L’ajout de particules d’aluminium dans le chargement des moteurs à propergol solide améliore les performances propulsives, mais peut aussi entraîner différents phénomènes néfastes, dont des oscillations de pression. Des travaux de recherche sont réalisés depuis de nombreuses années afin d’améliorer la compréhension de ces phénomènes, notamment par l’utilisation de la simulation numérique. Cependant les données d’entrée de la simulation numérique, en particulier la taille et la vitesse initiale des particules d’aluminium dans l’écoulement, sont souvent difficiles à obtenir pour des propulseurs réels. L’ONERA développe depuis plusieurs années un montage d’ombroscopie permettant de visualiser les particules d’aluminium proches de la surface de petits échantillons en combustion. La présente étude porte sur le développement d’outils pour analyser les images expérimentales du montage d’ombroscopie et améliorer l’interaction avec la simulation numérique diphasique. Une première partie concerne des échantillons de propergol contenant des particules inertes, dont l’intérêt est de permettre de valider les méthodes de mesure sur des images relativement simple et avec des données de référence. Les outils mis en œuvre portent sur la détection et le suivi des particules dans des séquences d’image, ainsi que sur la localisation de la surface du propergol. Une bonne correspondance des distributions de taille a été obtenu avec les distributions de référence. La mise en vitesse des particules quittant la surface a été confrontée à un modèle simplifié de transport de particules dans un écoulement constant. L'utilisation de ce modèle a permis de souligner l'importance de la population de pistes détectées pour bien exploiter un profil de vitesse moyen, en particulier en termes de diamètre moyen. Une simulation numérique diphasique a ensuite été réalisée pour l’expérience d’ombroscopie. Différents paramètres ont été étudiées (type et taille de maillage, paramètres thermodynamiques...) afin d'obtenir un champ stationnaire simulé pour les gaz du propergol. Le mouvement des particules inertes simulées a pu être comparé aux profils expérimentaux pour différentes stratégies d'injection, soit en utilisant un diamètre moyen, soit à partir d’une distribution lognormale. L’autre partie de l'étude est consacrée à l’analyse des images expérimentales de la combustion de particules d’aluminium. La complexité des images dans ces conditions a conduit à utiliser une approche de segmentation sémantique par apprentissage profond, visant à classer tous les pixels de l'image en différentes classes, en particulier goutte d'aluminium et flamme d'aluminium. L’apprentissage a été mené avec une base restreinte d’images annotées en utilisant le réseau U-Net, diverses adaptations pour le traitement des images d’ombroscopie ont été étudiées. Les résultats sont comparés à une technique de référence basée sur une détection d’objets MSER. Ils montrent un net gain à l’utilisation de techniques neuronales pour la ségrégation des gouttes d'aluminium de la flamme. Cette première démonstration de l'utilisation de réseau de neurones convolutifs sur des images d'ombroscopie propergol est très prometteuse. Enfin nous traçons des perspectives côté analyse d’image expérimentales et simulation numériques pour améliorer l’utilisation conjointe de ces deux outils dans l’étude des propergols solides. / The addition of aluminum particles in the solid propellant loading improves propulsive performance, but can also lead to various adverse phenomena, including pressure oscillations. Research has been carried out for many years to improve the understanding of these phenomena, particularly through the use of numerical simulation. However, the input data of the numerical simulation, especially the size and the initial velocity of the aluminum particles in the flow, are often difficult to obtain for real rocket motors. ONERA has been developing a shadowgraphy set-up for several years to visualize aluminum particles near the surface of propellant samples in combustion. The present study deals with the development of tools to analyze the experimental images of the shadowgraphy set-up and to improve the interaction with the two-phase digital simulation. A first part concerns propellant samples containing inert particles, which interest is to make it possible to validate the measurement methods on relatively simple images and with reference data. The implemented tools concern the detection and the tracking of particles in image sequences, as well as the location of the surface of the propellant. Good correspondence of size distributions was obtained with reference distributions. The velocity of particles leaving the surface has been confronted with a simplified model of particle transport in a constant flow. The use of this model has made it possible to emphasize the importance of the population of detected tracks in order to make good use of an average velocity profile, particularly in terms of average diameter. A two-phase flow simulation was then carried out for the shadowgraphy experiment. Different parameters were studied (type and size of mesh, thermodynamic parameters ...) in order to obtain a simulated stationary field for propellant flow. The movement of the simulated inert particles could be compared to the experimental profiles for different injection strategies, either using a mean diameter or using a lognormal distribution. The other part of the study is devoted to the analysis of experimental images of the combustion of aluminum particles. The complexity of the images under these conditions has led to the use of a deep learning semantic segmentation approach, aiming to classify all the pixels of the image into different classes, in particular aluminum droplet and flame. The learning was conducted with a restricted base of annotated images using the U-Net neural network, with various adaptations on the processing of the experimental images were studied. The results are compared to a reference technique based on MSER object detection. They show a clear gain in the use of neural techniques for the segregation of aluminum drops of the flame. This first demonstration of the use of convolutional neuronal network on propellant shadowgraphy images is very promising. Finally, we draw perspectives on experimental image analysis and numerical simulation to improve the joint use of these two tools in the study of solid propellants.
| Identifer | oai:union.ndltd.org:theses.fr/2019SACLS229 |
| Date | 11 October 2019 |
| Creators | Nugue, Matthieu |
| Contributors | Paris Saclay, Le Besnerais, Guy |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0039 seconds