. Les méthodes les plus couramment 37 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction utilisées, sont les méthodes des éléments finis, des volumes finis ainsi que celles des différences finis. Ce chapitre est consacré à la modélisation basée sur le calcul des champs par la méthode des volumes finis et son application à l'étude des performances d’une pompe à conduction avec et sans noyau ferromagnétique dans le canal de la pompe à concevoir. 2.2 Méthodes numériques Les méthodes numériques sont utilisées avec succès dans la plupart des problèmes de la physique. Néanmoins chacune d’elles a son domaine d’application privilégié. Une description rapide de ces méthodes numériques va nous permettre de déterminer les liens qui existent entre les caractéristiques de ces dernières. C’est sur cette base que s’est effectué notre choix des méthodes numériques pour la modélisation des phénomènes MHD. 2.2.1 Méthodes des différences finies La MDF est basée sur la discrétisation du domaine d’étude. Elle consiste à décomposer ce dernier en série de Taylor et à ne conserver qu’un nombre restreint de termes. Ces méthodes sont très utilisées car elles allient une grande simplicité à la possibilité d’obtenir plusieurs schémas de discrétisation selon la précision ou la stabilité désirée. 2.2.2 Méthodes des éléments finis La méthode des éléments finis est un outil très puissant pour résoudre beaucoup de problèmes en électromagnétisme. Elle a été proposée en 1940. Sa première application en électromagnétisme a été effectuée par Sylvester. La méthode des éléments finis repose sur la recherche d’une fonction globale représentant les phénomènes étudiés en tout point du domaine analysé. Elle repose sur une approximation nodale du domaine de calcul décomposé en un ensemble d’éléments de 38 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction géométrie variée (triangle, tétraèdres, hexaèdres). La discrétisation des équations aux dérivées partielles est réalisée à partir de la méthode des résidus pondérés dite de Galerkine qui est la plus utilisée. La structure de la matrice obtenue après discrétisation est creuse c'est-à-dire qu’elle contient beaucoup de termes nuls [SAD 92], [DHA 84]. Parmi les avantages de cette méthode, on peut citer le traitement possible des géométries complexes ; cependant elle présente une complexité de mise en œuvre et un grand coût en temps de calcul et en mémoire. 2.2.3 Méthodes des volumes finis La méthode des volumes finis (MVF) est très appliquée pour les problèmes de la mécanique des fluides. La discrétisation des équations aux dérivées partielles s’opère à partir d’une forme conservative pour chaque volume de contrôle par une technique qui ressemble à la méthode des différences finies. Donc le principe de conservation est imposé au niveau de chaque volume de contrôle contrairement à la méthode des éléments finis où les principes de conservation sont vérifiés uniquement de manière globale. Cette méthode est simple à développer et moins coûteuse que la méthode des éléments finis, [PAN 80], [TRI 08]. Le domaine d’étude dans cette méthode est subdivisé en volumes élémentaires de telle manière que chaque volume entoure un nœud du maillage. L’équation est intégrée sur chacun des volumes élémentaires. Pour calculer l’intégrale dans ce volume élémentaire, la fonction inconnue est représentée à l’aide d’une fonction d’approximation entre deux nœuds consécutifs. Ensuite, la forme intégrale est discrétisée dans le domaine d’étude. Cela conduit à une solution plus précise que la méthode des différences finis (MDF). Ces méthodes sont particulièrement bien adaptées à la discrétisation spatiale des lois de conservation [PAN 80], [SHA 11]. 39 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.3 Phénomènes électromagnétiques L’effet du champ électrique ou magnétique (ou de leur combinaison) détermine le fonctionnement des machines tournantes, des pompes et des transformateurs. La connaissance de ces champs permet, dans tout système électromagnétique, d’avoir accès au calcul de ses performances globales et au détail des conditions de son fonctionnement, soit en régime permanent, soit en régime transitoire. En effet, on peut déduire du champ magnétique les valeurs des flux, des forces électromotrices (dans les générateurs), des couples d’entrainement (dans les moteurs) et des forces d’évacuation du fluide dans les pompes [BLO 00], [FLE 06], [KUN 02]. Dans ce qui va suivre, nous présentons les formulations mathématiques modélisant la pompe MHD à conduction et qui expriment les phénomènes électromagnétiques dans la pompe (équations de Maxwell) ainsi que certaines hypothèses permettant de simplifier ces équations. 2.4 Equations de Maxwell L’ensemble des phénomènes électromagnétiques est régi par les équations de Maxwell. Celles-ci constituent un système d’´equations aux dérivées partielles qui lient les phénomènes magnétiques aux phénomènes électriques unifiant ainsi tous les principes de l´électromagnétisme, [RAP10], [FAR 98]. Les équations de Maxwell représentent la base de l'électromagnétisme; c'est-à-dire que ces équations permettent de décrire les évolutions spatio-temporelles du champ électrique et du champ magnétique. Ces équations locales relient le champ électrique E et le champ magnétique H à leurs sources : densité de charge ρ et densité de courant électrique J , [GIE 82], [ABD98] et [SAB 85]: div D (équation de Maxwell-Gauss) (2.1) Une charge électrique est source d’un champ électrique ; autrement dit, les lignes de champs électriques commencent et se terminent autour des charges électriques. 40 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux div B 0 (équation de conservation du flux magnétique) (2.2) Cette relation traduit mathématiquement le fait que les seules sources de champ magnétique sont les courants électriques et il n’existe pas de charge magnétique ; c’est pourquoi les lignes du champ sont toujours fermées sur elles-mêmes. Elles forment des boucles. Ces boucles n’ont ni point de départ, ni point d’arrivée, ni point de convergence, d’où la nomination d’induction conservative (champ conservatif). B (équation de Maxwell-Faraday) (2.3) rot E t Cette équation exprime le couplage électrique- magnétique en régime dynamique et la variation temporelle de B . rot H J D t (équation de Maxwell-Ampère) (2.4) En tenant compte des relations constitutives de milieu B H et D E dans ces équations, nous pouvons leur ajouter la loi d’Ohm: J J in J ex (2.5) avec : J in E (V B) (2.6) Dans cette dernière équation, le premier terme représente la densité de courant induit par conduction tandis que le second terme représente la densité de courant induit par les vitesses dans la décharge. avec : J in : la densité de courant induit et J ex la densité de courant source [A/m2] ; B : l’induction magnétique [T] ; ρ : la densité volumique de la charge électrique [C/m3] ; D : le déplacement électrique ou l’induction électrique [A.s/m2] ; μ : la perméabilité magnétique (dans le vide µ=µ0=4π.10-7[H/m]) ; 41 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux ε: la permittivité électrique (dans le vide ε=ε0= 8.8544*10-12 [F/m]); V : le vecteur vitesse aux points considérés [m/s]; E : la densité des courants induits par variation du champ électrique [A/m2]; (V B) : la densité des courants induits par mouvement [A/m2]. Dans l’équation (2.4), le terme D t est appelé terme des courants de déplacement. L’équation (2.4) peut ainsi se simplifier pour donner le théorème d’Ampère : rot H J (2.7) L’équation (2.7) exprime que la circulation du champ magnétique sur un contour fermé sur lequel s’appuie une surface est égale à la somme des courants qui traversent cette même surface. On déduit de l’équation (2.7) que la densité de courant J est à flux conservatif : div J 0 (2.8) 2.4.1 Conditions aux limites et conditions d’interfaces Pour que le problème soit complètement défini, il faut déterminer les conditions aux limites sur les frontières du domaine, ainsi que les conditions de passage entre les différents milieux constituant ce domaine. 2.4.1.1 Conditions aux limites On distingue essentiellement deux types de conditions aux limités, dans les problèmes de champs électromagnétiques formulés en termes de vecteur potentiel: Conditions aux limites de Dirichlet (A=A0) : dans ce cas, le vecteur potentiel magnétique A est constant sur la frontière, ce qui veut dire que l’induction magnétique est parallèle à ce contour qui présente alors une équipotentielle. Cette condition aux limites peut se présenter aussi sur les plans ou les axes polaires (dans ce cas on se limite à mailler une partie du domaine). 42 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction Elle est utilisée dans le cas où le système à étudier présente des plans de symétrie. La Condition de Neumann homogène (∂A/∂n=0) : on la trouve sur les plans où les axes de symétrie magnétique (axes inter polaires par exemple). Sur cette frontière, les lignes de l’induction magnétique sont normales. De même, lorsque ce type de conditions aux limites apparait sur des axes d’antisymétrie, le maillage est limité à une portion du domaine, [MOK 05]. 2.4.1.2 Conditions d’interfaces Dans le cas général, un dispositif électrotechnique comporte des milieux différents (fer, air, cuivre, …etc.). Alors, avant d’aborder la résolution du problème, il est nécessaire de connaitre le comportement des champs électromagnétiques à travers l’interface entre les différents milieux. Les conditions de passage aux frontières de l’interface 12 entre deux milieux de propriétés physiques différentes d’indices 1 et 2 portent sur les continuités et discontinuités des différentes composantes normales et tangentielles des grandeurs électromagnétiques : Conservation de la composante tangentielle du champ électrique : ( E2 E1 ) n 0 (2.9) Conservation de la composante normale de l’induction magnétique : ( B2 B1 ).n 0 (2.10) Discontinuité de la composante tangentielle du champ magnétique due aux courants surfaciques s’ils existent : ( H 2 H1 ) n J ex (2.11) Discontinuité de la composante normale de l’induction électrique due aux charges surfaciques si elles existent : ( D2 D1 ). n s avec n : normale à la surface; 43 (2.12) Modélisation en 2D d’une pompe MHD à conduction Chapitre deux J ex : densité surfacique éventuelle de courant; s : densité de charge surfacique à l’interface. 2.4.2 Formulation du problème électromagnétique La résolution du problème électromagnétique quasi stationnaire, dans le domaine Ω, nécessite le choix d'une formulation basée sur une grandeur caractéristique et en association avec les relations constitutives, les relations de passage, les conditions aux limites et les conditions de jauge, [LEF 06]. Ainsi, de nombreuses formulations ont déjà été développées en deux ou en trois dimensions. En trois dimensions, il n’existe pas de formulation idéale. Les formulations associent le potentiel vecteur A et le potentiel scalaire U. En deux dimensions, la formulation adéquate est donnée en potentiel vecteur A à cause de réduction de nombre d’inconnues. 2.4.3 Modèle Magnétodynamique Ce modèle s’applique aux dispositifs électrotechniques dans lesquels les sources de B courant ou de tension varient en fonction du temps. Le terme n’est plus nul, les t champs électriques et magnétiques sont alors couplés par la présence des courants induits [BOU 07], [BER13]. Pour représenter l’état électromagnétique en un point, on doit alors faire recourt au potentiel vecteur A car div B 0 ; les avantages présentés par ce type de formulation sont nombreux : c’est la plus utilisée et elle réduit le nombre d’inconnues ; elle permet d’imposer des sources électriques par les bobines ; la connaissance de toute autre grandeur physique peut être déduite. 44 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux Ecrivons les deux équations de Maxwell qui se présentent sans terme source : div B 0 (2.13) B rot E t (2.14) La première équation indique que l’induction magnétique B est un champ rotationnel. Ceci implique qu’il existe un potentiel vecteur magnétique A , tel que : B rot A (2.15) La substitution de (2.14) dans (2.15) donne : A (rot A) rot E rot ( ) t t Ce qui implique que : A rot ( E )0 t Le champ ( E (2.16) A t ) de l’équation (2.16) est conservatif, donc il dérive d’un potentiel scalaire U donné par : A E grad U t (2.17) Par conséquent, le champ magnétique et le champ électrique peuvent s’écrire en termes de ces deux potentiels A et U en utilisant la relation du milieu comme suit : E A grad U t 1 H rot A (2.18) A partir de l’équation rot H J et B H , nous avons : J rot ( 1 B) rot ( 1 rot A) En remplaçant (2.18) et (2,19) dans (2,5) et (2,6), on obtient: 45 (2.19) Modélisation en 2D d’une pompe MHD à conduction Chapitre deux J J ex E (V B) (2.20) 1 A rot ( rot A) ( gradU ) (V B) J ex t Les termes ( (2.21) A ) et (V B) représentent les densités des courants induits. Ils t traduisent le caractère dynamique dans le temps et dans l’espace des phénomènes électromagnétiques ; pour la pompe MHD à conduction proposée, le champ magnétique imposé est constant ; donc le premier terme s’annule. Le terme ( gradU ) décrit la densité du courant imposée à travers les électrodes. U représente le potentiel scalaire électrique en Volts. Pour pouvoir résoudre l’équation (2.21), on ajoute une autre équation pour que la solution soit unique. On fixe la divergence de A (jauge de Coulomb) : div A 0 (2.22) Dans notre configuration bidimensionnelle (2D), la condition de jauge de Coulomb est naturellement vérifiée. Le modèle électromagnétique de la pompe sera comme suit : 1 rot ( Rot A) gradU (V B) J ex div A 0 (2.23) 2.4.4 Hypothèses simplificatrices Pour déterminer le modèle mathématique qui régit les phénomènes électromagnétiques dans la pompe MHD à conduction, certaines hypothèses simplificatrices sont à proposer : Pour la perméabilité magnétique, si l’induit ne possède pas des propriétés magnétiques, sa perméabilité magnétique est assimilée à celle du vide; D Les courants de déplacement sont négligés devant J et rot H t de l’approximation quasi-statique ; 46 dans le cadre Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.4.5 Formulation en coordonnées cylindriques axisymétriques Une grande partie des problèmes magnétiques peut être traitée en bidimensionnel, ce qui est le cas pour notre problème ; l’existence des deux types de systèmes bidimensionnels : ceux infiniment longs alimentés suivant une direction (oz), ceux à symétrie de révolution alimentés selon la direction (oφ). C’est le deuxième cas qui nous intéresse, suivant notre dispositif, les courants J ex sont dirigés suivant l’angle φ du système de coordonnées cylindriques (r, φ, z). Le champ magnétique possède alors deux composantes, l’une suivant la direction (or) et l’autre suivant la direction (oz), imposant ainsi pour le potentiel une seule composante Aφ. Les différentes grandeurs ont les composantes suivantes : 0 0 0 Br H r J J ; E E ; A A ; B 0 ; H 0 0 0 0 B z H z Rappelons l’équation magnétodynamique (2.23) dans le cas où le terme ( grad U ) est remplacé par la densité de courants injectée à travers les électrodes J a . 1 rot ( rot A) (V B) J a j ex div A 0 (2.24) Sachant qu’en coordonnées cylindriques, les coordonnées de rot A sont : A z 0 (rA ) 1 r r Après développements en coordonnées cylindriques, l’équation (2.24) devient : 1 A 1 (rA ) (rA ) ( ) z J ex J a z z r r r r z En introduisant la transformation A rA , l’équation (2.25) devient : 47 (2.25) Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 1 1 A 1 A ( A) ( ) ( ) J ex J a z r z r r r r z z (2.26) C’est une équation aux dérivées partielles, décrivant le comportement d’un dispositif cylindrique axisymétrique. Sous l’hypothèse que les matériaux sont linéaires et que les sources d’alimentation sont constantes. 2.5 Mise en œuvre de la méthode des volumes finis La méthode des volumes finis a été choisie pour la résolution des équations électromagnétiques. Le domaine d’étude est divisé en un nombre d’éléments (fig. (2.1)) . Chaque élément contient quatre nœuds du maillage. Un volume fini entoure chaque nœud du maillage. Dans cette méthode, chaque nœud principal ‘P’( le centre du volume de contrôle) est entouré par quatre nœuds N,S,E, et W qui sont les centres des volumes de contrôles adjacents situés respectivement au Nord, Sud, East et Ouest de celui contenant ‘P’, [PAN 80]. Elément Fini Volume de Contrôle Nœud P Fig. (2.1) Maillage du domaine d’étude L’équation différentielle est intégrée sur chaque volume. Un profil choisi exprimant la variante A entre les nœuds est utilisé pour évaluer l’intégrale. Le résultat de discrétisation est une équation qui lie les valeurs de A d’un ensemble de nœuds. L’équation discrétisée de cette façon exprime le principe de conservation pour A dans l’élément de volume. La solution obtenue est constituée uniquement par les valeurs nodales, figure (2.2). 48 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux Fig. (2. 2) Discrétisation dans la méthode des volumes finis La méthode des volumes finis consiste donc à : Décomposer la géométrie en mailles élémentaires (élaborer un maillage) ; Initialiser la grandeur A sur le domaine de calcul ; Lancer le processus d’intégration temporelle jusqu’à convergence avec : 1) Application des conditions aux limites ; 2) Calcul du bilan de flux par maille par un schéma numérique ; 3) Calcul du terme source 4) Calcul de l’incrément temporel par une méthode numérique d’intégration . 2.6 Etude du modèle électromagnétique par volume finis Pour discrétiser l’équation (2.26), le domaine d’étude est subdivisé en un nombre fini de nœuds. Ce domaine est ensuite divisé en mailles rectangulaires dont chacune contient un nœud, comme il est indiqué sur la figure (2.2). La projection de l’équation (2.26) sur une base de fonction de projection i et son intégration sur le volume fini, correspondant au nœud P, donne : 1 1 A 1 A z A [ ( ) ( )] rdrdz [ ( )]rdrdz i ( J ex J a )rdrdz i i z r z r z r r r z r r z z r (2.27) 49 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 1 r l’équation (2.27) se présente sous la forme suivante : i est la fonction de projection choisie égale à . Après substitution de l’expression de i , 1 1 A z A 1 A [ z ( r z ) r ( r r )]drdz [ ( r z r z r z )]drdz ( J ex J a )drdz (2.28) z r L’intégrale de l’équation (2.27) sur le volume fini, délimité par les frontières (e, w, n et s) est n e n e 1 1 A 1 A z A [( ) ( )] drdz [ ( )] drdz s w z r z r r r s w r r z s w ( J ex J a )drdz n e (2.29) Après intégration, et on prenant un profil linéaire, l’équation algébrique finale est de la forme : (2.30) aP AP aE AE aW AW aN AN as AS (aN' AN aS' AS ) d0 avec a E aW a N a S z rE ( r ) E z rW ( r ) W (2.31) r z N ( z ) N r z S ( z ) S aP aE aW aN aS (2.32) d0 ( J ex J a )rz (2.33) L’équation obtenue est une équation algébrique reliant l’inconnue au nœud principal ‘P’ aux inconnues aux nœuds voisins «W», «E», «S», «N». Si le problème est linéaire, le système d’équations peut être résolu par une méthode itérative. La forme matricielle de ce système d’équation s’écrit sous la forme : M LA F (2.34) où : 50 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux M L : Matrice coefficients, A : Vecteur inconnu, F : Vecteur source. L’écoulement d’un fluide est influencé par les phénomènes électromagnétiques via les forces de Laplace. Ces dernières expriment l’interaction entre les champs magnétiques et des courants électriques; [BLO 00]: F J in B J in J a (V B) (2.35) En tenant compte des conditions aux limites dont les plus courantes sont les conditions de Dirichlet et de Neumann données sur les frontières du domaine à étudier. Pour le problème traité, l’équation électromagnétique est résolue en posant A = 0 sur les frontières du domaine de résolution et celle de Neumann. Après avoir exposé les formulations mathématiques des problèmes électromagnétiques dans les pompes MHD, on présente dans ce qui va suivre les résultats de simulation du modèle électromagnétique à partir d’un code de calcul bidimensionnel (2D). Le code en question permet d’étudier les phénomènes électromagnétiques dans la pompe magnétohydrodynamique(MHD) par l’application de la méthode des volumes finis dans le but d’utiliser les résultats issus dans une procédure de conception par optimisation. 2.7 Description du prototype MHD à conduction Afin d’expliquer le principe opérationnel de base des pompes magnétohydrodynamiques, la structure schématique de la pompe proposée est montrée dans les figures (2.3) et (2.4). Elle est constituée d’un circuit magnétique sous forme de tore, deux bobines, deux électrodes et un canal où circule un fluide supposé incompressible. Dans la pompe les forces de pompage sont les forces de Lorentz induites par l’intermédiaire d’un champ magnétique appliqué et des courants électriques. En raison de la symétrie géométrique, seulement le quart du domaine a été pris en compte pour le calcul numérique. 51 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux Le principe de fonctionnement est basé sur l’application d’un champ magnétique permanent et constant, (produit par un enroulement inducteur), et croisé par un courant continu qui est amené dans le fluide par des électrodes pour créer une force de Lorentz qui assure le pompage et le déplacement du fluide. Inducteur Bobines Canal Electrodes Fig. (2.3) Configuration proposée de pompe MHD à conduction 0.18 Electrode 0.16 A=0 0.14 z[m] 0.12 0.1 A=0 Inducteur 0.08 0.06 A n 0.04 0 Ecoulement A=0 Bobines 0.02 Canal 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 r[m] Fig. (2.4) Géométrie de la pompe MHD à conduction 52 0.18 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction Les dimensions préliminaires sont : [POT 01], [CHE 83]. la longueur du canal 0.18 m ; le rayon du canal 0.03m ; la largeur de l’électrode 0.01m ; la longueur du l’inducteur 0.1m ; la largeur du l’inducteur 0.07m ; la longueur de la bobine 0.02m; la largeur de la bobine 0.03m; le nombre d’électrodes : 2; le nombre de bobines : 2; la densité du courant d’excitation Jex = 0,2.107 A/m2 ; la densité du courant injectée par les électrodes Ja = 0,25.107 A/m2. Les paramètres caractéristiques du mercure sont : 1- Densité; ρ = 13,6.103 (Kg /m3) 2- Conductivité; σ =1,03.106 (Ω.m) -1 3- Perméabilité relative; r 1. 2.8 Application et résultats de la modélisation numérique (volumes finis) Un code de calcul à base des volumes finis 2D est établi pour simuler le comportement d’une pompe magnétohydrodynamique à conduction. La figure (2.5) donne l’organigramme de la méthode des volumes finis. 53 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction Données physiques Données numériques Pas de discrétisation Nombres de noeuds Résolution de l’équation électromagnétique par la méthode des volumes finis Test de convergence non oui Calcul de : Potentiel vecteur magnétique Induction magnétique Densité de courant Force électromagnétique Fin Fig. (2.5) Algorithme du modèle électromagnétique par la méthode des volumes finis 2.8.1 Potentiel vecteur magnétique L’étude électromagnétique est consacrée à des simulations qui nous permettent de donner une appréciation sur les grandeurs électromagnétiques précédemment décrites à partir du modèle en potentiel vecteur magnétique développé au cours de ce chapitre. 54 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux Les figures (2.6a), (2.6b) représentent respectivement les lignes équipotentielles (la distribution des lignes de champ) et le potentiel vecteur dans la pompe MHD. Sur chacune de ces figures, on voit clairement que les valeurs maximales se trouvent aux voisinages des deux bobines (sources d’excitations) ; le potentiel vecteur est moins significatif à l’entrée de l’électrode qu’à la sortie et il est trop faible le long de l’électrode. Cela s’explique par les équipotentielles qui se concentrent à la sortie de l’électrode ; c’est à dire pour la bobine d’entrée, les lignes de champs créées par l’électrode et cette dernière se retranchent par contre les lignes de champs créées par l’électrode et la bobine de sortie s’additionnent. x 10 z[m] 0.18 0.16 8 0.14 7 0.12 6 0.1 5 0.08 4 0.06 3 0.04 2 0.02 1 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 -3 0.18 r[m] Fig. (2.6a) Lignes équipotentielles dans la pompe MHD -3 Vecteur potentiel magnétique A [A.m] x 10 8 0.01 7 0.008 6 0.006 5 0.004 4 0.002 3 0 0.2 2 0.15 0.2 z[m] 0.15 0.1 0.05 0.05 0 0 0.1 r[m] 1 0 Fig. (2.6b) Distribution du potentiel vecteur magnétique dans la pompe en 3D MHD 55 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.8.2 Présentation de l’induction magnétique Les figures (2.7a) et (2.7b) représentent respectivement l’induction magnétique dans la pompe en 3D et 2D. Elle présente des pics aux lieux de disposition des bobines. Induction magnétique B [T] 2 1.5 1 0.5 0 0.2 0.15 0.2 0.15 0.1 0.1 0.05 0.05 0 0 z[m] r[m] Fig. (2.7a) Induction magnétique dans la pompe MHD en 3D 1.4 Induction magnétique B[T] 1.2 1 0.8 0.6 0.4 0.2 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 z[m] Fig. (2.7b) Induction magnétique dans la pompe MHD 56 0.18 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.8.3 Distribution de la densité de courant induit La figure (2.8) représente la variation de la densité de courant induit dans le canal de la pompe MHD. On constate que la valeur maximale de la densité de courant est située dans la zone des bobines. 7000 Densité de courant [A/m 2] 6000 5000 4000 3000 2000 1000 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (2.8) Densité de courant induit dans le canal de la pompe MHD 2.8.4 Distribution de la force électromagnétique La figure (2.9) montre la distribution de la force électromagnétique dans la pompe MHD. Celle-ci suit les distributions de l’induction et de la densité du courant. Force electromagnétique [N/m 3] 6 2 x 10 1.5 1 0.5 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (2.9) Force électromagnétique dans le canal de la pompe MHD 57 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.9 Introduction d’un noyau ferromagnétique à l’intérieur du canal Dans le but d’améliorer les performances de la pompe MHD, on a introduit un noyau ferromagnétique à l’intérieur du canal. Une étude électromagnétique a été effectuée et les résultats des simulations obtenus sont présentés : La figure (2.10) représente la géométrie avec un noyau ferromagnétique. 0.18 Canal 0.16 A=0 0.14 0.12 0.1 Circuit magnétique Electrode 0.08 A=0 0.06 A n 0.04 0 Bobines A=0 0.02 Noyau férromagnétique 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 Fig. (2.10) Géométrie de la pompe MHD avec noyau ferromagnétique 2.9.1 Distribution du potentiel vecteur Les figures (2.11a) et (2.11b) représentent les lignes équipotentielles et la répartition du potentiel vecteur dans la pompe en présence d’un noyau ferromagnétique. On constate que ce dernier canalise mieux les lignes de champ magnétique. x 10 0.18 10 z[m] 0.16 9 0.14 8 0.12 7 0.1 6 0.08 5 4 0.06 3 0.04 2 0.02 0 0 1 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 r[m] Fig. (2.11a) Lignes équipotentielles dans la pompe MHD avec noyau ferromagnétique 58 -3 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux Potentiel vecteur magnétique A [A.m] 0.01 0.012 0.009 0.01 0.008 0.008 0.007 0.006 0.006 0.004 0.005 0.002 0.004 0 0.2 0.003 0.15 0.2 z[m] 0.15 0.1 0.001 0.1 0.05 0.05 0 0.002 r[m] 0 0 Fig. (2.11b) Potentiel vecteur magnétique dans la pompe MHD avec noyau ferromagnétique 2.9.2 Présentation de l’induction magnétique La figure (2.12) représente l’induction magnétique dans la pompe MHD avec et sans noyau ferromagnétique. On constate une augmentation de l’induction électromagnétique dans la pompe à cause de la concentration des lignes de champ. Induction magnétique B[T] 1.8 1.6 avec noyau ferromagnétique 1.4 sans noyau ferromagnétique 1.2 1 0.8 0.6 0.4 0.2 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 z[m] Fig. (2.12) Induction magnétique dans la pompe avec et sans noyau ferromagnétique 59 0.18 Modélisation en 2D d’une pompe MHD à conduction Chapitre deux 2.9.3 Distribution de la densité de courant induit La figure (2.13) représente la variation de la densité du courant. On constate une augmentation de la densité du courant à cause de la présence du noyau. Densité de courant induit Jin [A/m 2] 12000 10000 avec noyau ferromagnétique 8000 sans noyau ferromagnétique 6000 4000 2000 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (2.13) Densité de courant induit dans le canal de la pompe MHD à conduction avec et sans noyau ferromagnétique 2.9.4 Distribution de la force électromagnétique La figure (2.14) représente la force électromagnétique avec une introduction du noyau ferromagnétique. On constate que la valeur de la force est plus grande par rapport au premier cas (absence du noyau); ce qui permet de propulser le fluide dans le canal avec une force plus grande. 6 3.5 x 10 Force electromagnétique [N/m3] 3 Avec noyau ferromagnétique 2.5 Sans noyau ferromagnétique 2 1.5 1 0.5 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (2.14) Force électromagnétique dans le canal de la pompe MHD avec et sans noyau ferromagnétique 60 Chapitre deux Modélisation en 2D d’une pompe MHD à conduction 2.10. Conclusion Dans ce chapitre, partant des lois de base caractérisant les phénomènes électromagnétiques présents dans la pompe MHD à conduction, des modèles mathématiques ont été établis dans leurs formes générales. En liaison avec le type d’application à traiter, le cas cylindrique axisymétrique considéré comme un cas particulier, a été détaillé. Une fois ces modèles mathématiques établies, nous proposons ainsi de décrire le modèle numérique adapté pour la résolution des équations mathématiques finales décrivant l’évolution des phénomènes physiques présent dans le dispositif proposé. Une étude des performances de la pompe, a été étudiée en introduisant un noyau ferromagnétique à l’intérieur du canal. Les résultats obtenus montrent une amélioration des performances de la pompe. 61 Chapitre trois Etat de l’Art des Méthodes d’Optimisation Chapitre trois Etat de l’art des méthodes d’optimisation 3.1 Introduction Depuis quelques années, les recherches dans le domaine de la conception de dispositifs électromagnétiques s’orientent vers l’optimisation par le biais de différentes méthodes. La diversité des domaines d’application et la multitude de technologies envisageables actuellement rendent de plus en plus complexes la définition et le dimensionnement d’un actionneur électrique. Pour un cahier de charges donné, la phase de conception est fractionnée en un certain nombre d’étapes successives et plus souvent itératives. Dans un premier temps le concepteur doit choisir la structure la mieux adaptée à ses besoins. La deuxième phase consiste à optimiser les dimensions et les caractéristiques de la solution choisie en intégrant des contraintes de diverses natures (électrique, thermique, mécanique, etc..), [KON 93]. Pour trouver la solution optimale, il est nécessaire de réaliser un compromis entre deux objectifs : l’exploration robuste de l’espace de recherche et l’exploitation des meilleures solutions. Pour arriver à concrétiser ce but, il faut suivre une démarche systématique qui comporte quatre phases fondamentales résumées comme suit : 1. Définition précise du cahier de charges ; 2. Etablissement d'un modèle mathématique; 3. Résolution du problème ; 4. Exploitation de la solution. Selon la nature de la solution recherchée, on peut distinguer deux types de problèmes : l'optimisation locale et l'optimisation globale. L'optimisation locale consiste à rechercher la meilleure solution localement, c'est-à-dire dans une région restreinte de l'espace de recherche, par contre l'optimisation globale recherche la meilleure solution sur tout l'espace de recherche. Dans ce présent chapitre, nous aborderons l’état de l’art des méthodes utilisées dans la résolution d’un problème d’optimisation. Nous allons commencer par la présentation de quelques définitions nécessaires à l’application de ces méthodes ainsi que la présentation de concepts de base pour la formulation mathématique d’un problème d’optimisation. Les 62 Etat de l’art des méthodes d’optimisation Chapitre trois méthodes d’optimisation les plus connues et les plus utilisées seront présentées pour un problème d'optimisation. 3.2 Formulation mathématique d’un problème d’optimisation Un problème d’optimisation (P) de type " minimisation " de dimension n peut être écrit de façon générale sous la forme : Min f ( X ) X R n g i ( X ) 0 i 1,......,p ( P) h j ( X ) 0 j 1,......,q X k min X k X k max k 1,....,n (3.1) f (X ) est le critère à minimiser appelé fonction objectif ; X est un vecteur à n variables X k qui représentent les paramètres du problème à optimiser ; g i (X ) et h j (X ) représentent respectivement les contraintes d’égalités et d’inégalités ; X k min et X k max désignent les contraintes du domaine ; R n est l’espace de recherche borné par les contraintes du domaine. La solution d’un problème d’optimisation est alors donnée par un ensemble de paramètres X * pour lesquels la fonction objectif présente une valeur minimale en respectant les contraintes d’égalités, d’inégalités et du domaine. 3.3 Problèmes d’optimisation sans contraintes Un problème d’optimisation est dit non contraint s’il ne contient pas de fonction contrainte, c’est-à-dire, si les fonctions g i (X ) et hj (X ) du problème (P) ne sont pas définies, comme dans le cas du problème ( P ' ) , [HAD 03], [HOA 02], [COS 01] : Min f ( X ) X R n ( P ) X k min X k X k max k 1,....,n ' (3.2) Une condition suffisante pour que X * soit minimum local d’un problème non contraint est donnée par (3.3) : * f ( X ) 0 * H ( X ) non négative 63 (3.3) Chapitre trois Etat de l’art des méthodes d’optimisation où : L'opérateur nabla; f est le gradient de la fonction objectif; H 2 f est la matrice des dérivées secondes partielles de f , appelée matrice Hessienne. 3.4 Problèmes d’optimisation contraints Un problème d’optimisation (P) est dit problème contraint s’il contient au moins une fonction contrainte g i (X ) où h j (X ) , [HAO 02], [COS 01]. Min f ( X ) X R n g i ( X ) 0 i 1,......,p ( P) h j ( X ) 0 j 1,......,q X k min X k X k max k 1,....,n (3.4) Si nous considérons qu’une contrainte d’égalité h j ( X ) 0 peut être décrite par deux contraintes d’inégalité h j ( X ) 0 et h j ( X ) 0 , le problème (3.4) devient alors égal à celui donné par (3.5). Min f ( X ) X R n g i ( X ) 0 i 1,......,m p 2q ( P) X k min X k X k max k 1,....,n X R n (3.5) L’existence de fonctions contraintes dans un problème d’optimisation demande une attention spéciale à la résolution du problème, car une solution qui minimise la fonction objectif ne sera valable que dans le cas où elle respecte aussi les contraintes existantes. L’ensemble de régions de l’espace de recherche où les contraintes sont vérifiées est dénommé espace réalisable ou domaine admissible. Inversement, l’espace irréalisable ou domaine interdit désigne l’ensemble de régions de l’espace où les contraintes sont violées, [COS 01]. 64 Etat de l’art des méthodes d’optimisation Chapitre trois 3. 5 Traitement des contraintes Les contraintes imposées par le cahier des charges comme les contraintes ajoutées par le concepteur doivent être prises en compte dans le problème. Il y a plusieurs choix pour le traitement des problèmes avec contraintes. On peut, pour des raisons de robustesse et de facilité de mise en œuvre transformer un problème contraint en une suite de problème sans contraintes. Cette transformation s’effectue en ajoutant des pénalités à la fonction objectif [HAD 03]. 3.5.1 Méthodes de transformation Les méthodes de transformation ou indirectes [Saldanha 1992], [Vasconcelos 1994] représentent une famille de méthodes qui transforment le problème original avec contraintes en un sous-problème équivalent sans contraintes, en introduisant les contraintes de conception dans la fonction objectif que nous cherchons à optimiser. Parmi les méthodes de transformation les plus utilisées, nous avons les méthodes de pénalités, la méthode du Lagrangien augmenté, la méthode de variables mixtes et la méthode des asymptotes mobiles, [COS 01]. 3.5.1.1 Méthodes de pénalités Les méthodes de pénalités sont souvent utilisées dans l’optimisation de problèmes contraints, car elles sont assez simples d’un point de vue théorique et d’une grande efficacité d’un point de vue pratique. L’idée de ces méthodes est de remplacer la résolution du problème avec contraintes (3. 5) par une suite de résolutions de problèmes sans contraintes, en introduisant dans la fonction objectif une pénalisation concernant chacune des fonctions contraintes violées, comme nous le montre l’équation (3.6), [SAR 99], [COS 01]. m Min ( X , r ) f ( X ) r k W ( g i ( X )) (3.6) i 1 où r k 0 est un coefficient de pénalité. W est une fonction de pénalisation définie en R R telle que selon la nature de la fonction de pénalité W utilisée. 65 Etat de l’art des méthodes d’optimisation Chapitre trois Les méthodes de pénalités peuvent être divisées en deux classes : les méthodes de pénalités intérieures et les méthodes de pénalités extérieures. a) Méthodes de pénalités intérieures Les méthodes de pénalités intérieures développées par Caroll en 1961 sont aussi appelées méthodes à barrière, car la fonction de pénalité forme une barrière infinie tout au long de la frontière du domaine réalisable Ψ. Les fonctions de pénalités les plus utilisées par ces méthodes sont la fonction inverse (3.7) et la fonction logarithmique (3.8), [COS 01], [SAR 99]. La fonction inverse : W ( g i ( X )) 1 gi ( X ) (3.7) La fonction logarithmique : W ( g i ( X )) log( g i ( X )) (3.8) Ces méthodes présentent l’inconvénient d’avoir besoin d’un point initial à l’intérieur du domaine réalisable, ce qui n’est pas toujours facile à obtenir, [COS O1]. En utilisant ces fonctions, lorsque X appartient à , W (X ) > 0 et lorsque X tend vers sa frontière, W (X ) . Par conséquent, nous ne pouvons jamais franchir la frontière de Ψ et les solutions générées par l’algorithme seront donc admissibles pendant tout le processus d’optimisation. b) Méthodes de pénalités extérieures Les méthodes de pénalités extérieures développées par Fiacco en 1968 ne présentent pas le même inconvénient que les méthodes de pénalités intérieures, car l’approximation de la solution est faite par l’extérieur du domaine réalisable Ψ, ce qui nous permet d’avoir un point initial dans cette région de l’espace, [COS 01]. La fonction de pénalité utilisée par ces méthodes est donnée par (3.9). Cette fonction nous donne une augmentation de la pénalisation à mesure que nous nous éloignons de Ψ, [COS 01], [SAR 99]. W ( g i ( X )) max 0, g i ( X ) 2 66 (3.9) Etat de l’art des méthodes d’optimisation Chapitre trois Contrairement aux méthodes de pénalités intérieures, les solutions générées par ces méthodes ne sont pas toujours admissibles pendant tout le processus d’optimisation. Ceci peut représenter un inconvénient, surtout lorsque l’algorithme ne converge pas et nous nous retrouvons alors avec une solution irréalisable. 3.6 Optimisation stochastique avec contraintes La prise en compte des contraintes dans une méthode d’optimisation stochastique est souvent obtenue en utilisant une fonction de pénalité associée à la fonction objectif. Généralement, on utilise une fonction de pénalité extérieure, selon laquelle la fonction à minimiser devient égale à : [COS 01], [HAD 03]. m ( X ) f ( X ) r k [ max[0, g i ( X )]]2 (3.10) i 1 où f (X ) : fonction objectif sans contraintes; g i (X ) : fonctions contraintes; r : le coefficient de pénalité. Contrairement aux méthodes de transformation déterministes, la valeur du coefficient de pénalité r reste constante pendant le processus d'optimisation stochastique. 3.7 Minimum local et minimum global Un point X * de l’espace de recherche R n représente un minimum local ou optimum local, s’il existe un voisinage de X * noté V ( X * ) , tel que: X V (X *) f (X ) f (X *) (3.11) Cette relation signifie que dans le voisinage de X * , il n’existe aucun point pour lequel f (X ) est inférieure à f ( X * ) . Un point X * de l’espace de recherche R n est un minimum global ou optimum global si: X R n f (X ) f (X *) (3.12) Nous pouvons dire aussi que le minimum global est le plus petit minimum local de l’espace de recherche, comme le montre la figure (3.1). 67 Etat de l’art des méthodes d’optimisation Chapitre trois F(X) Minimum Local Minimum Local Minimum Global X Fig. (3.1) Représentation du minimum local et global d’une fonction Lorsqu’une fonction ne contient qu’un minimum local, elle est dite unimodale. Dans le cas contraire, elle est dénommée multimodale. 3.8 Classification des méthodes d'optimisation Les méthodes d'optimisation sont subdivisées en deux types : les méthodes déterministes et les méthodes stochastiques. 3.8.1 Méthodes d’optimisation déterministes Une méthode d’optimisation est dite déterministe lorsque son évolution vers la solution du problème est toujours la même pour un même point initial donné, ne laissant aucune place au hasard. Ces méthodes nécessitent des hypothèses sur la fonction à optimiser, telles que la continuité et la dérivabilité en tout point du domaine admissible. Ce sont en général des méthodes efficaces, peu coûteuses, mais qui nécessitent une configuration initiale (point de départ) pour résoudre le problème. Ce sont souvent des méthodes locales, c’est-à-dire qu’elles convergent vers l’optimum le plus proche du point de départ, qu’il soit local ou global [NTS 11], [COS 01]. 68 Etat de l’art des méthodes d’optimisation Chapitre trois 3.8.1.1 Méthodes déterministes unidimensionnelles Les méthodes déterministes unidimensionnelles sont utilisées dans l’optimisation de fonctions à un seul paramètre. Ces méthodes, aussi appelées méthodes de recherche linéaire (line search methods), sont normalement basées sur des techniques qui permettent de localiser le point minimal de la fonction à partir de réductions successives de l’intervalle de recherche. Dans la littérature, nous trouvons différentes méthodes unidimensionnelles, parmi lesquelles nous allons présenter la méthode de Dichotomie, la méthode de la Section Dorée et la méthode de Brent. La plupart de ces méthodes ne supposent pas que la fonction à minimiser soit différentiable, [COS 01]. a) Méthode de Dichotomie La méthode de Dichotomie classique est une méthode unidimensionnelle de subdivision d’intervalles. La méthode de dichotomie ou méthode de la bissection est, en mathématiques, un algorithme de recherche d'un zéro d'une fonction qui consiste à répéter des partages d’un intervalle en deux parties puis à sélectionner le sous-intervalle dans lequel existe un zéro de la fonction, [SAR 99]. b) Méthode de la section dorée La méthode de la Section Dorée développé par Culioli en 1994, est une méthode déterministe unidimensionnelle de subdivision d’intervalles. Le principe de cette méthode consiste à découper l'intervalle de recherche [a0, b0]. Le point de découpage utilisé à chaque itération est donné par une distance égale à ((5)1/ 2 −1) / 2 ≈ 0.6180 du point initial de l’intervalle de recherche. Cette valeur est égale à l’inverse du nombre d’or ((5)1/ 2 +1) / 2 ≈ 1.6180 et son utilisation permet d’obtenir une série de solutions qui accélère la convergence de la méthode, [COS 01], [SAR 99]. c) Méthode de Brent La méthode de Brent effectue la réduction de l’intervalle de recherche en utilisant une interpolation polynomiale de la fonction, calculée aussi à partir d’un triplet (x 1, x2, x3). Dans cette méthode, le point de découpage est donné par l’abscisse de la parabole définie par le triplet. 69 Chapitre trois Etat de l’art des méthodes d’optimisation Dans le cas de fonctions différentiables, nous pouvons utiliser une variante de cette méthode qui s’appuie sur le gradient de la fonction pour accélérer la convergence du processus de recherche, [COS 01]. 3.8.1.2 Méthodes déterministes multidimensionnelles Les méthodes déterministes multidimensionnelles sont consacrées à l’optimisation de fonctions à un paramètre ou plus. Elles peuvent être classées selon l’utilisation de l’information des dérivées de la fonction objectif par rapport aux paramètres X k . Elles sont dites directes ou d’ordre 0 si elles n’utilisent que l’information de la valeur de la fonction elle-même. Dans le cas où elles nécessitent aussi le calcul du gradient de la fonction, elles sont dites indirectes ou d’ordre 1, [HOA 02]. Les méthodes d’ordre 0 sont en général peu précises et convergent très lentement vers l’optimum. En revanche, elles offrent l’avantage de se passer du calcul du gradient, ce qui peut être intéressant lorsque la fonction n’est pas différentiable ou lorsque le calcul de son gradient représente un coût important. Les méthodes d’ordre 1 permettent d’accélérer la localisation du point d’optimisation, une fois que le gradient donne l’information sur la direction de recherche de la solution. Par contre, elles sont applicables uniquement aux problèmes où la fonction est continûment différentiable. Nous pouvons diviser les méthodes multidimensionnelles, qu’elles soient directes ou indirectes, en deux différents groupes: les méthodes analytiques ou de descente et les méthodes heuristiques ou géométriques. Les méthodes analytiques se basent sur la connaissance d’une direction de recherche souvent donnée par le gradient de la fonction. La plupart de ces méthodes sont d’ordre 1 et exécutent des minimisations linéaires successives en faisant appel à des méthodes unidimensionnelles. Les exemples les plus significatifs de méthodes analytiques sont la méthode de la Plus Grande Pente, le Gradient Conjugué, la méthode de Powell et les méthodes Quasi- Newton [CUL 94], [FLE 87]. Les méthodes heuristiques explorent l’espace par essais successifs en recherchant les directions les plus favorables. À l’opposé des méthodes analytiques, la plupart de ces méthodes sont d’ordre 0. Les implémentations de méthodes géométriques les plus souvent utilisées sont celles de la méthode du Simplex, la méthode de Rosenbrock et la méthode de variations locales de Hooke et Jeeves, [COS 01]. 70 Etat de l’art des méthodes d’optimisation Chapitre trois La figure (3.2) montre les méthodes multidimensionnelles les plus importantes avec leur ordre respectif de résolution. Méthodes de Powell Plus Grande Pente (ordre1) Méthodes Analytiques Gradient Conjugué (ordre1) Méthodes Déterministes Multidimensionnelles Méthode de Quasi Newton (ordre1) Rosenbrock (ordre 0) Simplex (ordre 0) Méthodes Heuristiques Hooke et Jeeves (ordre 0) Fig. (3.2) Principales méthodes déterministes multidimensionnelles [COS 01] a) Méthode de la plus grande pente La méthode de la plus grande pente (Steepest Descent) ou méthode du gradient à Pas Optimal est une des méthodes les plus classiques utilisées pour minimiser une fonction à plusieurs variables. Cette méthode d’ordre 1 est basée sur la constatation que la direction opposée à celle du gradient de la fonction représente une direction de descente, [COS01]. Nous pouvons donc, à partir d’un point initial X 0 , calculer la valeur du gradient et utiliser une méthode de recherche linéaire pour minimiser la fonction dans la direction de descente opposée. Cette minimisation permet de calculer la valeur du pas optimal αk qui nous emmène à un nouveau point de recherche à chaque itération du processus, en utilisant l’équation (3.13). X k 1 X k k f ( X k ) où 71 (3.13) Etat de l’art des méthodes d’optimisation Chapitre trois X k : est le point de recherche à l’itération k ; X k 1 : est le nouveau point de recherche calculé à partir de la minimisation de f dans la direction opposée à son gradient. Le processus s’arrête lorsque X k 1 X k , étant une tolérance prédéterminée. b) Gradient conjugué Le gradient conjugué [COS 01], [CUL 94], [FLE 87] utilise le même principe que la méthode précédente, à la différence que la direction de descente n’est plus donnée par le gradient de la fonction, mais par des directions conjuguées successives. Les directions conjuguées peuvent être obtenues directement à partir du Hessien de la fonction objectif. Cependant, ce calcul peut représenter un coût important pour la méthode d’optimisation. Pour éviter ce problème, la méthode du Gradient Conjugué effectue le calcul des directions conjuguées à partir des équations (3.14) et (3.15) [COS 01]. hk 1 gk 1 k .hk (3.14) g k 1 . g k 1 gk . gk (3.15) k où hk et hk+1 sont des directions conjuguées ; gk et gk+1 sont les directions opposées aux gradients calculés sur les points X k et X k 1 respectivement. Ce calcul est uniquement valable si le point X k 1 est obtenu à partir d’une minimisation linéaire où hk représente la direction de recherche [COS 01], comme nous montre l’équation (3.16) X k 1 X k k .hk (3.16) où k : est le pas optimal donné par une minimisation linéaire. c) Méthodes Quasi-Newton Les méthodes Quasi-Newton [COS 01], [CUL 94] et [FLE 87] consistent à imiter la méthode de Newton où l’optimisation d’une fonction est obtenue à partir de minimisations successives de son approximation au second ordre. À la différence de l’algorithme de Newton, les méthodes Quasi-Newton ne calculent pas le Hessien H de la fonction pour atteindre la solution du problème. Au lieu d’utiliser le Hessien, 72 Etat de l’art des méthodes d’optimisation Chapitre trois elles utilisent une approximation définie positive de H qui peut être obtenue soit à partir de l’expression proposée par Davidon-Fletcher-Powell, (équation (3.17)), soit par celle proposée par Broyden-Fletcher-Goldfarb-Shanno (équation (3.18)), [COS 01], [HAD 03]. S k 1 S k S k 1 k ( k ) T S k k ( k ) T S k ( k ) k k ( k ) k S k k ( k ) T k k k ( k ) T S k ( k ) T S k S k k ( k ) T S k (1 ) ( k ) k k ( ) T k ( k ) k k (3.17) (3.18) où k X k 1 X k k f ( X k 1 ) f ( X k ) (3.19) (3.20) Sk est l’approximation du Hessien qui, à l’itération k = 0, est égale à une matrice identité. À chaque itération, le point X k 1 est obtenu à partir d’une recherche linéaire qui se fait dans la direction donnée par S k f ( X k ) , ce qui nous emmène à l’équation (3.21) [COS 01]. X k 1 X k k S k f ( X k ) (3.21) où αk est le pas optimal donné par une minimisation linéaire. d) Méthode du simplex La méthode du Simplex est une méthode directe développée par Nelder et Mead, dont l’idée est de modifier un simplex de façon à ce qu’il atteigne le point d’optimisation. Le simplex est une figure géométrique de dimension n, créée à partir de n+1 points, où chaque dimension correspond à un paramètre du problème à optimiser. Un simplex de deux dimensions est donc représenté par un triangle, un simplex de trois dimensions par un tétraèdre, etc. Pour déplacer le simplex vers la région optimale, la méthode vérifie la valeur de la fonction sur chacun des sommets du simplex original et déplace le point où la fonction présente sa plus grande valeur vers la direction opposée. Cette transformation s’appelle réflexion et elle est appliquée de façon à conserver le volume original du simplex. Le processus s’arrête au moment où le déplacement donné par une des transformations devient plus petit qu’une tolérance ε prédéterminée. Ainsi comme d’autres méthodes géométriques, la méthode du Simplex n’est pas assez performante, car elle utilise un nombre 73 Chapitre trois Etat de l’art des méthodes d’optimisation important d’évaluations de la fonction avant d’atteindre le point minimal. Par contre, elle présente l’avantage de ne pas utiliser la valeur du gradient de la fonction, [COS 01]. Les méthodes déterministes (gradient) présentent toutefois deux avantages très intéressants. Le premier est qu’elles convergent rapidement surtout quand on dispose d’une expression symbolique exacte des dérivées partielles. Le second est qu’elles possèdent des critères de convergences exactes. Il est donc possible de dire avec quelle précision un optimum est atteint. Ceci permet d’obtenir de bonnes solutions en ajustant la précision de convergence. Comme leur nom l’indique, pour un problème donné et pour un point de départ donné, ces méthodes convergent toujours vers le même optimum en parcourant de la même manière l’espace des solutions. Ces méthodes présentent principalement deux inconvénients : Elles nécessitent le calcul des dérivées partielles qui ne sont pas toujours évidentes à obtenir notamment dans les cas de modèles numériques où leur évaluation par différences finie n’est pas aisée. Elles ne garantissent réellement qu’une convergence « locale » et se laissent aisément « piégées » par des optimas locaux dans le cas de problèmes multinodaux. Cette caractéristique oblige généralement le concepteur à réaliser plusieurs optimisations avec des configurations initiales distinctes pour s’assurer de la convergence, [COS 01], [SAR 99]. 3.8.2 Méthodes stochastiques 3.8.2.1 Principe d'un algorithme stochastique Se sont des méthodes où l'approche de l'optimum est entièrement guidée par un processus probabiliste et aléatoire (stochastique). Ces méthodes ont une grande capacité de trouver l’optimum global du problème. Contrairement à la plupart des méthodes déterministes, elles ne nécessitent ni de point de départ, ni la connaissance du gradient de la fonction objectif pour atteindre la solution optimale. Cependant, elles demandent un nombre important d’évaluations de la fonction objectif avant d’arriver à la solution du problème, [HOL 75], [DEJ 75]. Parmi les méthodes stochastiques les plus employées, nous distinguons le recuit simulé développé par Kirkpatrick en 1983, la recherche tabou développée par Glover en 1989 et 1990 et par Hu en 1992 et les méthodes évolutionnistes comme les Algorithmes Génétiques développés par Holland en 1975. La figure (3.3) présente les méthodes stochastiques les plus utilisées. 74 Etat de l’art des méthodes d’optimisation Chapitre trois Recuit Simulé Algorithmes Génétiques Méthodes Stochastiques Méthodes Evolutionnistes Stratégies d’Evolution Programmation Génétique Programmation Evolutionniste Recherche Tabou Fig. (3.3) Principales méthodes stochastiques [COS 01] La plupart des algorithmes stochastiques sont itératifs et leurs processus comportent trois éléments principaux : un mécanisme de perturbation, un critère d'acceptation et un critère d'arrêt. 3.8.2.2 Méthode de recuit simulé (simulated annealing ) La méthode du recuit simulé a été proposée en 1983 par Kirkpatrick, Gelatt et Vecchi, elle trouve ses origines dans la thermodynamique. Cette méthode est issue d'un phénomène physique de refroidissement lent d'un corps en fusion, qui le conduit à un état solide, de basse énergie. Il faut abaisser lentement la température, en marquant des paliers suffisamment lents pour que le corps atteigne l'équilibre thermodynamique à chaque palier. Pour les matériaux, cette énergie basse se manifeste par l'obtention d'une structure cristalline, comme dans l'acier, [BER 01], [KIR 83]. L’optimisation par la méthode du recuit simulé consiste à trouver le minimum d’une fonction objectif qui jouera le rôle de l’énergie. En partant d’un point aléatoire appartenant au domaine admissible et pour une température initiale, on évalue la fonction au point initial puis on effectue des déplacements aléatoires au voisinage de ce point. Si un déplacement mène à une valeur plus faible de la fonction f, il est accepté. Sinon, il est accepté avec une probabilité P 75 Etat de l’art des méthodes d’optimisation Chapitre trois donnée par (3.22), ce qui provoque un changement de l’énergie d’une quantité ΔE, [SIA 97], [COS01]. pe E T (3.22) où T est la température du système. Donc, le fait d'accepter une augmentation de la fonction objectif, va permettre à l'algorithme de sortir d'un creux contenant un optimum local; ce qui qualifie cette méthode comme étant une méthode d'exploration globale. Si la température est abaissée de façon suffisamment lente et bien contrôlée (recuit simulé), la fonction objectif va évoluer vers une solution globalement optimale. Cette dernière va évoluer vers un minimum local si elle est abaissée brutalement (la trempe). Le processus se poursuit tant que l’énergie du système diminue. Lorsque la valeur de la fonction objectif ne change plus (l’énergie reste stationnaire), le processus passe à un autre palier de température (diminution de T suivant une loi de décroissance) jusqu’à l’arrivée à la température finale ou le système devient figé, [GHI 02]. 3.8.2.3 Algorithme du recuit simulé L’analogie entre un système physique constitué de plusieurs particules et un problème d’optimisation est basée sur les équivalences suivantes : Les configurations d’un problème d’optimisation sont équivalentes aux états d’un système physique. La fonction objectif est équivalente à l’énergie interne du système physique. Ces équivalences sont résumées dans le tableau (3.1) Tab. 3.1 Analogie entre un problème d’optimisation et le recuit [COS 01] Système Physique Problème D’optimisation Energie libre Fonction objective Coordonnées des particules Paramètres du problème Trouver les états de basse énergie Trouver la configuration optimale Température (T) Paramètre de Contrôle 76 Etat de l’art des méthodes d’optimisation Chapitre trois L’algorithme du recuit simulé peut être considéré, comme une évaluation itérative de l’algorithme de Métropolis [COS01] (Annexe 1), à différents paliers de température. Nous présentons, ci-dessus, les différentes étapes de l’algorithme du recuit simulé : 1. Prendre aléatoirement, une configuration initiale X du système à optimiser et évaluer la valeur de la fonction objectif en ce point: f f (X ) ; 2. Choisir une température initiale T0 "élevée". 3. Perturber cette solution pour obtenir une nouvelle solution X X rand .X ' avec rand : est un nombre aléatoire généré. et X (butée sup X butée inf X ) n n 10,100,...... 4. Calculer f f ( X ) f ( X ) ; ' 5. Accepter ou refuser la solution X ', en appliquant une certaine "règle d'acceptation"(généralement, la règle de métropolis), [SIA 01]; 6. Enregistrer le meilleur point rencontré; 7. Si l'équilibre thermodynamique du système à la température T est atteint, Alors : Abaisser légèrement la température T; Sinon: Aller à l'étape3; 8. Si le "système est figé" (la température T est égale à la température finale) ; Alors: Aller à l'étape 9; Sinon: Aller à l'étape 3); 9. Solution = meilleur point trouvé; Fin du programme. 3.8.2.4 Paramètres de contrôle L'efficacité de la méthode dépend fortement du choix de ses paramètres de contrôle, dont le réglage reste empirique. Les principaux paramètres de contrôle sont les suivants: valeur initiale du paramètre de contrôle T0 (température initiale); facteur de réduction de la température (fonction de décroissance de la température) ; le critère de changement de palier de température (nombre d'itérations sur chaque valeur de température) ; les critères d'arrêt. 77 Etat de l’art des méthodes d’optimisation Chapitre trois a) Paramètre de contrôle initial (température) Dans le processus physique, le solide doit être chauffé jusqu'à ce qu'il fonde pour que, dans la phase liquide, les atomes ou particules puissent se déplacer et atteindre l'équilibre thermique. Dans l'algorithme SA, le paramètre de contrôle initial doit être suffisamment élevé pour permettre à toutes les transitions d'être acceptées, c'est-à-dire pour permettre la localisation de la région où se trouve le minimum global. La température initiale T0 est déterminée pour que le critère de Métropolis donne des probabilités élevées au début du processus dans le but d'accepter le maximum de configurations, d’où une meilleure exploration du domaine de recherche. La méthode proposée dans la littérature consiste à générer un certain nombre de configurations X aléatoires pour lesquelles on évalue la fonction objectif. Soit M la valeur moyenne, c'est à dire la valeur qui partage la distribution en deux parties égales [SIA01], d’où une probabilité égale à 0.5. Finalement, on déduit la température initiale à partir du critère de Métropolis par: pe M T0 0.5 M Log p T0 M T0 Log p (3.23) T0 1.44.M (3.26) (3.24) (3.25) donc: b) Facteur de réduction de la température La valeur du facteur responsable de la réduction du paramètre de contrôle entre deux itérations successives. Le refroidissement doit être conduit comme dans le processus physique pour éviter des minimas locaux. Pour ce faire, on peut prendre une décroissance linéaire de la forme (3.27) : Tk 1 Tk (3.27) avec 0 < λ < 1 [SIA 01]. Pour le changement de palier de température, on peut simplement spécifier un nombre de transformations, acceptées ou non, au bout duquel la température est abaissée. 78 Etat de l’art des méthodes d’optimisation Chapitre trois c) Critère d'arrêt Finalement, on arrête le processus de recherche du minimum quand des améliorations sensibles ne sont plus réalisées, ou quand le paramètre de contrôle est inférieur à une certaine limite. La méthode de recuit simulé présente des avantages tels que : Solution de bonne qualité; Méthode générale et facile à programmer; Souplesse d’emploi : les contraintes peuvent être facilement introduites. La figure (3.4) illustre le processus de recherche de l'optimum global d'une fonction par la méthode du recuit simulé. Générer une configuration aléatoire X0 et une température initiale T0 Choisir Xk+1 dans le voisinage de Xk Calculer ΔE = f(Xk+1) - f(Xk) Générer un nombre aléatoire p Non e E T p Oui X =X k k+1 Non Equilibre Oui Abaisser Tk Non T T final Oui Meilleure configuration obtenue Fig. (3.4) Processus de recherche de l'optimum global par la méthode de recuit simulé 79 Etat de l’art des méthodes d’optimisation Chapitre trois 3.8.3 Recherche Tabou (Tabu Search ) La recherche tabou est une méthode de recherche originalement développée par Glover et Hansen en 1986. Elle ermet d’atteindre le minimum global d’un problème d’optimisation à partir d’une analogie avec la mémoire du cerveau humain, [GLO 93], [COS 01], [BRI 07]. À partir d’une solution initiale s dans un ensemble de solutions local S, des sous-ensembles de solution N(s) appartenant au voisinage S sont générés. Par l’intermédiaire de la fonction d’évaluation nous retenons la solution qui améliore la valeur de f, choisie parmi l’ensemble de solutions voisines N(s). L’algorithme accepte parfois des solutions qui n’améliorent pas toujours la solution courante. Nous mettons en œuvre une liste tabou (tabu list) L de longueur k contenant les k dernières solutions visitées, ce qui ne donne pas la possibilité à une solution déjà trouvée d’être acceptée et stockée dans la liste tabou. Alors le choix de la prochaine solution est effectué sur un ensemble des solutions voisines en dehors des éléments de cette liste tabou. Quand le nombre k est atteint, chaque nouvelle solution sélectionnée remplace la plus ancienne dans la liste. La nouveauté ici est que, pour éviter le risque de retour à une configuration déjà visitée, on tient à jour une liste de mouvements interdits (ou de solutions interdites). Le rôle de cette dernière évolue au cours de la résolution pour passer de l’exploration (aussi appelée « diversification ») à l’exploitation également appelée « intensification », [ELD 12]. La procédure peut être stoppée dès que l’on a effectué un nombre donné d’itérations, sans améliorer la meilleure solution atteinte, [BER 01]. L’algorithme de la méthode tabou est décrit ci-dessous, [GHE13]. Tab. 3.2 Algorithme de la recherche tabou Début Construire une solution initiale s; Calculer la fitness f(s) de s; Initialiser une liste tabou vide; sbest=s ; Tant que le critère d’arrêt n’est pas vérifié faire; Trouver la meilleure solution s’ dans le voisinage de s qui ne soit pas tabou; 80 Etat de l’art des méthodes d’optimisation Chapitre trois Calculer f(s) ; Si fitness de (s) est meilleure que fitness de (sbest) alors sbest = s; Fin Si Mettre à jour la liste tabou; s= s; Fin Tant que Retourner sbest ; Fin 3.8.4 Les algorithmes génétiques (AG) Les Algorithmes Génétiques font partie d’une famille de méthodes stochastiques appelée méthodes évolutionnistes qui reposent sur une analogie avec la théorie de l’évolution naturelle de Darwin, selon laquelle les individus d’une population les mieux adaptés à leur environnement ont une plus grande probabilité de survivre et de se reproduire de génération en génération, en donnant des descendants encore mieux adaptés. Les Algorithmes Génétiques ont été proposés par Holland en 1975, puis développés par d’autres chercheurs. Ils sont actuellement une des méthodes les plus diffusées et les plus utilisées dans la résolution de problèmes d’optimisation dans de nombreux domaines d’application, [COS 01], [TAI 02], [SAL 97], [ZAO 99], [TAI 01]. 3.8.4.1 Principe de fonctionnement Dans les AG, l’ensemble des paramètres du problème à optimiser est défini comme étant un individu. Un individu représente une solution particulière au problème à optimiser. Un ensemble d’individus donne naissance à la population. La population représente donc un ensemble de solutions du problème à optimiser. Elle représente aussi un ensemble de différentes configurations de paramètres, donc un sous espace de recherche. L’adaptation à l’environnement est donnée par la valeur retournée de la fonction objectif. Les générations sont représentées par les itérations du processus d’optimisation. Chaque nouvelle génération ou nouvelle itération comprend une nouvelle population donc une nouvelle configuration d’individus alors un nouveau sous espace de recherche. 81 Etat de l’art des méthodes d’optimisation Chapitre trois Le tableau 3.3 présente l’analogie entre les AG et la théorie d’évolution naturelle, [COS 01]. Tab. 3.3 Analogie entre les AG et la théorie d’évolution naturelle Théorie d’Évolution Naturelle Algorithmes Génétiques Individu Ensemble de paramètres Population Ensemble d’individus Environnement Espace de recherche Adaptation de l’individu Évaluation de la fonction objectif Générations Itérations de la méthode Les algorithmes génétiques se basent sur quatre éléments principaux qui sont : l’évaluation, la sélection, le croisement et la mutation. Après l’initialisation aléatoire de la première population d’individus qui définit la première génération, on répète successivement les quatre étapes suivantes : 1. L’évaluation des individus par le calcul de leurs fonctions objectifs (mesure de l’adaptation). 2. La sélection des individus reproducteurs : théoriquement les individus qui s’adaptent le mieux à l’environnement défini par la fonction objectif. 3. Application de l’opérateur de croisement. Cet opérateur permet l’exploration de l’espace de recherche. 4. Application de l’opérateur de mutation. Cet opérateur joue un double rôle : explorer l’espace de recherche qui n’a pas pu être atteint par l’opérateur de croisement et réaliser une recherche locale, très proche de la solution en cours. A la fin de l’étape quatre nous obtiendrons une nouvelle population. Cette population constitue l’ensemble d’individus de la génération (itération) qui suit. Quelques individus se reproduisent, d’autres disparaissent et seuls les individus les mieux adaptés sont supposés survivre. On recommence ce cycle jusqu’à ce qu’on trouve une solution satisfaisante. En effet, l’héritage génétique à travers les générations permet à la population d’être adaptée et donc répondre au critère d’optimisation, [DOU 13]. 82 Chapitre trois Etat de l’art des méthodes d’optimisation Ces quatre étapes sont répétées autant de fois qu’il y a besoin de générations pour satisfaire un critère d’arrêt. Celui-ci est défini avant que le processus commence. La solution est alors représentée par le meilleur individu de la dernière génération. La figure (3.5) illustre les principales étapes des algorithmes génétiques. Génération aléatoire de la première population notée P (t) de N individu Mesure de l'adaptation de chaque individu de la population Sélection des individus appelés à se reproduire (nouvelle population intermédiaire de N individus) Application de l'opérateur de Croisement Application de l'opérateur de Mutation Obtention d'une nouvelle population P(t+1) Mesure de l'adaptation des individus de la nouvelle population Nombre maximum de générations attendues Non Oui Meilleure configuration obtenue Fig. (3.5) Processus d’optimisation par les algorithmes génétiques 83 Etat de l’art des méthodes d’optimisation Chapitre trois L’algorithme de résolution commence par : a) la création d’une population P de taille N >0 constituée par des individus générés aléatoirement ; b) la mesure de l’adaptation de chacun des individus de P à partir de la valeur de la fonction objectif évaluée sur eux ; c) la prochaine étape du processus consiste à faire évoluer cette population vers une population plus adaptée à chaque génération, en utilisant trois différents opérateurs: la sélection, le croisement et la mutation. Lorsque nous n’avons plus d’amélioration dans l’adaptation des individus de la population, l’algorithme s’arrête. 3.8.4.2 Mise en œuvre de la procédure des Algorithmes Génétiques La mise en œuvre de la procédure des algorithmes génétiques nécessite en premier lieu la modélisation de l’ensemble des étapes qui la constituent. C'est-à-dire les étapes qui sont illustrées par l’organigramme de la figure (3.5). Cette modélisation consiste en la traduction mathématique des différents passages de la procédure. Dans ce qui suit nous développons les différents outils permettant la modélisation et la mise en œuvre de la procédure des AG. a) Codage des individus Dans l’algorithme génétique de base, tel qu’il a été fondé par Holland, les gènes (paramètres à optimiser) sont formés de 1 et 0. Dans ce cas, chaque paramètre réel est codée par son équivalent en binaire et l’individu obtenu est représenté par une chaîne codée de plusieurs gènes (paramètres) représentant une solution particulière pour la fonction objectif, figure (3.6b) [COS 01]. De nouvelles versions d’AG sont apparues [COS 01]. Elles ne se basent plus sur le codage binaire mais elles travaillent directement sur les paramètres réels. Ces versions sont appelées algorithmes génétiques codés réels figure (3.6a). Un gène=paramètre X1 1001 Individu X2 X3 0011 1011 X4 ……………………. 1101 ……………………… Fig. (3.6) Représentation d'un individu; 6a codage réel, 6b codage binaire [TAI 02] 84 Xn (3.7a) 0001 (3.7b) Etat de l’art des méthodes d’optimisation Chapitre trois b) Génération de la population initiale Le choix de la population initiale d’individus conditionne fortement la rapidité de l’algorithme. Néanmoins, une initialisation aléatoire est plus simple à réaliser : les valeurs des gènes sont tirées au hasard selon une distribution uniforme. Toutefois, il peut être utile de guider la génération initiale vers des sous domaines intéressants de l’espace de recherche. Par exemple lors d’une recherche d’optima dans un problème d’optimisation sous contraintes, il est préférable de produire des éléments satisfaisant les contraintes. La population initiale doit être suffisamment diversifiée et de taille assez importante pour que la recherche puisse parcourir l’espace d’état dans un temps limité, [DOU 13]. c) L’évaluation La fonction d’adaptation, évaluation, ou fitness, associe une valeur pour chaque individu. Cette valeur a pour but d´évaluer si un individu est mieux adapté qu’un autre à son environnement. Aucune règle n’existe pour définir cette fonction la manière la plus simple est de poser la fonction d’adaptation comme la formalisation du critère d’optimisation. d) La Sélection L’opérateur de sélection est appliqué sur la population courante de façon à sélectionner les individus qui iront former la population de la prochaine génération. La sélection de ces individus est basée sur leur valeur d’adaptation. Ainsi, les individus les plus adaptés sont généralement sélectionnés pour constituer la génération suivante, alors que les plus faibles sont exclus sans avoir la possibilité d’avoir des descendants. Il existe différentes façons d’implémenter un opérateur de sélection, parmi lesquelles nous trouvons : la sélection uniforme, la sélection par tournoi, proportionnelle et la sélection par rang, [COS 01]. Sélection uniforme On ne s’intéresse pas à la valeur d’adaptation fitness et la sélection s’effectue d’une manière aléatoire et uniforme tel que chaque individu i a la même probabilité comme tous les autres individus donnée par : Prob (i ) 1 T pop T pop est la taille de la population. 85 (3.28) Etat de l’art des méthodes d’optimisation Chapitre trois Sélection par tournoi On sélectionne aléatoirement deux individus, on compare leurs fonctions d’évaluation et le mieux adapté est sélectionné. Sélection par rang Dans la sélection par rang [TAI02], [HOA02], on calcule la valeur de Pi en fonction du rang R j que l’individu occupe dans la population. Cette valeur de R j est obtenue à partir d’une liste où les meilleurs individus sont dans les premières positions ( R proche de 1), tandis que les moins performants y occupent les dernières ( R proche de N). La valeur de Pi est attribuée à chaque individu selon son rang par la relation : Pj psel ( N 1) ( R j 1).(2 psel 2) N ( N 1) (3.29) La quantité R j représente le rang de l’individu j, N le nombre d’individus et psel la pression de sélection. psel appartient à l’intervalle [1 2]. La quantité N.pj donne le nombre moyen d’enfants pour chaque individu du rang j. La deuxième étape du processus de sélection consiste à convertir la valeur du pj de chaque individu en un nombre de descendants que chacun d'entre eux aura effectivement dans prochaine génération. Cette conversion est obtenue à l’aide d’un algorithme d’échantillonnage qui transforme les valeurs réelles des pj en valeurs entières [COS 01]. Élitisme Cette méthode de sélection permet de favoriser les meilleurs individus de la population. Ce sont donc les individus les plus prometteurs qui vont participer à l’amélioration de notre population. On peut constater que cette méthode induisait une convergence prématurée de l’algorithme, [DOU 13]. e) Reproduction Une fois l’étape de sélection est achevée, l’algorithme poursuit sa recherche par l’application des opérateurs de croisement et de mutation. L’opérateur de croisement joue le 86 Etat de l’art des méthodes d’optimisation Chapitre trois rôle de recombinaison et d’échange entre certains individus. Quand a l’opérateur de mutation, il modifie localement un individu, en échangeant sa composition, [TAI02]. Croisement L’opérateur de croisement est utilisé pour échanger les caractéristiques “génétiques” entre les différents individus d’une génération quelconque. Cet échange s’effectue en choisissant deux individus au hasard (parents) qui seront “croisés” avec une certaine probabilité de croisement pc, de façon à générer deux nouveaux individus (enfants). Les enfants remplaceront leurs parents et formeront la nouvelle population intermédiaire. Dans le cas d’un codage réel des individus, le “croisement” peut être obtenu à partir d’un simple échange de paramètres entre les deux parents, comme le montre la figure (3.7). La zone de croisement, au niveau de la paire d’individus (parents), est choisie aléatoirement, [TAI 02]. Un site de coupe I1 X11 X12 I2 X21 X22 X13 X23 X14 X15 X24 X25 I'1 X16 X26 I’2 X11 X21 X12 X23 X24 X25 X26 X22 X13 X14 X15 X16 Fig. (3.7) Processus de croisement Le croisement représenté sur la figure (3.7) est du type 1-point. Nous avons encore d’autres implémentations de croisement, tels que le type 2-points, le croisement uniforme, le croisement non uniforme et le croisement arithmétique [HOA 02]. Malgré ces différentes façons de “croiser” les individus, le but de ces opérateurs reste toujours la conquête de nouvelles régions de l’espace de recherche à partir de l’échange de caractéristiques entre les individus de la même population. Mutation L’opérateur de mutation est appliqué sur les individus d’une population de façon à obtenir d’autres individus avec des nouvelles caractéristiques “génétiques”. Dans le cas d’un codage réel, le mécanisme de mutation peut être implémenté en choisissant un individu de la génération courante au hasard et en modifiant un de ses paramètres aléatoirement avec une probabilité de mutation pm. Ce mécanisme est dénommé mutation uniforme, [TAI02]. 87 Chapitre trois Etat de l’art des méthodes d’optimisation En utilisant les trois opérateurs que nous venons de décrire, les meilleurs individus se propagent de génération en génération, en se combinant ou en échangeant leurs meilleures caractéristiques. En favorisant les meilleurs individus, les régions les plus prometteuses de l’espace de recherche sont explorées, ce qui permet d’atteindre la niche de l’optimum global. L’efficacité des algorithmes génétiques dépend fortement du réglage des différents paramètres caractérisant ces algorithmes et qui sont parfois difficiles à déterminer. Des paramètres comme la taille de la population, le nombre maximal des générations, la probabilité de mutation pm, et la probabilité de croisement pc [DOU 13]. Les deux premiers paramètres dépendent directement de la nature du problème et de sa complexité et leurs choix doit représenter un compromis entre la qualité des solutions et le temps d’exécution. La probabilité de croisement pc est liée à la forme de la fonction dévaluation. Son choix est en général heuristique. Plus sa valeur est élevée, plus la population subit des changements importants. La probabilité de mutation pm est généralement faible puisqu’un taux élevé risque de conduire vers un optimum local. En revanche, une probabilité faible permet d’assurer une bonne exploration de l’espace de recherche sans perturber la convergence. Le succès des algorithmes génétiques dépend aussi de la manière du codage des individus. 3.8.5 Méthode PSO La méthode Particle swarm optimization (PSO) ou optimisation par essaim de particules est une méthode d’optimisation fondée sur une population stochastique de points initialement répartis sur un domaine de recherche. Cette méthode a été publiée la première fois par Kennedy et Eberhart en 1995. L’algorithme PSO est inspiré du comportement social d’animaux évoluant en essaim, tels que les poissons qui se déplacent ou les oiseaux migrateurs. En effet, on peut observer chez ces animaux des dynamiques de déplacement relativement complexes, alors qu'individuellement chaque individu a une intelligence limitée et une connaissance seulement locale de sa situation dans l'essaim. L'intelligence globale de l'essaim est donc la conséquence directe des interactions locales entre les différentes particules de l'essaim. La performance du système entier est supérieure de la somme des performances de ses parties. Kennedy et Eberhart se sont inspirés de ces comportements sociaux pour créer l’algorithme PSO. Contrairement aux autres algorithmes évolutionnaires tels que les algorithmes génétiques où la recherche de la solution optimale évolue par compétition entre les individus en utilisant des 88 Etat de l’art des méthodes d’optimisation Chapitre trois opérateurs de croisements et de mutations, le PSO utilise plutôt la coopération entre les individus, [GHE13]. La méthode d’optimisation par essaim particulaire met en jeu un ensemble d’agents pour la résolution d’un problème donné. Cet ensemble est appelé essaim. L’essaim est composé d’un ensemble de membres, ces derniers sont appelés particules. Les particules de l’essaim représentent des solutions potentielles au problème traité. Cet essaim vole dans l’espace de recherche (à D dimensions) et chaque membre de celui-ci est attiré par sa meilleure solution et celle de ses voisins. Chaque particule i de l’essaim est définie par sa position X id ( X i1 , X i 2 ,........,X id ) et sa vitesse de déplacement Vid (Vi1 ,Vi 2 ,........,Vid ) dans un espace de recherche de dimension D. Cette particule garde en mémoire la meilleure position par laquelle elle est déjà passée et la meilleure position atteinte par toutes les particules de l'essaim, notées respectivement: pbestid ( pbesti1 , pbesti2 ,........,pbestid ) et gbestid ( gbesti1 , gbesti2 ,........,gbestid ) Le processus de recherche est basé sur deux règles : Chaque particule est dotée d’une mémoire qui lui permet de mémoriser la meilleure position par laquelle elle est déjà passée et elle a tendance à retourner vers cette position. Chaque particule est informée de la meilleure position connue au sein de son voisinage et elle a toujours tendance de se déplacer vers cette position, [BRI 07], [SAL 12], [GHE13]. La particule i va se déplacer entre les itérations t et t+1, en fonction de sa vitesse et des deux meilleures positions qu’elle connaît (la sienne et celle de l’essaim) suivant les deux équations suivantes [Kennedy et Eberhart, 1995], [GHE13]: V (t ) .V (t 1) b .rand.( g (t 1) X (t 1)) b .rand.( p (t 1) X (t 1)) id id 1 bestid id 2 bestid id X id (t ) X id (t 1) Vid (t ) (3.30) (3.31) Avec : b1 et b2 sont des constantes d’apprentissage, rand le résultat d’un générateur de nombres aléatoires, et ω l’inertie. X id (t ) , X id (t 1) : la position de la particule i dans la dimension d aux temps t et t-1. V (t ) , V (t 1) : la vitesse de la particule i dans la dimension d aux temps t et t-1. id id pbestid (t 1) : la meilleure position obtenue par la particule i dans la dimension d au temps t-1. 89 Chapitre trois Etat de l’art des méthodes d’optimisation g bestid (t 1) : la meilleure position obtenue par l’essaim dans la dimension d au temps t-1. La valeur de g best sera réévaluée à chaque itération afin de prendre en compte l’évolution possible du minimum global trouvé au cours de l’optimisation. Les essaims de particules ont pour particularité d’être l’un des algorithmes méta heuristiques les plus simples en termes de complexité d’équations. Ainsi seule la mémorisation du g best et du pbest sont nécessaires pour le calcul de l’itération suivante avec les deux équations précédentes. Cette particularité est intéressante dans le cadre d’une implantation dans un système à faible ressources informatiques ou encore soumis à des contraintes de type temps réel. Cependant cet algorithme possède un inconvénient majeur : le nombre d’itérations nécessaire pour trouver un minimum potentiellement global. De nombreuses modifications ont déjà été réalisées pour cet algorithme, [SAL 12]. La figure (3.8) montre le déplacement d’une particule [GHE 13], [TOU 13]. Fig. (3.8) Déplacement d’une particule 90 Etat de l’art des méthodes d’optimisation Chapitre trois Le tableau 3.4 représente l’algorithme PSO. Tab. 3.4 Algorithme de l’optimisation par essaim de particules Début Initialiser les paramètres et la taille S de l’essaim; Initialiser les vitesses et les positions aléatoires des particules dans chaque dimension de l’espace de recherche; Pour chaque particule, pbestid X id ; Calculer f ( X id ) de chaque particule; Calculer gbestid ; la meilleure pbestid Tant que (la condition d’arrêt n’est pas vérifiée) faire Pour (i allant de 1 à S) faire Calculer la nouvelle vitesse à l’aide de l’équation (3.30) ; Trouver la nouvelle position à l’aide de l’équation (3.31) ; Calculer f ( X id ) de chaque particule; Si f ( X id ) est meilleur que f ( pbestid ) alors pbestid X id ; Si ( f ( pbestid ) ) est meilleur que f ( g bestid ) alors g bestid pbestid ; Fin pour Fin tant que Afficher la meilleure solution trouvée gbestid ; Fin 3.8.6 Méthode de colonie de fourmis La méthode d’optimisation par colonie de fourmis est proposée par Dorigo dans les années 90 en s’inspirant du comportement collectif des fourmis (Dorigo, 1992). L’objectif du comportement collectif des fourmis est de collecter la nourriture sans perdre le chemin menant à leur nid. Les fourmis sont des insectes qui œuvrent pour le bien du groupe. Leurs capacités physiques limitées n’ont jamais construit un obstacle pour elles. En effet, elles peuvent défier leurs capacités individuelles limitées et réaliser des taches très complexes 91 Chapitre trois Etat de l’art des méthodes d’optimisation (construire des nids, rechercher la nourriture, …) par coopération en regroupant leurs capacités disponibles et leurs expériences collectives. Dans l’objectif de rechercher la nourriture en parcourant le plus court chemin, les fourmis se communiquent indirectement entre elles en provoquant des changements dans leur environnement. Au début de la recherche, les fourmis se propagent aléatoirement en prenant des chemins de différentes tailles (court, long,..) dont elles déposent sur le sol une matière odorante appelée « phéromone » d’intensités égales. Afin d’attirer l’attention de leurs congénères en retournant au nid, les fourmis déposent des phéromones un peu différents contenant un message concernant la qualité du site visité. Les fourmis ont tendance de suivre le chemin de plus forte intensité de phéromones. Plus le chemin est court, plus la quantité de phéromones y est déposée est élevée. Plus l’intensité de phéromones est grande, plus le nombre de fourmis utilisant ce passage augmente. Par conséquent, le chemin le plus long sera abandonné car l’intensité de phéromones y compris est petite et s’évapore rapidement), [BRI 07], [GHE13]. L’algorithme de colonies de fourmis a été proposé pour la première fois pour résoudre le problème du voyageur de commerce [Colorni et al, 1992], il se base sur trois phases essentielles: La construction du trajet de chaque fourmi; La distribution de phéromones sur le trajet de chaque fourmi; L’évaporation des pistes de phéromones. L’application de cette méthode pour l’optimisation des dispositifs électrotechniques est très récente (Lo et al. 2005), [BRI 07]. Le tableau 3.5 représente l’algorithme de colonies de fourmis [GHE13]. 92 Etat de l’art des méthodes d’optimisation Chapitre trois Tab. 3.5 L’algorithme de colonies de fourmis Début Initialiser une population de m fourmis ; Evaluer les m fourmis ; Tant que la condition d’arrêt n’est pas satisfaite faire Pour i=1 à m faire Construire le trajet de la fourmi i; Déposer des phéromones sur le trajet de la fourmi i; Fin pour Evaluer les m fourmis; Evaporer les pistes de phéromones; Fin Tant que Retourner la ou les meilleures solutions ; Fin 3.9 Méthodes hybrides La solution d'un problème d'optimisation obtenue par les méthodes déterministes dépend d'une façon générale du point de départ, car ces méthodes font la recherche du minimum à partir de l'information donnée par le calcul du gradient, lequel est évalué au point courant. Ainsi, si la direction donnée par le gradient conduit vers un minimum local, l'algorithme ne s'arrêtera pas sur le minimum global. Obtenir le minimum global ne peut être que le fruit d'une heureuse coïncidence, [COS 01]. Néanmoins, certaines méthodes déterministes, d'ordre un ou deux, présentent de bonnes caractéristiques pour l'optimisation de problèmes réels: en particulier, l'effort de calcul est faible par rapport aux méthodes stochastiques. Les méthodes stochastiques ont deux grands avantages: la capacité à localiser le minimum global et l'absence des calculs de dérivées. L'inconvénient majeur est l'effort de calcul qu'il faut fournir dans la plupart des cas pour arriver à des solutions précises. On peut alors envisager le couplage entre méthodes stochastiques et déterministes pour tirer parti des avantages: un algorithme globalement convergent (capacité de trouver le minimum global); 93 Chapitre trois Etat de l’art des méthodes d’optimisation moins coûteux en termes d'effort de calcul que les algorithmes uniquement stochastiques. Dans le cas où la méthode déterministe est d'ordre zéro, un avantage supplémentaire très important est assuré: pas de calcul de dérivées. Dans la suite de notre travail, nous allons présenter les méthodes hybrides que nous avons proposé: l'algorithme génétique couplé avec la méthode Quasi-Newton et Pattern search; l'algorithme de recuit simulé couplé avec la méthode Quasi-Newton et Pattern search; l'algorithme de recherche tabou couplé avec la méthode Quasi-Newton et Pattern search; Dans les trois cas, l'idée est de lancer la procédure de recherche de la région de minimum global par une méthode stochastique (GA, SA où TS). Après localisation de cette région, l'algorithme QN où PS est lancé avec pour but une convergence rapide au point de minimum global. 3.10 Conclusion Dans ce chapitre, nous avons présenté les méthodes les plus utilisées dans la résolution d’un problème d’optimisation. Nous avons remarqué que selon leurs caractéristiques, ces méthodes peuvent être subdivisées en deux différents groupes : les méthodes déterministes et les méthodes stochastiques. Les méthodes déterministes sont presque toujours des méthodes locales, c'est-à-dire qu’elles convergent vers un optimums dépendant uniquement du point de départ, qu’il soit local ou global. A l’opposée, les techniques stochastiques ou stochasto-deterministes sont plutôt des méthodes globales qui permettent de localiser l’optimum global des fonctions. Enfin, les méthodes de résolution sont qualifiées de multimodales si elles sont capables de trouver l’ensemble des optimas d’une fonction. Malgré le nombre important d’évaluations de la fonction objectif demandée par les méthodes stochastiques, ces méthodes (métaheuristiques) constituent une classe de méthodes approchées adaptables à un très grand nombre de problèmes d'optimisation avec contraintes. Elles ont montré leur grande efficacité pour fournir des solutions approchées de bonne qualité pour un grand nombre de problèmes d'optimisation classiques et d'applications réelles de grande taille. C'est pourquoi l'étude de ces méthodes est actuellement en plein développement. 94 Chapitre quatre Conception par optimisation de la pompe MHD à conduction Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.1 Introduction La conception des systèmes en génie électrique devient de plus en plus complexe, en raison de la présence de plusieurs éléments de nature et de fonctionnalités différentes en interaction au sein du système à concevoir [ABD 07]. Dans le cadre d’une conception performante, nous sommes souvent intéressés à retrouver une configuration optimale de façon à satisfaire les besoins des utilisateurs et d’avoir, en même temps, un produit viable d’un point de vue économique, [COS 02]. D’une manière générale, la conception correspond à la détermination de toutes les caractéristiques d’un objet ou d’un système répondant à un besoin défini par rapport un cahier des charges. L’aboutissement du processus de conception dépend donc de la faisabilité du cahier des charges qui doit être clairement élaboré. Dans ce présent chapitre, on propose une méthodologie de dimensionnement des dispositifs électromagnétiques. Après avoir interprété le problème de dimensionnement comme étant un problème d'optimisation avec contraintes, nous utilisons, en première étape quelques méthodes d'optimisations développées dans le chapitre précédant, pour dimensionner une pompe électromagnétique. Les performances de la pompe sont données par un modèle par volumes finis. En seconde étape, une modélisation par éléments finis du prototype obtenu sera effectuée dans le but de valider la procédure de conception par optimisation. 4.2 Démarche de conception par optimisation La procédure générale adoptée est schématisée sur la figure (4.1). Elle utilise le modèle électromagnétique présenté au chapitre deux, définissant le fonctionnement du dispositif à concevoir. Des méthodes d'optimisation non linéaire avec contraintes sont utilisées pour atteindre la solution optimale (minimisant la masse et satisfaisant les contraintes du cahier de charges). 95 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Modèle électromagnétique de la pompe Non Calcul des performances Méthodes d’optimisation Détermination d'une nouvelle pompe Optimum atteint contraintes satisfaites Oui Fin Fig. (4.1) Procédure de conception par optimisation 4.3 Description du dispositif à optimiser Le dimensionnement d’une machine électrique repose sur deux considérations. La première est relative au dimensionnement géométrique, autrement dit, le circuit magnétique. La seconde est le dimensionnement du circuit électrique, donc la détermination des bobinages et leurs alimentations. Ces deux parties sont imbriquées. D’une manière générale, les dimensions du circuit électrique dépendent des ampères tours nécessaires à la production du champ magnétique. Les dimensions du circuit magnétique devront tenir compte de sa capacité à canaliser le champ magnétique en limitant les chutes d.d.p magnétiques. Ce dimensionnement dépendra donc directement de l’amplitude du champ qui devra être canalisé [TAI02]. D'une manière générale, la conception d'un dispositif quelconque est guidée par un cahier de charges. L’objectif du dimensionnement est de trouver les valeurs des paramètres de construction géométriques, électriques et magnétiques qui satisfont les contraintes et qui minimisent la masse de la pompe. Sur les figures (2.3) et (2.4), nous avons présenté la structure de la pompe à traiter. Elle est constituée: d’un circuit magnétique sous forme de tore d’un matériau ferromagnétique ; 96 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction de deux bobines en cuivre ; de deux électrodes en platine ; d’un canal où circule un fluide supposé incompressible. Dans le prototype considéré, le fluide utilisé est le mercure. 4.4 Formulation du problème d’optimisation L’objectif est de minimiser la masse totale de la pompe à conduction qui inclut les masses des matériaux de chaque partie active de la pompe. Les contraintes techniques imposées sont les suivantes : l’induction magnétique dans la pompe ne doit pas excéder 1.5 Tesla, la densité de courant induite doit être inférieure à 5.106A/m2 et les contraintes des domaines donnés par la valeur minimale et maximale de chaque paramètre de la géométrie. Le problème de conception est transformé en un problème d’optimisation (4.1) : min M pompe B 1.5 Tesla 6 2 J 5.10 A / m X k min X k X k max (4.1) où M pompe , B , J et X k sont des résultats du programme de dimensionnement obtenus par la modélisation par volumes finis. avec : X k : un vecteur dont ses coordonnées représentent les dimensions géométriques de la pompe : X k [ x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 , x11 ] ; ( x2 x1 ) : la largeur de l’électrode ; x 3 : le rayon du canal ; x3 : le rayon intérieur de l’inducteur ; x3 : le rayon intérieur de la bobine ; x4 : le rayon extérieur de la bobine ; x5 : le rayon extérieur de l’inducteur ; ( x7 x6 ) : la longueur de la bobine ; ( x9 x7 ) : la longueur de l’inducteur ; 97 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction ( x10 x8 ) : la hauteur de l’électrode ; x11 : la longueur du canal. Pour traiter les contraintes, le problème d’optimisation avec contraintes, l’équation (4.1) est transformée en un problème sans contraintes en utilisant la méthode de pénalités extérieures [ABD 07], [HAD 03], [HAJ 03]. Le problème d’optimisation (4.1) devient : B J min M pompe f ( x) r k max 2 (0, 1) max 2 (0, 1) 6 1 . 5 5 . 10 (4.2) où f (x) : La masse de la pompe sans contraintes ; r=1, et k=0. 1. 4.4 .1 Calcul de la masse totale de la pompe Chaque masse est calculée par le produit de la masse volumique de chaque matériau par le volume de chaque partie active constituant la pompe. M total M fluide M cuivre M inducteur M electrodes (4.3) - Masse du fluide Le canal est un cylindre creux de rayon x3 et de longueur x11 contenant deux électrodes. Le volume du canal est donné par : Vcanal x32 x11 2Velectrode (4.4) L’électrode a la forme d’un parallélépipède, son volume est donné par : Velec ( x2 x1 )( x10 x8 )l ele (4.5) avec : Velec : volume de l’électrode ; ( x2 x1 ) : largeur de l’électrode; ( x10 x8 ) : hauteur de l’électrode; lele : longueur de l’électrode. Le mercure est utilisé comme fluide circulant dans le canal de densité volumique mer . La masse du fluide est donnée par : 98 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction M flui Vmer mer (4.6) où : M flui : masse du fluide (mercure) ; Vmer : volume du mercure ; mer : densité volumique du mercure ; - Masse du cuivre La pompe est constituée de deux bobines en cuivre de densité volumique cui . La bobine a une forme cylindrique de rayon extérieur x4 et de rayon intérieur x3 et de longueur ( x7 x6 ) . Par suite le volume d’une bobine est donnée par : Vcui ( x42 x32 )( x7 x6 ) (4 .7) La masse des bobines est donnée par : M cui 2K rcVcui cui (4.8) où : K rc : coefficient de remplissage ; M cui : masse du cuivre ; Vcui : volume du cuivre ; cui : masse volumique du cuivre. - Masse de l’inducteur L’inducteur est constitué d’un empilement de tôles ferromagnétiques de densité volumique fer . Sa forme est assimilée à un cylindre de rayon extérieur x5 et de rayon intérieur x3 et de longueur ( x9 x7 ) . Par suite le volume de l’inducteur est donné par : Vind ( x52 x33 )( x9 x7 ) (4.9) La masse de l’inducteur est donnée par : M ind V fer fer K rf (4.10) où : M ind : masse de l’inducteur ; 99 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction fer : masse volumique du matériau ferromagnétique ; V fer : volume de l’inducteur; K rf : coefficient de remplissage des tôles. - Masse des électrodes Les deux électrodes sont en de densité volumique platine . La masse de platine l’électrode est donnée par : M elec 2Velec plat (4.11) où : M elec : masse des deux électrodes ; Velec : volume de l’électrode donné par (4.5) ; pla : masse volumique du platine. Donc la masse totale de la pompe est la somme des différentes masses décrites précédemment (4.3). 4.5 Conception par optimisation de la pompe MHD à conduction Dans cette section, on va appliquer la procédure de conception par optimisation d'une pompe à conduction, en utilisant des méthodes d'optimisation stochastiques, déterministes et hybrides développées dans le chapitre 3. Ces méthodes sont : la méthode du recuit simulé, des algorithmes génétiques, de recherche tabou, de quasi-Newton et pattern search, ainsi que des méthodes hybrides (AG- QN), (AG-PS), (RS-QN), (RS- PS), (TS-QN) et (TS-PS). 4.5.1 Méthodes stochastiques 4.5.1.1 Méthode du recuit simulé En se basant sur l'algorithme du recuit simulé, on a développé un programme sous environnement MATLAB qui simule cette méthode. Les critères de contrôle choisis pour cette méthode sont : La température initiale (T0) égal à 100; La loi de décroissance linéaire de la température est T=0.9.T; Le nombre de changements acceptés à une température constante est égal à 80. 100 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.5.1.2 Recherche tabou En se basant sur l'algorithme de la méthode tabou, on a développé un programme sous environnement MATLAB qui simule cette méthode. 4.5.1.3 Méthode des algorithmes génétiques La méthode des Algorithmes Génétiques utilisée dans notre optimisation est issue de MATLAB version 2013, (Toolboxes Genetic Algorithm). Les critères de contrôle choisis sont : Population initiale P0 égale à 50 individus; Probabilité de croisement Pc=0.8; Probabilité de mutation Pm=0.2; Nombre de générations 100. 4.5.2 Méthodes déterministes 4.5.2.1 Méthode de Quasi-Newton L'optimisation par la méthode QN est effectuée en utilisant la fonction "Fmincon" de Matlab version 2013, (Optimisation toolbox). 4.5.2.2 Méthode Pattern Search L'optimisation par la méthode pattern search est effectuée en utilisant la fonction "pattern search" de MATLAB version 2013, (Optimization toolbox). 4.5.3 Méthodes hybrides Afin d’améliorer les performances d’un algorithme, on essaye de le combiner avec une autre méthode. Ce principe général appelé hybridation, peut s’appliquer à plusieurs méthodes. Un cas particulier de l’hybridation entre deux méthodes consiste à combiner un algorithme stochastique avec une méthode de recherche locale. 101 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.6 Résultats de l’optimisation 4.6.1 Résultats des méthodes stochastiques Les résultats de l'optimisation des différentes méthodes stochastiques sont présentés et récapitulés dans le tableau 4.1 et la figure (4.2). On constate que la méthode des algorithmes génétiques prouve toujours ses capacités et sa fiabilité d’exploration du domaine de recherche et donne le meilleur optimum. Tab. 4.1 Résultats des méthodes stochastiques Paramètres d’optimisation Recherche Tabou (TS) Recuit simulé (SA) Algorithmes génétiques (AG) X1(m) 0.0140 0.0140 0.0140 X2(m) 0.0240 0.0240 0.0240 X3(m) 0.0299 0.0290 0.0300 X4(m) 0.0594 0.0596 0.0596 X5(m) 0.0988 0.0990 0.0989 X6(m) 0.0201 0.0201 0.0201 X7(m) 0.0401 0.0401 0.0403 X8(m) 0.0601 0.0601 0.0600 X9(m) 0.1390 0.1390 0.1392 X10(m) 0.1591 0.1591 0.1593 X11(m) 0.1801 0.1792 0.1792 Masse fer (Kg) 20.9799 21.2000 21.0503 Masse bobines (Kg) 0.7383 0.7583 0.7424 Masse électrodes (Kg) 0.4242 0.4263 0.2579 Masse mercure (Kg) 4.2829 4.0107 4.2738 Masse Pompe (Kg) 26.4253 26.3953 26.3244 102 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Best: 26.3224 Mean: 26.3244 Kg Fitness value 27 Best fitness Mean fitness 26.5 26 0 10 20 30 40 50 60 70 80 90 100 Current best individual Generation Current Best Individual 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Fig. (4.2) Résultats d’optimisation par la méthode des algorithmes génétiques L’individu représente le vecteur X qui constitue les paramètres géométriques optimisés. Valeur fitness : fonction objectif (masse optimale de la pompe). 4.6.2 Résultats des méthodes déterministes Les résultats de l'optimisation des différentes méthodes déterministes sont présentés et récapitulés dans les tableaux 4.2 et les figures (4.3) et (4.4). On remarque les grandes potentialités des méthodes déterministes. Tab. 4.2 Résultats des méthodes déterministes Quasi-Newton Pattern Search (QN) (PS) X1 (m) 0.0140 0.0140 X2 (m) 0.0239 0.0240 X3 (m) 0.0299 0.0299 X4 (m) 0.0594 0.0594 X5 (m) 0.0988 0.0988 X6 (m) 0.0201 0.0200 X7 (m) 0.0401 0.0400 X8 (m) 0.0601 0.0600 Paramètres géométriques 103 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction X9 (m) 0.1390 0.1390 X10 (m) 0.1590 0.1590 X11 (m) 0.1790 0.1790 Masse fer (Kg) 20.9812 21.0015 Masse bobines (Kg) 0.7382 0.7383 Masse électrodes (Kg) 0.4236 0.4243 Masse mercure (Kg) 4.2509 4.2507 Masse Pompe (Kg) 26.3939 26.4148 Current Point Current point 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Current Function Value: 26.3939 Kg Function value 27.2 27 26.8 26.6 26.4 26.2 0 1 2 3 4 Iteration 5 6 7 8 9 Fig. (4.3) Résultats d’optimisation par la méthode Quasi-Newton Best Function Value: 26.4148 Kg Function value 26.55 26.5 26.45 26.4 0 5 10 15 20 25 30 35 Current best point Iteration Current Best Point 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Fig. (4.4) Résultats d’optimisation par la méthode Pattern Search 104 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.6.3 Résultats des méthodes hybrides Les résultats de l'optimisation des différentes méthodes hybrides sont présentés et récapitulés dans le tableau 4.3 et les figures ((4.5), (4.6). (4.7), (4.8)). Pour les différentes méthodes hybrides utilisées, les résultats obtenus montrent leurs grandes capacités d’aller vers l’optimum global, mais, comme toujours, on remarque la particularité des méthodes stochastiques (algorithmes génétiques et recuit simulé) avec la méthode Quasi-Newton donnent le meilleur optimum. Tab. 4.3 Résultats des méthodes Hybrides Paramètres TS-PS TS-QN SA-PS X1(m) 0.0140 0.0140 0.0140 0.0143 0.0140 0.0140 X2(m) 0.0240 0.0240 0.0240 0.0230 0.0240 0.0230 X3(m) 0.0299 0.0299 0.0299 0.0290 0.0301 0.0290 X4(m) 0.0594 0.0594 0.0594 0.0598 0.0600 0.0590 X5(m) 0.0988 0.0988 0.0988 0.0992 0.1000 0.0980 X6(m) 0.0200 0.0201 0.0201 0.0201 0.0201 0.0201 X7(m) 0.0400 0.0401 0.0401 0.0400 0.0400 0.0399 X8(m) 0.0600 0.0601 0.0601 0.060 0.0599 0.0599 X9(m) 0.1390 0.1390 0.1390 0.1400 0.1390 0.1399 X10(m) 0.1590 0.1590 0.1590 0.1599 0.1601 0.1599 X11(m) 0.1790 0.1790 0.1790 0.1799 0.1800 0.1799 Masse fer (Kg) 21.0004 20.9812 20.9819 21.2003 21.2004 21.2001 Masse bobines (Kg) 0.7383 0.7382 0.7382 0.7398 0.7398 0.714 Masse électrodes (Kg) 0.4243 0.4235 0.4236 0.4198 0.4199 0.4195 Masse mercure (Kg) 4.2507 4.2509 4.2509 3.9900 3.9503 4.2488 Masse Pompe (Kg) 26.4136 26.3938 26.3946 26.3439 26.3104 26.2596 105 SA- QN AG-PS AG-QN Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.6.3.1 Hybridation (AG-QN) - (AG-PS) Les figures (4.5) et (4.6) présentent le résultat de la méthode hybride algorithme génétique avec la méthode déterministe Quasi-Newton et Pattern Search. Best: 26.2596 Mean: 26.2596 Kg Fitness value 27 Best fitness Mean fitness 26.5 26 0 10 20 30 40 50 60 70 80 90 100 Current best individual Generation Current Best Individual 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Fig. (4.5) Résultats d’optimisation par la méthode hybride (AG-QN) Best: 26.31 Mean: 26.3104 Kg Fitness value 27 Best fitness Mean fitness 26.5 26 0 10 20 30 40 50 60 70 80 90 100 Current best individual Generation Current Best Individual 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Fig. (4.6) Résultats d’optimisation par la méthode hybride (AG-PS) 4.6.3.2 Hybridation (SA-QN) - (SA-PS) Les figures (4.7) et (4.8) présentent le résultat de la méthode hybride recuit simulé avec la méthode déterministe Quasi-Newton et Pattern Search. 106 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Current Point Current point 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Current Function Value: 26.3439 Kg Function value 27.5 27 26.5 26 0 1 2 3 4 5 6 7 8 9 Iteration Fig. (4.7) Résultats d’optimisation par la méthode hybride (SA-QN) Best Function Value: 26.3946 Kg Function value 26.5 26.45 26.4 26.35 0 5 10 15 20 25 30 Current best point Iteration 0.2 Current Best Point 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Fig. (4.8) Résultats d’optimisation par la méthode hybride (SA-PS) 4.6.3.3 Hybridation (TS-QN) – (TS-PS) Les figures (4.9) et (4.10) présentent le résultat de la méthode hybride recherche tabou avec les méthodes déterministes Quasi-Newton et Pattern Search. 107 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Current Point Current point 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Current Function Value: 26.3938 Kg Function value 27.5 27 26.5 26 0 1 2 3 4 5 6 7 8 9 Iteration Fig. (4.9) Résultats d’optimisation par la méthode hybride (TS-QN) Best Function Value: 26.4136 Kg Function value 26.8 26.7 26.6 26.5 26.4 0 10 20 30 40 50 60 Iteration Current best point Current Best Point 0.2 0.15 0.1 0.05 0 1 2 3 4 5 6 7 8 9 10 11 Number of variables Fig. (4. 10) Résultats d’optimisation par la méthode hybride (TS-PS) 4.7 Comparaison des méthodes d'optimisation En comparant les résultats obtenus, on peut conclure que : 4.7.1 Méthodes non hybrides Les résultats obtenus par les méthodes stochastiques: recuit simulé, algorithmes génétiques et recherche tabou pour l'optimisation globale sont acceptables. Comme on s'y attendait, on constate d'excellentes propriétés d'exploration de l'espace de recherche. En faisant une comparaison entre les trois méthodes stochastiques utilisées, on voit clairement que les algorithmes génétiques et le recuit simulé offrent une meilleur précision que la 108 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction méthode tabou et une fiabilité comparable aux méthodes déterministes Quasi-Newton et Pattern Search. Il est connu que les méthodes déterministes montrent d'excellentes propriétés d'exploitation du domaine de recherche et offrent l'avantage d'être très précises à condition qu'elles ne restent pas piégées dans un minimum local. 4.7.2 Méthodes hybrides En tenant compte des résultats obtenus, on constate que les méthodes stochastiques explorent bien l'espace de recherche pour converger vers la niche de l'optimum, par contre les méthodes déterministes exploitent bien l'espace de recherche mais la convergence est locale. Afin d'aboutir à un meilleur résultat, l'idée est de combiner deux types de méthodes : une stochastique, pour une recherche globale et la localisation de la niche de l'optimum global et une déterministe pour bien exploiter cette niche pour trouver exactement l'optimum global. 4.7.2.1 Méthode hybride " SA-QN"-" SA-PS" La comparaison de ces méthodes avec les méthodes constituantes recuit simulé, QuasiNewton et Pattern Search permet de mettre en évidence sa puissance. Elle présente un taux de réussite toujours supérieur à celui des méthodes déterministes. En ce qui concerne le temps de calcul, elle est comme toute méthode hybride, plus lente par rapport aux méthodes constituantes (recuit simulé, Quasi-Newton et Pattern Search), mais offre une grande sécurité pour trouver le minimum absolu. 4.7.2.2 Méthode hybride "AG-QN"-" AG-PS" Pour compléter la comparaison, nous avons aussi étudié la combinaison des AG avec la méthode QN et la méthode PS. Dans une première phase, les AG explorent l'espace de recherche dans le but de découvrir des sous-espaces susceptibles de contenir un minimum global et de fournir une meilleure solution, à savoir une solution située à l'intérieur du creux d'attraction du minimum global; dans une seconde phase, les méthodes QN et PS utilisent la meilleure solution fournie par les AG comme estimée initiale et poursuit la recherche suivant son propre mode d'exploitation. 109 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.7.2.3 Méthode hybride "TS-QN"- TS-PS" Comme toute méthode hybride, ("TS-QN"- "TS-PS") qui combine la méthode tabou avec Quasi- Newton et Pattern Searth prouve aussi ses performances. La comparaison des performances des méthodes hybrides montre que la méthode qui combine les AG et RS avec la méthode QN sont les mieux adaptées. Les méthodes hybrides donnent des résultats proches des méthodes déterministes. La seule différence étant le temps de calcul plus important. Cependant, ces méthodes donnent une garantie de convergence plus sûre vers l'optimum global. 4.8 Etude des performances de la pompe à conduction par la MVF Dans le but de valider la procédure adoptée pour la conception, nous allons effectuer une étude des performances de la pompe optimisée par la méthode hybride (AG-QN) en effectuant une modélisation par la méthode des volumes finis. 4.8.1 Distribution du potentiel vecteur magnétique Les figures (4.11a), (4.11b) et (4.11C) représentent respectivement les lignes équipotentielles dans la pompe MHD et la distribution du potentiel vecteur magnétique dans la pompe MHD en 2D et 3D. x 10 z[m] 0.18 0.16 8 0.14 7 0.12 6 0.1 5 0.08 4 0.06 3 0.04 2 0.02 1 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 r[m] Fig. (4.11a) Lignes équipotentielles dans la pompe MHD optimisée 110 0.18 -3 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction -3 8 x 10 Vecteur potentiel magnétiqueA [A.m] 7 6 5 4 3 2 1 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (4.11b) Distribution du potentiel vecteur magnétique dans la pompe MHD optimisée en 2D Potentiel vecteur magnétique A[A.m] x 10 -3 8 0.01 7 0.008 6 0.006 5 0.004 4 0.002 3 0 0.2 2 0.15 0.2 0.15 y[m] 0.1 1 0.1 0.05 0.05 0 0 r[m] 0 Fig. (4.11c) Distribution du potentiel vecteur magnétique dans la pompe MHD optimisée en 3D 4.8.2 Induction magnétique dans la pompe MHD Les figures (4.12a) et (4.12b) représentent la variation de l’induction magnétique dans la pompe MHD avec et sans optimisation en 2D et 3D. 111 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 60 Induction magnétique [T] 2 50 1.5 40 1 30 0.5 20 0 0.2 0.15 z[m] 0.2 10 0.15 0.1 0.1 0.05 0.05 0 r[m] 0 Fig. (4.12a) Induction magnétique dans la pompe MHD optimisée en 3D 1.4 avec optimisation Induction magnétique B[T] 1.2 sans optimisation 1 0.8 0.6 0.4 0.2 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (4.12b) Induction magnétique dans la pompe MHD avec et sans optimisation 4.8.3 Distribution de la densité de courant induit Les figures (4.13a et (4.13b) représentent la variation de la densité de courant induit dans le canal de la pompe MHD avec et sans optimisation en 3D et 2D. 2 Densité de courant [A/m ] 8000 6000 4000 2000 0 200 150 200 100 z[m] 150 50 50 0 100 r[m] 0 Fig. (4.13a) Densité de courant induit dans le canal de la pompe MHD à conduction avec optimisation en 3D 112 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 8000 7000 avec optimisation Densité de courant [A/m 2] 6000 sans optimisation 5000 4000 3000 2000 1000 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (4.13b) Densité de courant induit dans le canal de la pompe MHD à conduction avec et sans optimisation 4.8.4 Distribution de la force électromagnétique La figures (4.14) représentent les variations de la force électromagnétique dans la pompe MHD avec et sans optimisation. Les mêmes constatations sont à noter, on remarque une amélioration dans la valeur de la force. Force electromagnétique [N/m 3] 6 2.5 x 10 avec optimisation 2 Sans optimisation 1.5 1 0.5 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] Fig. (4.14) Distribution de la force électromagnétique dans le canal de la pompe MHD à conduction avec et sans optimisation 4.9 Etude des performances de la pompe à conduction par la MEF Dans le but de valider la procédure adoptée pour la conception, nous allons effectuer une étude des performances de la pompe MHD à conduction obtenue par la méthode hybride (AG-QN) en effectuant une modélisation en magnétostatique avec le logiciel ANSYS. 113 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction 4.9.1 Présentation du logiciel ANSYS Le logiciel ANSYS est un des outils de simulation par calcul de champs des systèmes physiques. C'est un logiciel multi-physique, il permet l’analyse thermique, fluidique, acoustique et électromagnétique. Pour réaliser des simulations par ce logiciel, nous devons suivre les étapes suivantes : Définition du type d'analyse (thermique, mécanique, électrique, électromagnétique ou mécanique des fluides). Entrée des valeurs numériques des paramètres (caractéristiques physiques des matériaux et paramètres géométriques). Définition des éléments utilisés. Création de la géométrie du modèle, et entrée des différents types de matériaux. Association des matériaux et des surfaces/volumes correspondants. Création du maillage. Entrée des conditions aux limites et excitations (sources de courant, de chaleur, de fluide). Résolution. Affichage des résultats. En électromagnétisme, c'est un logiciel quasi-complet, il permet d'effectuer les analyses suivantes : Magnétostatique 2D ou 3D avec prise en compte de la courbe B (H) ; Magnétodynamique complexe pour l'étude des régimes permanents ; Magnétodynamique pas à pas dans le temps pour l'étude des régimes transitoires. Dans les paragraphes qui suivent nous allons effectuer une modélisation en utilisant ANSYS. 4.9.2 Validation des résultats par ANSYS Les simulations ont été réalisées en 2D axisymétrique par le logiciel de calcul par élément finis ANSYS version 14. Dans toutes les simulations réalisées, on a modélisé, pour des raisons de symétrie, le quart de la pompe MHD. Les figure (4.15a), (4.15b) et (4.15c) montrent respectivement la géométrie, les conditions aux limites de type Dirichlet et Newman et le maillage adopté. 114 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Les résultats issus de l’ANSYS sont exploités pour représenter les lignes équipotentielles, l’induction magnétique et la force électromagnétique dans la pompe MHD à conduction. Fig. (4.15a) Géométrie de la pompe MHD Fig. (4.15b) Conditions aux limites appliquées 115 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Fig. (4.15c) Maillage de la pompe MHD La figure (4.15d) illustre les lignes équipotentielles dans la pompe MHD. Fig. (4.15d) Lignes équipotentielles dans la pompe MHD 116 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction Les figures (4.16) et (4.17) illustrent respectivement: l’induction magnétique et la force électromagnétique dans la pompe MHD obtenues par la méthode des éléments finis et la méthode des volumes finis avec et sans optimisation. (a) 1.4 Induction magnétique B[T] 1.2 avec optimisation 1 0.8 0.6 0.4 0.2 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 z[m] (b) Fig. (4,16) Induction magnétique dans la pompe MHD : (a) par ANSYS (b) par volume finis 117 0.18 Chapitre Quatre Conception par optimisation de la pompe MHD à conduction (a) 6 2.5 x 10 Force electromagnétique [N/m 3] 2 Avec optimisation 1.5 1 0.5 0 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 z[m] (b) Fig. (4,17) Force électromagnétique dans le canal de la pompe MHD : (a) par ANSYS (b) par volume finis La comparaison entre les deux résultats obtenus par MATLAB et ANSYS (potentiel vecteur magnétique, induction magnétique et force électromagnétique), pour la même géométrie et différents maillages montre une certaine similitude, bien que les deux pics caractéristiques ne sont pas tout 118 à fait en concordance. Chapitre quatre Conception par Optimisation d’une DC MHD Pompe 4.10 Conclusion Dans ce chapitre, nous avons présenté une méthodologie de dimensionnement des systèmes électromagnétiques. Le problème de conception a été formulé comme étant un problème d'optimisation avec contraintes utilisant un modèle magnétique obtenu par la méthode des volumes finis. Des méthodes stochastiques ont été appliquées pour explorer l'espace de recherche et localiser la niche de l'optimum global. Pour trouver, exactement la solution optimale, des méthodes déterministes ont été appliquées, ces dernières ont montré, dans notre application des avantages remarquables. Cependant, d'une manière générale, il est connu que, comme toute méthode déterministe, elle ne permet qu'une recherche locale et peut être par conséquent, piégée dans un optimum local. En revanche, les méthodes qui s'avèrent efficaces et permettent d'aboutir à des meilleures solutions sont celles qui combinent une méthode stochastique et une méthode déterministe. Ces méthodes sont connues sous l’appellation de « méthodes hybrides ». Le choix de la méthode la plus performante pour telle ou telle application revient au concepteur. S’il a le savoir faire qu'il le qualifie à faire des dimensionnements personnel et qu’il sait formuler sa fonction objectif et s'il est sûre de sa continuité et de sa dérivabilité, il peut utiliser directement les méthodes déterministes. Dans le cas contraire, on doit utiliser les méthodes stochastiques, dans un premier temps pour localiser la niche de l'optimum global. En pratique, un grand nombre de fonctions à optimiser ne sont pas dérivables et souvent même discontinues. Il est difficile de savoir si la fonction à optimiser satisfait ou non à de telles conditions ; ce qui rend l'application des méthodes stochastiques impératif. Dans le but de valider la procédure de conception adoptée, une modélisation par élément finis, en utilisant le logiciel ANSYS, a été effectuée. Les résultats obtenus sont satisfaisants. 119 Fig. 9 Current density Conclusion Générale Conclusion générale Conclusion générale Dans les années 70, l’industrie électromécanique a connu une grande révolution concernant l’analyse et la conception de nouveaux produits. L’utilisation de méthodes numériques implémentées par des programmes informatiques dans le but de modéliser un dispositif avant sa production a permis l’apparition d’une nouvelle famille d’outils industriels dénommés outils de conception assistée par ordinateur (CAO), [COS 02]. Le présent travail traite une démarche de dimensionnement d’une pompe MHD. Le problème de conception est formulé comme étant un problème d'optimisation non linéaire avec contraintes. Cette démarche est devenue, aujourd'hui, possible, grâce à l’accroissement de la puissance de calcul des ordinateurs et aux développements réalisés dans le domaine de l'optimisation. Dans la première partie, un état de l’art des pompes magnétohydrodynamiques (MHD) et ses différentes applications a été présenté. Pour concevoir un dispositif, il est nécessaire d'effectuer sa modélisation. Actuellement, c'est la modélisation par calcul de champs utilisant la méthode des éléments finis, qui est la plus précise. Cependant, elle reste très lourde pour être utilisée dans une procédure de conception par optimisation. Pour notre étude, la modélisation par la méthode de volumes finis (électromagnétique), offrant un meilleur rapport précision/temps de calcul a été retenue. La modélisation par calcul de champs est utilisée en dernière étape pour valider le modèle obtenu par la méthode des volumes finis. Un code de calcul sous environnement Matlab a été élaboré pour modéliser la pompe MHD. L’exploitation du code de calcul a permis la détermination de principales performances telles que le potentiel vecteur magnétique, l’induction magnétique, les courants induits et la force électromagnétique en absence et en présence d’un noyau ferromagnétique. 120 Conclusion générale Dans le chapitre trois, la formulation mathématique d’un problème d’optimisation avec et sans contraintes et les différentes méthodes d’optimisation stochastiques et déterministes ont été présentées. Dans le chapitre quatre, le problème de conception a été transformé en un problème d’optimisation avec contraintes où la méthode de pénalité extérieure a été retenue. Cette dernière transforme le problème contraint en problème non contraint dont la fonction objectif est modifiée par l’ajout d’une fonction de pénalité. Les trois méthodes stochastiques les plus prometteuses : algorithmes génétiques, recuit simulé et recherche tabou ont été utilisées, ainsi que deux méthodes déterministes : QuasiNewton et Pattern-Search qui ont été aussi implantées dans la conception par optimisation d’une pompe magnétohydrodynamique (MHD). Une comparaison entre les différentes méthodes stochastiques développées et les méthodes déterministes a été réalisée sur le problème de conception effectué. Nous avons constaté que la méthode hybride (AG-QN) est la plus performante pour le problème considéré. Afin de valider la procédure développée pour la conception, un calcul par éléments finis est effectué. Les résultats obtenus sont meilleurs que ceux obtenus par la méthode des volumes finis. Nous avons constaté que les contraintes sont respectées. Suggestions et perspectives : Comme perspectives, on propose l’approche de certains points tels que : Le couplage électromagnétique-hydrodynamique; Le couplage électromagnétique-thermique; La validation du calcul thermique et hydrodynamique par modélisation numérique (ANSYS); Le remplacement, dans la procédure de conception par optimisation, du modèle volume finis par le modèle numérique (MEF); La conception d’un prototype réel de la pompe à induction. 121 Annexe Annexe 1 Algorithme de Métropolis L’algorithme de Métropolis est le critère d’acceptation d’une configuration (ou solution) X du système obtenu en perturbant la configuration courante X X X . ' ' ' ' Après avoir évalué l’énergie du système aux points X et X ( f ( X ) et f ( X ) ). Si l’énergie du système s’améliore par rapport à la solution précédente, on conserve cette nouvelle solution, si non il sera rejeté, [COS01]. Les étapes de l’algorithme de Métropolis sont : 1. Choisir une configuration initiale X ; 2. Perturber la configuration courante, on obtient X X X ; ' ' 3. Evaluation de la fonction objectif aux points X et X c. à. d calculer : f ( X ' ) et f ( X ) ; 4. Si f f ( X X ) < 0 ' Alors : conserver cette solution X ; faire X X ; ' ' Sinon : calculer : p exp(f / T ) ; T : température du système ; 5. Générer un nombre aléatoire R compris entre 0 et 1 ; 6. Si : R ≤ p, Alors : accepter la nouvelle solution X ; faire X X ' ' Sinon : refuser la solution X . Fig. 1 Algorithme de Métropolis 122 ' Références Bibliographiques Références Bibliographiques REFERENCES BIBLIOGRAPHIQUES [BER13] N.Bergoug, ”Contribution à l’Etude d’une Machine MHD Annulaire ”, Thèse de Doctorat en Sciences en Electrotechnique, Université de Batna, 2013. [DOU13] S. M. Douiri, S. Elbernoussi, H. Lakhbab, ”Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques”, Master Codes, Cryptographie et Recherche Mathématiques, Sécurité de l’Information, Laboratoire de Informatique et Applications, Université Mohammed V, Faculté des Sciences de Rabat, 2013. [GHE13] A. Gherboudj, ”Méthodes de résolution de problèmes difficiles académiques”, Thèse de Doctorat 3ème cycle LMD, Université de Constantine2, Faculté des Technologies de l’Information et de la Communication, Département d’Informatique Fondamentale et ses Applications 2013. [TOU 13] A. Toumi, ”Réstoration adaptative d’images par les méthodes intelligentes”, Thèse de Doctorat en Sciences en Génie Electrique, Université de Biskra, 2013. [SAL12] S. Salmon, A. Cornet, M. Baudi, ”Optimization -Metaheuristics”, my-OCCS Dev Blog, http://creativecommons.org/licenses/by-nc-sa/2.0/, 2012. [ELD 12] A. EL Dor, ” Perfectionnement des algorithmes d’Optimisation par Essaim Particulaire. Applications en segmentation d’images et en électronique”, Thèse de Doctorat en Informatique, Université Paris-Est, 2012. [TAW11] M. Tawk, ” Etude et réalisation d’un système de refroidissement pour l’Electronique de 123 Références Bibliographiques Puissance Basé sur la Mise en Mouvement d’un Fluide Conducteur Electrique”, Thèse de Doctorat, Université de Grenoble, Spécialité: Génie Electrique, Mars 2011. [SHA11] F. Shakeri, M. Dehghan, ”A Finite Volume Spectral Element Method for Solving Magneatohydrodynamic (MHD) Equations”, Applied Numerical Mathematics 6, pp. 1-23, 2011. [NTS11] S. N’Tshuika, “Optimisation de Gammes: Application à la Conception des Machines Synchrones à Concentration de Flux“, Thèse de Doctorat en Génie Electrique, Université de Grenoble, 2011. [ALE10] A. Alemany, A. Krauze, ”Générateur Thermo Acoustique MHD pour la Production Directe d’Electricité ”, Société Française de Thermique et Société Française d’Acoustique, Paris 2010. [JAN10] X. Jannot, ”Modélisation et Optimisation d'un Ensemble Convertisseur-Machine. Application Aux Systèmes d'Entrainement à Haute Vitesse”, Thèse de Doctorat en Physique, École Doctorale, Sciences et Technologies de l’Information des Télécommunications et des Systèmes, France, 2010. [YAH10] M. Yahia, ”Modélisation Electromagnétique des Structures Complexes par Couplage des Méthodes”, Thèse de Doctorat en Génie Electrique, Electronique et Télécommunications (GEET), Institut National Polytechnique de Toulouse (INP Toulouse) Mardi 9 Novembre 2010. [IKH10] N. Ikhlef, “Modelisation Numerique d’une Installation Convertisseur –Plasma d’Induction en Vue d’une Commande Optimale”, Thèse de Doctorat en Sciences en Electrotechnique, Université de Batna, 2010. [BEN10] N. Bennecib, “Contribution à l’Etude d’une Machine MHD à Conduction en vue de son Exploitation sur un Réseau Electrique”, Thèse de Doctorat en Sciences en 124 Références Bibliographiques Electrotechnique, Université de Batna, 2010. [RAP10] F. Rapetti, “Approximation des Equations de la Magnétodynamique en Domaine Tournant par la Méthode des Eléments avec Joints“, Thèse de Doctorat en Mathématiques Appliquées, l’Université Paris 6, 2010. [LOU10] Y. Louvrie, “Etude et Optimisation d'un Convertisseur DC/DC à Canaux Multiples Entrelacés“, Thèse de Doctorat en Science École Polytechnique Fédérale de Lausanne, 2010. [SOU10] M. Souier, A. Hassam, Z. Sari, “Metaheuristiques pour la Manipulation de Routages Alternatifs en Temps Réel dans un FMS “, International Conférence on Industrial Engineering and Manufacturing ICIEM’10, May, 9-10, 2010, Batna, Algeria. [ZER09] M. Zeriab ES-Sadek, “Contribution à l’Optimisation Globale. Approche Déterministe et Stochastique et Application“, Thèse en Cotutelle, Université Mohammed V – Agdal, 2009. [ABD07] A. Abdelli, “Optimisation Multicritère d’une Chaîne Eolienne Passive“, Thèse de Doctorat en Génie Electrique, Institut National Polytechnique de Toulouse, 2007. [BOU07] C. Boulbe, “Contribution à la résolution des équations de la magnétohydrodynamique et de la magnétostatique “, Thèse de Doctorat, Université de Pau et des pays de l’Adour, 2007. [BRI07] S. Brisset, “ Démarches et Outils pour la Conception Optimale des Machines Electriques“, Thèse d’Habilitation, Université des Sciences et Technologies de Lille, 18 décembre 2007. [SAA06]. B. Saadi, “Contrôle Electromagnétique des Transferts de Masse aux Interfaces Liquide/ Liquide “, Thèse de Doctorat, Institut National Polytechnique de Grenoble, 2006. [FLE06] C.AJ. Fletcher, 125 Références Bibliographiques “Computational Techniques for Fluid Dynamics 2”, Springer Series in Computational dynamics, 2006. [LEF06] A. Lefevre, ”Contribution à la Modélisation Electrique, Electromagnétique et Thermique des Transformatrices Applications à l'Etude de l'Echauffement sur Charges non Linéaires”, Thèse de Doctorat, Université de Nantes en Electronique et Génie Electrique, Polytechnique Nantes, octobre 2006. [BRY06] K. Bryan, P. Cunningham and N. Bolshakova, ”Application of Simulated Annealing to the Biclustering of Gene Expression Data”, IEEE Transactions on Magnetics. On Information Technology in Biomedicine, vol.10, N°.3, pp. 519-524, July 2006. [BOU06] K. .Bouali, “ Étude et Conception de Structures Electromagnétiques Utilisant des Matériaux Comp Fer - Résine “, Thèse de Magistère en Electrotechnique, Université de Batna, 2006. [TAK 05]. M. Takeda, Y. Okuji, T. Akazawa, X. Liu andT. Kiyoshi, “Fundamental Studies of Helical- Type Seawater MHD, Generation System” IEEE Trans on Applied Superconductivity, vol.15, N°.2, June 2005. [MOK05] L. Mokrani, “ Contribution à la CAO Optimiser des Machines Electriques, Application au Moteur Linéaire à Induction”, Thèse de Doctorat d’Etat, Université de Batna, 2005. [KAD04] F. Z. Kadid, “ Contribution à l’étude des convertisseurs MHD à induction “, Thèse de doctorat, Université de Batna, 2004. [HAD03] O. Hadji, “ Contribution Au Développement de Méthodes d’Optimisation Stochastiques Application a la Conception des Dispositifs Electrotechniques“, Thèse de Doctorat en Génie Electrique, Ecole Centrale, Université des Sciences et Technologie, Lille, 20003. [TAI02] S. Taibi, ”Contribution à l’Etude, la Conception, de Dimensionnement et l’Optimisation 126 Références Bibliographiques de Machine à Réluctance Variable de Type Vernier”, Thèse de Doctorat, Université des Sciences et Technologies de Lille, 2002. [KUN02] Pijush. K. Kundu, Ira. M. Cohen, “Fluid mechanics”, Elsevier Science (USA), 2nd Edition 2002. [HOA02] D. Hoang, “Détermination Simultanée de la Résistivité et de l'Epaisseur des Tôles Métalliques et d'Alliages non Magnétiques par Méthode Electromagnétique Sans Contact“, Thèse de Doctorat, Ecole Doctorale Electronique, Electrotechnique, Automatique, Lyon, 2002. [POT01] J. Pothwell, Michael J. Cloud, ” Electromagnetic”, by CRC Press LLC, 2001. [COS01] M. Caldora Costa, “Optimisation de Dispositifs Electromagnétiques dans un Contexte d’Analyse par la Méthode des Eléments Finis“, Thèse de Doctorat de L’INPG, en Génie Electrique, École Doctorale EEATS Grenoble, 28 Juin 2001. [BER01] Gérard Berthiau et Patrick Siarry, “ État de L'Art des Méthodes d'Optimisation Globale”, Journals.cambridge.org/article, pp.329 365, 2001. [BLO00] John J. Bloomer, Marcel Dekker, “Practical Fluid Mechanics for Engineering Application” Inc. New York, 2000. [ABD98] R. Abdessemed, M.S. Aggoune et F.Z. Kadid, ” Magnétisme Cours et Exercices Corrigés ”, Presses de l’université de Batna, 1998. [FAR98] J.P. Faroux and J.Renault, ”Cours de l’éléctrotechnique ”, Dunode Paris, 1998. [BOR98] C.A.Borghi,Cristofolini and M. Fabbri, “Study of the design model of a Liquid Metal Induction Pump“, IEEE Transactions on Magnetics, Vol.34, N°5, pp. 2956-2959, September 1998. [BOR97] C.A. Borghi, A.Cristofolini and P.L. Ribani, “Analysis of Magneto-Plasma Dynamic Transients in a Combustion Gas Magnetohydrodynamic Generator“, Journal of Physics and Plasma, Vol.4, N°8, 127 Références Bibliographiques pp. 3082-3090, 1997. [TAK96] N. Takahashi, K. Ebihara, K. Yoshida and T. Nakata, ” Investigation of Simulated Annealing Method and Its Application to Optimal Design of Die Mold for Orientation of Ma Powder”, IEEE Transactions on Magnetics, vol. 32, N° 3, pp. 1210- 1213, May 1996. [CON95] V.N. Constantinescu, “Laminar Viscous Flow“, Springer-Verlag New York, 1995. [TRO95] C.Trophine, “Modélisation Numérique du Couplage Magnétohydrodynamique (MHD) fort Application à la Propulsion MHD Navale“, Université de Grenoble, 1995. [CON95] D. Convert, “ Propulsion Magnétohydrodynamique en eau de mer “, Thèse de Doctorat, Institut de mécanique, Université Joseph Fourier Grenoble, 1995. [CUL94] J. C. Culioli, “Introduction à l’Optimisation”, Ed. Ellipses, 1994. [KON93] A.D. Kone, B. Norgarede et M. Lajoie Mazene, ”Le Dimensionnement des Actionneurs Eletcriques : un Problème de Programmation non Linéaire”, J. Physics, vol.3, pp. 285-301, February 1993. [LEB92a] L. Leboucher, “Optimisation des Convertisseurs MHD à Induction : Problème Inverse en Eletromagnétisme“, Thèse de Doctorat , Université de Grenoble, 1992. [SAD92] O. N.O. Sadiku, “Numerical Technique in Electromagnetic “, CRC press, 1991. [SAR92] B. sareni, ”Méthodes d'Optimisation Multimodales Associées a la Modélisation Numérique en Electromagnétisme”, Thèse de Doctorat en Génie Electrique, Ecole Centrale de Lyon, 1992. [BER91] R. Berton, ”Magnétodynamique ”, Editions Masson, Paris, 1991. [MOT91] S.Motora, K. Imaichi, M.Nakato, S.Takesawa, “An outline of the R&D project on Superconducting MHD ship propulsion in Japan” MHDs91, Int.Synp. On Superconducting magneto hydrodynamic ship 128 Références Bibliographiques propulsion, Proceedings, pp.53-68, Japan, Oct.1991. [FLE87] R. Fletcher, “Practical Methods of Optimization”, John Wiley & Son, 1987. [BOL85] I.Boldea, S.A. Nasar, “Linear Motion Electromagnetic System“, John Wiley and Sons, 1985. [SAB85] J.C. Sabonnadiere, J.L. Coulomb, ” CAO En Electrotechnique”, Hermès Publishing, Paris, 1985. [TAD84] E.Tada, Y.Saji, K.Kuroshi and T. Fujimaga, “Fundamental Design of a Superconducting EMT Icebreaker”, Trans., Vol.97, conf.3, paper 6, pp.49-57, 1984. [DHA84] G.Dhatt, G. Touzot, “ Une Présentation de la Méthode des Eléments Finis “, Maloine Editeur Paris, 2ème Edition, 1984. [PAN84] R.L. Panton, “Imcompressible Flow“, John Wiley and Sons, 1984. [CHE83] D.K. Cheng “Field and Wave Electromagnetics”, Addison Wesley series in Electrical Engineering, 1983. [GIE82] H. Gie, J. P. Sarmant, ”Electromagnétisme 2”, Lavoisier Paris ,1982. [PAN80] S.V. Patankar, “Numerical Heat Transfer Fluid Flow“, Hemisphere Publishing Corporation, 1980. [DUD68] S.J. Dudzinsky, T.C. Wang, “MHD Induction Generator”, Proceedings of the IEEE, Vol.56, N°.9, September 1968. [GOF65] R. Goffaux “ Les Générateurs Magnétohydrodynamiques “, CDU., Revue N°4, 1965. [PHI62] O.M. Phillips, “The Prospects for Magneto Hydrodynamic Ship Propulsion”, J. of Ship Research, March.1962, pp 43-51 [RIC61] W.A. Rice, 129 Références Bibliographiques U.S. Patent 2997013, August 12, 1961. [FRI60] J.B. Friauf, “Electromagnetic Ship Propulsion “, J. of Amer. Soc. Of Naval engrs., Feb. 1960, pp 139-142. 130 Résumé Contribution à l’étude et l’optimisation des convertisseurs magnétohydrodynamiques (MHD) RESUMÉ Dans cette thèse une conception par optimisation utilisant des méthodes stochastiques, déterministes et hybrides d’une pompe magnétohydrodynamique à conduction a été réalisée. Le problème de conception est formulé comme étant un problème d'optimisation non linéaire avec contraintes. Cette démarche est devenue, aujourd'hui, possible, grâce à l’accroissement de la puissance de calcul des ordinateurs et aux développements réalisés dans le domaine de l'optimisation. Plusieurs techniques d'optimisation ont été utilisées. Nous avons constaté que la méthode Hybride (AG-QN) est la plus performante pour notre problème. Afin de valider la procédure développée pour la conception, un calcul par éléments finis est effectué. Les résultats obtenus confirment ceux de la modélisation par la méthode des volumes finis. ABSTRACT In this thesis an optimal design by using stochastic, deterministic and hybrid methods of conduction magnetohydrodynamic pump was performed. The design problem is formulated as a nonlinear optimization problem with constraints. This approach is now possible, due to the increase of computers power and the developments in the optimization field. To validate the developed procedure for the design, the finite element method is used. The obtained results confirm those of the modeling using the finite volume method. الملخص القطعية واألساليب الهجينة لمضخة،في هذه األطروحة تم إجراء التصميم باستخدام الطريقة األمثل العشوائية وقد أصبح هذا النهج الممكن.( وقد صيغت مشكلة التصميم كمشكلة التحسين غير خطية مع القيودMHD). مغناطيسية . وذلك بفضل زيادة القدرة الحاسوبية ألجهزة الكمبيوتر والتطورات في مجال التحسين،اآلن للتحقق من صحة النتائج قمنا بعملية النمذجة بطريقة حساب العنصر المحدود النتائج ألمتحصله تؤكد صحة الطريقة .المتبعة