Chapitre V : Prédiction de la fatigue des pales d’éoliennes
V.2 Effet d’environnement sur la fatigue des pales d’éoliennes
Les effets environnementaux sur les matériaux composites doivent être pris en compte au
début de la conception des pales d’éoliennes, sinon les échecs et les itérations de conception se révéleront une perte de temps, d’énergie et d’argent. La température et l’humidité sont les plus importants facteurs de dégradation d’une pale d’éolienne, à prendre en considération au cours de sa conception ; elles affecteront en premier lieu la matrice en résine, et éventuellement l’interface.
Le but de cette première section est d’identifier les résines qui ont une bonne résistance à la température/humidité tout en offrant une meilleure tenue en fatigue. Les résines étudiées sont des polymères thermodurcissables y compris : les polyesters insaturés et les vinylester. Ils sont tout à la fois appropriés aux pales d’éoliennes en termes de coût et de faible viscosité pour un traitement ductile par "moulage par transfert de résine (RTM)".
Les réseaux de neurones utilisés dans cette partie ont pour but de prédire la tenue en fatigue des matériaux composites des pales d’éoliennes sous l’effet de l’environnement, et dans des conditions extrêmes (sèches/humides). Les échantillons utilisés pour ce procédé ont été testés dans des températures d’air de 20 °C et 50 °C.
V.2.1 Hygro-thermo-mécanique des pales d’éolienne
L’état du problème, illustré par la figure (V.2), est du type hygro-thermo-mécanique, car la structure de la pale est supposée soumise à trois types de sollicitations d’origine :
mécanique (forces de rafale, tempêtes...) ; thermique (variation de la température) ; hygrométrique (variation de l’humidité).
Les équations constitutives gouvernant le comportement hygro-thermo-mécanique d’un composite stratifié (faces extrados et intrados) sans prise en compte du cisaillement transverse, sont exprimées d’après [38, 39] par la forme matricielle compacte suivante:
Chapitre V Prédiction de la fatigue des pales d’éoliennes
79
Fig. V.2 : Pale soumise à un chargement de type hygro-thermo-mécanique
{ } [ ] { } { } { } ( )
Où représentent respectivement les variations de la température et de l’humidité.
Viennent ensuite les méthodes numériques consistant à simuler la pale à travers un modèle numérique qui sera résolu par la méthode des éléments finis (MEF). L’élaboration d’un tel modèle n’est pas toujours simple étant donné la forme complexe de la pale, l’anisotropie du matériau, le type de chargement et le degré de précision.
Après cette analyse, il s’avère nécessaire de renforcer la section de la pale par des raidisseurs longitudinaux. Dans ces conditions, une étude préliminaire doit être entreprise afin de déterminer le nombre de raidisseurs adéquats ainsi que leur position par rapport au bord d’attaque.
V.2.2 Comportement du gelcoat aux contraintes climatiques
Les éoliennes implantées en mer (offshore) et sur terre (onshore) sont exposées, selon la climatologie de la région, à des contraintes d’ordre climatique telles que les variations de température, d’humidité et les grains de sable liés aux tempêtes. Ces phénomènes naturels peuvent facilement endommager la peau de la pale (gelcoat) [38]. Cependant, une pale d’éolienne en matériaux composites est hautement durable si la couche du gelcoat qui la protège du milieu extérieur présente de bonnes caractéristiques physico-chimiques (bon module d’élasticité, bon allongement à la rupture, résistance au sablage, épaisseur adéquate, absence de porosité...).
Le mauvais choix de ces caractéristiques peut engendrer à court et/ou à long terme des risques de formation de cloques, de création de petites cavités, d’apparition de fissures et craquelures, engendrant ainsi un isolement du stratifié du milieu extérieur et facilitant le contact avec les phénomènes naturels (givrage, variation de la température, contact avec l’eau de mer et de pluie, tempêtes de sable, etc..). Ces risques peuvent être considérés comme les premiers facteurs accélérant la dégradation, le vieillissement et la réduction de la durée de vie d’une pale d’éolienne. Néanmoins, lors du processus de conception, une étude sur le comportement du gel-coat aux phénomènes climatiques ainsi qu’aux sollicitations d’origine
80
hygro-thermo-mécanique doit faire l’objet d’une étude particulière afin de prédire les effets indésirables à court et/ou à long terme.
V.2.3 Procédure expérimentale et échantillons
La phase expérimentale a été réalisée par les laboratoires nationaux de SANDIA sur la fatigue des matériaux composites des pales d’éoliennes, et se trouve sous forme d’une base de données sur leur site internet [84]. Le tableau (V.1) présente les types, les sources de résine et de renforcement utilisés au cours du processus de fabrication. Tous ces matériaux présentés dans ce tableau ont été traité par « moulage par transfert de résine RTM » dans des moules fermés, y compris les échantillons de résine pure (sans renforcement), qui ont été moulés dans leur forme définitive « Os de chien ou dogbone en Anglais » sans usinage.
Tab. V.1 : Différentes résines étudiées
STRATIFIÉ MATRICES DE RÉSINE
Nomenclature Séquence d’empilem ent Volume de fibre (%)
Résine Description Dénomination
commerciale Fournisseur MD-DD5P-UP2 [0/±45/0]S 35-36 Ortho-polyester Orthophtalique CoRezyn 63-AX-051 Interplastics Corporation Iso-polyester Isophthalique CoRezyn 75-AQ-010 MD-DD5P-VE [0/±45/0]S 35-36 Vinyl ester 411C-50
Non modifié Derakane
411C-50 Dow
Chemical Vinyl
ester 8084 Caoutchouc durci Derakane 8084
TISSU EN FIBRE Tissu en fibre
de verre Orientation Type
Poids surfacique
(g/m2) Fournisseur
Knytex D155 0 ° Tissus
unidirectionnels Cousu unidirectionnel 527
Owens Corning fabrics
Knytex DB120 ±45 Tissus biais, cousus 393 Owens Corning
fabrics
V.2.3.1 Renfort en verre
Le renforcement au cours des expériences est un tissu de verre classe « E » fourni par Owens-Corning (Knytex). Il existe deux types de tissus utilisés dans la préparation des échantillons [85]: Les couches de 0° (par rapport à la direction de charge) ont été renforcées avec cousu D155 de tissu unidirectionnel ; les couches de degré 45 ont été renforcées avec cousu DB120 de tissus diagonaux. Toutes les fibres incluses ont un usage général à base de silane qui est compatible avec tous les types de résines utilisées. D’autres détails des tissus et de renfort peuvent être trouvés dans la référence [86].
V.2.3.2 Matrice en résine
Quatre types de résines sont comparés dans cette section, qui représente les résines potentielles pour la conception des pales d’éoliennes en termes de coût et d’aptitude à
Chapitre V Prédiction de la fatigue des pales d’éoliennes
81
transfert de résine (faible viscosité). Des résines polymères thermodurcissables y compris des polyesters et des vinylesters ont été étudiées:
CoRezyn orthophtalique polyester insaturé (63-AX-051), fourni par Interplastics Corporation. La résine a été durcie par addition de 1,5 % de peroxyde de Méthyléthylcétone (MEKP) [87]. Cette résine est la résine primaire utilisée dans la base de données de fatigue de DOE/MSU [84]. Ainsi, elle est la résine la plus économique, et sert de référence à laquelle les autres résines sont comparées [88]. CoRezyn isophtalique polyester insaturé (75-AQ-010) fourni par Interplastics
Corporation, durcie avec 1,5 % de peroxyde de Méthyléthylcétone (MEKP).
Derakane 411C-50 vinylester, fourni par Dow Chemical, traité avec 2 % de Trigomox 239A comme catalyseur [89].
Derakane 8084 vinylester caoutchouc-durci, fourni par Dow Chemical Company. Le Naphténate de Cobalt -6 % (CoNap) est ajouté en tant que promoteur, et 2 % Trigomox 239A est ajouté comme catalyseur [89].
V.2.3.3 Préparation des échantillons et géométries
Peaux composites raidies sont une structure d’ingénierie largement utilisée. Outre l’application en cours dans les pales d’éoliennes, les structures du raidisseur de peau sont utilisées dans presque tous les designs de fuselage d’aéronefs (Fig. V.3a). Un mode de défaillance primaire pour ces régions est le délaminage [90]. Ceci est dû à un certain nombre de facteurs liés aux propriétés des matériaux, méthodologie de conception et les directions de transfert de charge.
Une fois les plaques fabriquées et onglées, les échantillons peuvent être coupés. La géométrie de l’échantillon (Fig. V.3b) peut fortement affecter les résultats expérimentaux et il est important de décider lequel utiliser pour les essais [91]. Tous les échantillons ont été préparés en utilisant le moulage par transfert de résine (RTM). Les tissus ont été coupés par un couteau roulant et empilés dans le moule suivant la séquence d’empilement « lay-up » donnée dans chaque cas.
Fig. V.3a : Test de fatigue typique d’une peau-raidisseur [90, 92]
Fig. V.3b : Géométrie et dimensions d’un T-échantillon peau-raidisseur [90, 92]
82
La résine spécifique mélangée à un catalyseur correspondant est transférée dans la cavité du moule à l’aide d’un système RTM 2100 de Radius Engineering Incorporation ou une pompe péristaltique de Cole Parmer Co (modèle 7553) [78] ; le choix de l’équipement dépend de la taille de la plaque et le processus de durcissement.
V.2.3.4 Conditionnement environnemental
Tous les échantillons ont été usinés à partir des plaques en utilisant une scie à diamant refroidie à l’eau ; leurs bords ont été poncés avant le conditionnement. Des échantillons secs ont été stockés dans l’air ambiant du laboratoire, qui est défini comme une température ambiante de l’ordre de 23 °C avec une faible humilité [78]. D’autres échantillons secs ont été stockés également dans l’étuve à 50 °C qu’ils sont définis comme « 50 °C sec ». De plus, les échantillons humides ont été emmagasinés dans un récipient en plastique d’eau distillée à 50 °C dans une étuve ; cela est défini comme « 50 °C humide » [93].
V.2.4 Réseaux de neurones artificiels
Au cours des dernières années, les RNA ont trouvé leur application dans le domaine de la fatigue pour divers usages. Ils peuvent être classés comme réseau de neurones feed-forward ou non-bouclés en fonction du traitement des données à travers le réseau. Selon les règles d’apprentissage, ils peuvent être classés comme supervisés ou non supervisés [94].
En général, les RNA feed-forward sont constitués d’une couche de neurones d’entrée, une couche de neurones de sortie et une ou plusieurs couches de neurones cachées [95, 96]. Habituellement, ces réseaux sont entièrement connectés, ce qui signifie qu’un neurone dans une couche quelconque du réseau est connecté à tous les neurones de la couche précédente. Chaque neurone dans les couches cachées et de sortie suit le modèle général d’un neurone [80]. Le signal d’entrée se propage à travers le réseau dans une direction vers l’avant, sur une base « couche par couche ». Diverses fonctions de transfert tel que sigmoïde, linéaires ou triangulaires ont été utilisés pour modéliser l’activité neuronale.
Fig. V.4 : Principe de l’entraînement du réseau par rétropropagation de l’erreur
L’entrée d’un nœud i dans la couche est donnée par:
E n t r é e s Sortie du réseau y y - yd Sortie désirée yd Réadaptations des poids Couche cachée Erreur wo wi
Chapitre V Prédiction de la fatigue des pales d’éoliennes
83
[∑ ] ( )
Où signifie les connexions de poids pour le nœud dans la ( ) couche au nœud i dans la couche ; est la sortie du nœud dans la couche et est le seuil associé au nœud dans la couche [97, 98].
L’algorithme d’entrainement de la rétropropagation « Backpropagation BP » est couramment utilisé pour minimiser itérativement la fonction de coût « cost function » par rapport aux poids d’interconnexion et les neurones seuils:
∑ ∑( )
( )
Où est le nombre de motifs d’apprentissage et est le nombre des nœuds de sortie ; et sont les réponses désirées et réelles pour le nœud de sortie respectivement. Les poids d’interconnexion entre le nœud et le nœud sont actualisés comme suit:
( ) ( ) ( ) ∑( ) ( )
( )
Où est une constante de mouvement ; est le taux d’apprentissage ; est le motif d’entrée à l’échantillon itératif ; est l’entrée au nœud à la couche de sortie; est l’entrée au nœud j dans la couche ; la fonction est la dérivée de la fonction d’activation du neurone. Le taux d’apprentissage détermine le montant de la sensibilité à l’erreur calculée. Ainsi, il affecte la vitesse de convergence et la stabilité des poids au cours de l’apprentissage [94]. La « meilleure » valeur du taux d’apprentissage dépend des caractéristiques de la surface d’erreur. Pour changer rapidement les surfaces, un taux plus faible est souhaitable alors que pour les surfaces lisses « smooth surfaces of error », une plus grande valeur du taux d’apprentissage permettra d’accélérer la convergence. La constante du momentum (comprise généralement entre 0.1 et 1) permettre d’actualiser les poids, d’empêche les oscillations et aider le système à échapper les minimums locaux dans le processus d’entrainement en le rendant moins sensible aux variations locales. Le processus d’entraînement est terminé si l’erreur quadratique moyenne (MSE), la racine de l’erreur quadratique moyenne (RMSE) ou l’erreur quadratique moyenne normalisée (NMSE) soit entre les valeurs expérimentales et les prédictions par RNA, ou atteint un seuil prédéfini d’un nombre d’itérations d’apprentissage.