Caractérisation de la combustion de gouttes d’aluminium en conditions propergol solide : exploitation quantitative d’images d’ombroscopie par deep learning
Mots clés
Propulsion fusée, propergol solide, aluminium, combustion, analyse d’images, réseau de neurone convolutif, apprentissage profond
Description
Pour la propulsion fusée, l’aluminium est inclus dans les compositions de propergol solide composite car il améliore les performances (+10% en poussée). Mais la combustion de l’aluminium peut avoir un impact négatif, comme source d’oscillations de pression dans les propulseurs solides via le phénomène d’instabilité thermo-acoustique (ITHAC), encore mal prédit [1].
Des travaux effectués à l’ONERA ont permis de modéliser la combustion d’une goutte d’aluminium avec des modèles détaillés de transport moléculaire et de cinétique de surface [2]. Il s’agit de la combustion de gouttes liquides binaires (aluminium & calotte d’alumine) dans un environnement gazeux oxydant. Mais seuls des modèles réduits permettent de simuler des propulseurs réels complets. De tels modèles reposent sur des hypothèses fortes qui induisent des incertitudes, comme l’évolution de l’alumine formée en surface. La validation des modèles passe par des comparaisons avec des données expérimentales représentatives, par exemple l’ombroscopie haute cadence utilisée à l’ONERA. L’exploitation des images d’ombroscopie par des méthodes classiques fournit déjà la taille (détection MSER) et la vitesse des gouttes d’aluminium (suivi par filtre de Kalman) [3], mais restent perfectibles.
L’exploitation de données expérimentales d’ombroscopie a permis ces dernières années l’utilisation de réseaux de neurones convolutifs (CNN) entraînés par apprentissage profond. Des outils ont déjà été développés dans deux thèses ONERA / CNES (M. Nugue [5], M. Airiau), utilisant les réseaux U-NET et MASK R-CNN [4]. Ces méthodes permettent de détecter les gouttes visées (cibler leur localisation) et de définir leur forme précise à l’aide d’un masque. Il s’agit d’une approche de segmentation d’instance, combinant détection et segmentation sémantique. Dans notre cas, l’apprentissage du réseau Mask R-CNN a même été modifié pour réduire les biais sur l’estimation des distributions de taille [6]. Cela permet un progrès notable sur l’estimation sur la caractéristique de la taille des gouttes [7], de leur évolution de vitesse proche de la surface…
Figure 1 : Image expérimentales d’ombroscopie montrant la combustion de gouttes d’aluminium en propulsion solide
Figure 2. Détection et segmentation de gouttes d'aluminium par le réseau Mask R-CNN après entraînement.
Références
[1] Orlandi O. et al. (2019) Aluminium droplets combustion and SRM instabilities, Acta Astronautica, 158, pp. 470-479.
[2] Muller M. (2019) Modélisation de la combustion de gouttes d'aluminium dans les conditions d'un moteur fusée à propergol solide, Thèse de doctorat, Sorbonne université.
[3] Devillers, R., et al. (2019). Experimental analysis of aluminum-droplet combustion in solid-propellant conditions using deep learning. In EUCASS 2019.
[4] He, K., et al. (2017). Mask r-cnn. In Proceedings of the IEEE international conference on computer vision (pp. 2961-2969).
[5] Nugue M. (2019) Outils pour l'étude conjointe par simulation et traitement d'images expérimentales de la combustion de particules d'aluminium utilisées dans les propergols solides, manuscrit de thèse de doctorat
[6] Airiau, M., Chan-Hon-Tong A., Devillers, R., Le Besnerais, G. (2023) Regressing sub-populations distribution, Sensors 22 (23), 9218
