L’industrie éolienne et l’aéronautique ont des besoins importants en matière de mesure de vent dans les premières centaines de mètres de l’atmosphère. Les lidars sont des instruments répandus et éprouvés pour ce type de mesure. Cependant, leurs qualités d’acquisition sont atténuées par un bruit de mesure systématique. En utilisant des techniques sur le filtrage nonlinéaire nous avons participé au développement d'un algorithme qui améliore l’estimation du vent et de la turbulence. Cet algorithme est basé sur une représentation de l’atmosphère par des particules fluides. Il utilise un modèle lagrangien stochastique de turbulence et un filtrage par sélection génétique. Son efficacité dépend du réglage de certains paramètres, fixés à une valeur acceptable à l’issue de la phase de développement. Mais l’influence de ces paramètres n’a jamais été étudiée. Ce travail de thèse répond à cette question par une analyse de sensibilité basée sur la décomposition de variance. De nouveaux estimateurs pour les indices de Sobol, utilisant des régression pénalisées, ont été testés. Ces estimateurs mettent les indices de Sobol les plus petits automatiquement à zéro pour faciliter l’interprétation globale. L’analyse de sensibilité permet de réduire le système à 9 entrées et 5 sorties à un système de 3 entrées (le nombre de particules, le bruit d’observation réel et le bruit d’observation donné au filtre) et 2 sorties (la pente du spectre de vent et l’erreur sur le vent). Grâce à ce système réduit, nous mettons en évidence une méthode de réglage des paramètres d’entrée les plus importants. Le bruit d’observation donné au filtre est bien réglé lorsque la pente du spectre est à la valeur cible de -5/3. Une fois ce bruit réglé, l’erreur sur le vent est minimale avec une expression connue. / Wind energy industry and airport safety are in need of atmospheric observations. Remote sensors, such as lidars, are well proven and common technology to provide wind measurements in the first hundreds of meters of altitude. However, acquisition abilities of lidars are polluted by measurement noise. Using non-linear filtering techniques, we took part at the development of an algorithm improving wind and turbulence estimations. The process is based on a representation of the atmosphere with fluid particles. It uses a stochastic Lagrangian model of turbulence and a genetic selection filtering technique. Its efficiency depends of the setting of various parameters. Their values were fixed experimentally during the development phase. But their influence has never been assessed. This work addresses this question with a variance-based sensitivity analysis. New estimators of Sobol indices, using penalized regression have been tested. These estimators ensure the lowest Sobol indices automatically go to zero so the overall interpretation is simplified. The sensitivity analysis allows to reduce the system from 5 outputs and 9 inputs to 3 inputs (number of particles, real observation noise, observation noise given to the filter) and 2 outputs (wind spectrum slope, root-mean-squared error on wind). With this reduced system we determined a procedure to correctly set the most important parameters. The observation noise given to the filter is well set when the wind spectrum slope has the expected value of -5/3. Once it is set correctly, the error on wind is minimum and its expression is known.
| Identifer | oai:union.ndltd.org:theses.fr/2017INPT0073 |
| Date | 13 November 2017 |
| Creators | Rieutord, Thomas |
| Contributors | Toulouse, INPT, Gamboa, Fabrice, Dabas, Alain |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0011 seconds