3.4 Mise en oeuvre de la démarche d’optimisation
3.4.1 Optimisation de la géométrie
3.4.1.1 Modèle d’analyse
Le dimensionnement des machines synchro-réluctantes à barrières de flux est très complexe, non seulement à cause du grand nombre de paramètres indépendants (géométriques et électriques) mis en jeu, mais également du fait de fortes non linéarités des phénomènes électromagnétiques qui en régissent le fonctionnement.
Ainsi dans un souci d’efficacité dans la méthodologie d’analyse et de précision (fiabilité) des résultats, il devient nécessaire de se tourner vers une modélisation éléments finis. Nous avons fait le choix de mettre en place un modèle éléments finis à 2 dimensions, avec les hypothèses que ceci implique.
Une modélisation 2D suggère que tous les phénomènes qui se déroulent dans le plan de modélisation se répètent à l’identique dans tous les autres plans le long de l’axe de la machine (invariance de la géométrie, des sources et des matériaux).
D’autre part, le dispositif est également supposé infiniment long dans la direction axiale ; ceci signifie que le flux est canalisé dans le plan de coupe. Le flux fuite n’est donc pas pris en compte dans la direction axiale. La condition géométrique qui valide ces hypothèses est que les dimensions des entrefers dans le plan de coupe sont faibles par rapport à la dimension axiale de la machine. Dans le cadre de notre projet, nous pouvons conjecturer un rapport d’au moins 200 entre ces dimensions, nous plaçant donc dans des conditions favorables à l’utilisation d’une modélisation 2D. Nous allons donc pouvoir bénéficier de tous les avantages d’un tel modèle : rapidité de maillage et de calcul, sans pour autant sacrifier la précision des résultats.
Chapitre 3 Conception optimale des machines synchro-réluctantes
Néanmoins dans le cas de la machine assistée de ferrite, nous sommes amenés à être plus vigilants dans l’analyse des résultats, car d’après [Raminosoa 14] le flux magnétisant est en réalité inférieur à celui calculé en 2D. La présence d’aimants permanents accentue les effets d’extrémités (flux de fuite) et cette étude a estimé que pour une machine de 40 kW, utilisant des aimants terres-rares à 1T d’induction rémanente, le flux magnétisant est en réalité de 10% inférieur à celui calculé.
Les logiciels Flux2D [Cedrat 15a, Cedrat 15b] et Got-It [Cedrat 15c] on été uti-lisés afin de mener cette optimisation.
Géométrie et maillage
Les machines étudiées présentent une cyclicité, nous donnant ainsi la possibilité de ne representer qu’un seul pôle avec des conditions de périodicités anticycliques [Cedrat 15a] : le sens des courants et de l’aimantation des ferrites d’un pôle à l’autre est inversé. D’autre part, les conditions aux limites [Dhatt 05, EL01 09]
sont prises en compte à travers l’outil « boîte infinie » de Flux2D.
En ce qui concerne le maillage, il utilise des éléments du 2e ordre [Cedrat 15a]
et le projet comporte 9 000 noeuds (Fig. 3.4.2) .
Figure 3.4.2 – Géométrie et maillage de la SyR
Couplage champ-circuit
Les grandeurs magnétiques et électriques du modèle sont traitées simultanément par l’intermédiaire d’un circuit électrique équivalent qui schématise toute la chaîne de transmission de puissance (Fig. 3.4.3). La batterie et l’onduleur sont représentés par des sources de courant, la machine par 3 conducteurs bobinés (1 par phase) et des inductances de fuites. Ces conducteurs bobinés sont directement couplés à la géométrie et au maillage et toutes les grandeurs magnétiques calculées dans le circuit résultent de la quantification des phénomènes magnétiques réalisée à partir du maillage.
42
3.4 Mise en oeuvre de la démarche d’optimisation
Figure 3.4.3 – Circuit électrique équivalent de la chaîne de transmission de puis-sance
Calcul des grandeurs électromagnétiques
Les équations utilisées pour la résolution du modèle sont 3 des équations de Maxwell (l’équation Maxwell-Gauss n’est pas utile dans ce cas) et les équations constitutives de la matière (Cf. Tableau (3.1)).
Pour résoudre ce système d’équations, on utilise une formulation en potentiel vecteur [Cedrat 15b], qui s’appuie sur le potentiel vecteur magnétique noté −→
A. L’équation de Maxwell-Faraday −→
rot−→
E = −∂∂t−→B implique également l’existence d’un potentiel scalaire électrique V [EL01 09] tel que :
−
→E =−∂−→ A
∂t −−−→
gradV (3.4.1)
L’équation résolue par la méthode des éléments finis [Dhatt 05, Ida 13] dans une application magnétique transitoire (en supposant les matériaux homogènes et isotropes) s’écrit :
Chapitre 3 Conception optimale des machines synchro-réluctantes
J H : champ magnétique [A/m]
Milieux conducteurs :−→
J =σ−→
E J : densité de courant [A/m2] Milieux magnétiques : −→
B =µ−→ H +−→
Br σ : conductivité électrique du milieu [S/m]
µ: perméabilité magnétique du milieu [H/m]
Br : induction rémanente (aimants) [T]
Table 3.1 – Equations servant à la résolution du modèle
— [ν] est le tenseur de réluctivité magnétique du milieu [m/H]
— −→
A est le potentiel vecteur magnétique [Wb/m]
— −→
Hc est le champ coercitif (aimants) [A/m]
— [σ] est le tenseur de conductivité électrique du milieu [S/m]
— V est le potentiel scalaire électrique [V]
Avec l’outil éléments finis, les grandeurs exploitables après résolution se répar-tissent en 2 groupes : les quantités locales calculables en n’importe quel point du domaine d’étude et les grandeurs globales qui résultent d’une intégration, calcu-lables sur tout ou partie du domaine d’étude (Cf. tableau (3.2)).
Le couple électromagnétique est calculé par la méthode des travaux virtuels [Curnier 93], tandis que les pertes fer sont obtenues sur la base de la théorie de Bertotti [Bertotti 88, Bertotti 91, Fiorillo 90]. Dans Flux2D, les pertes fer volu-miques [W/m3], à un instant t, sont calculées comme décrit dans l’équation 3.4.3.
pf er =kf oi∗
— Bm l’induction maximale atteinte [T]
— kfoi : le coefficient de foisonnement
— kh : le coefficient de pertes par hystérésis [m.Ω−1.s-1]
— σ : la conductivité électrique du matériau [S.m-1]
44
3.4 Mise en oeuvre de la démarche d’optimisation
Avec W’ la coénergie magnétique [J]
Champ électrique :−→
Flux magnétique à travers un conducteur bobiné [Wb]
Pertes fer (Formule de Bertotti) [W]
Table 3.2 – Grandeurs exploitables par éléments finis
— d : l’épaisseur de la tôle [m]
— ke : le coefficient de pertes par excès [W.s3/2.T-3/2.m-3] 3.4.1.2 Paramétrisation du rotor
Figure 3.4.4 – Variables géométriques d’optimisation
Nous avons isolé 5 paramètres distincts pour le design d’une barrière de flux.
Ainsi pour un rotor à 3 barrières on a donc au total 15 variables géométriques indépendantes (Fig. 3.4.4).
Chapitre 3 Conception optimale des machines synchro-réluctantes
— Angle d’ouverture de barrière « Ebo » : ce paramètre décrit l’ouverture an-gulaire de la barrière de flux. Il est défini entre l’axe central d’un pôle et la pointe extrême de la barrière.
— Largeur d’extrémité de barrière « Eba » : ce paramètre fait référence à la largeur de la pointe extrême de la barrière en vis-à-vis avec l’entrefer.
— Largeur de fond de barrière « Bbw » : dans le cas du rotor assisté, ce para-mètre représente également la largeur de l’aimant ferrite.
— Hauteur de fond de barrière « Bbh » : cette dimension décrit aussi la hauteur de l’aimant ferrite.
— Position de fond de barrière « Bbp » : cette variable définit la position du fond de barrière par rapport à l’axe de la machine.
Ces paramètres ont une influence directe et dominante sur la circulation des champs magnétiques, et par conséquent sur les caractéristiques intrinsèques de la machine (rapport de saillance). Qualitativement parlant, différentes études ont été réalisées sur la sensibilité de certaines performances (couple, ondulations de couple...) par rapport aux variables que nous avons identifiées. [Bianchi 15, Ibrahim 16]
ont montré que tous ces paramètres ont un impact dans des proportions variables dépendant de la grandeur considérée. On note également que ces grandeurs sont des fonctions fortement non linéaires des variables géométriques d’optimisation.
3.4.1.3 Point de fonctionnement et calcul de la commande
Comme le préconise la démarche d’optimisation précédemment décrite, l’opti-misation de la géométrie du rotor se fait à commande fixe, ceci dans le but d’éviter que les contraintes d’alimentation (courant, tension...) n’interfèrent dans le pro-cessus de dimensionnement du rotor. Afin de déterminer la vitesse appropriée pour cette optimisation (Cf. partie (3.3.1)), nous avons réalisé une étude compara-tive consistant à optimiser de manière géométrique et électrique une machine test pour différentes vitesses. Nous en avons choisi 6, 3 vitesses pour chaque mode de fonctionnement : 2 000 tr/min, 6 000 tr/min, 12 000 tr/min en mode moteur et générateur.
La machine test comporte 8 pôles et les variables géométriques d’optimisation sont celles présentées sur la figure 3.4.4. A ce stade, la commande ne peut être im-posée car elle n’est pas connue. Ainsi, les éléments du vecteur de contrôle (Ief f, β), rentrent dans les variables d’entrée de l’optimisation portant le nombre total de variables d’optimisation à 17 (15 géométriques et 2 électriques). L’objectif est de maximiser la puissance utile ; il s’agit de la puissance mécanique en mode moteur et de la puissance électrique en mode générateur. L’unique contrainte concerne la tension aux bornes de la machine qui doit rester inférieure à la limite imposée par la batterie (bus continu) et l’électronique de puissance. Pour superviser le calcul, on fait le choix d’un algorithme à évolution différentielle [Prieto 13], de la famille
46
3.4 Mise en oeuvre de la démarche d’optimisation
des algorithmes stochastiques.
La figure 3.4.5 présente les géométries obtenues pour chaque point de fonction-nement, et le tableau 3.3 regroupe les rapports de saillance des machines ainsi que le vecteur de contrôle au point de fonctionnement correspondant. Les inductances direct Ld et quadrature Lqsont calculées comme décrit dans [Bianchi 05]. L’induc-tance L est la grandeur établissant la proportionnalité entre le flux magnétique ψ et le courant i qui lui a donné naissance (ψ=L*i). Pour le calcul de Ld, on alimente la machine de telle sorte de id= Imax et iq= 0 (cf. annexe A). On détermine le flux dans l’axe dψdpar éléments finis et l’inductance Ld est donnée par l’équation (3.4.4). Pour le calcul de Lq, on opère de la même manière, mais cette fois on force le vecteur courant à s’aligner sur l’axe q.
Ld= ψd
id = ψd
Imax (3.4.4)
Le temps de calcul pour chaque optimisation est de 36 heures.
Figure 3.4.5 – Machines optimisées pour chaque point de fonctionnement
Chapitre 3 Conception optimale des machines synchro-réluctantes
2 000G 2 000M 6 000G 6 000M 12 000G 12 000M
ξ 3.9 3.8 3.8 3.5 2.9 3.1
Ieff(A) 200 200 200 200 200 200
β(o) 222.8 138 207.6 162.6 190.6 169.2
Table 3.3 – Caractéristiques des machines optimisées
Notons que la contrainte en tension est fixe en mode générateur, quelle que soit la vitesse de rotation. Tandis qu’en mode moteur, elle dépend de la résistance interne de la batterie et de l’amplitude du courant efficace (Cf. partie (3.4.2.1)).
En première analyse, les points de fonctionnement à 2 000 tr/min et à 6 000 tr/min en mode générateur sont équivalents et permettent d’obtenir les meilleurs rapports de saillance (Cf. Tableau 3.3). On peut d’ores et déjà éliminer les points à 12 000 tr/min et à 6 000 tr/min en mode moteur car ils présentent des rapports de saillance plus faibles.
Calcul magnétostatique
En parallèle de cette optimisation, nous avons entrepris de réaliser un calcul magnétostatique à partir de la géométrie initiale de la machine test. Ce calcul a consisté à évaluer le couple developpé par la machine en fonction du vecteur de contrôle (Ieff,β) (Fig. 3.4.6). Pour un courant efficace de 200 A, le couple maximal est atteint pour un β = 223° en mode générateur et β = 138° en mode moteur (on rappelle que la position des axes d et q est donnée par la figure 2.2.3). En comparant ces valeurs à celles obtenues après optimisation (Tableau 3.3), on en déduit donc que la plage de vitesses dans laquelle la géométrie et la commande sont faiblement liées se situe à très basses vitesses (< 3 000 tr/min). Ceci peut s’expliquer par le fait que dans cette zone, la machine est dans le Mode I (cf.
partie (3.4.2.3)), et donc la tension à ses bornes y est inférieure à la limite imposée par la batterie et l’électronique de puissance. De plus le vecteur de contrôle peut être obtenu en amont de l’optimisation grâce à ce calcul magnétostatique. On peut ainsi éliminer le point à 6 000 tr/min et revenir à 15 variables exclusivement géométriques.
Enfin, le choix entre le mode moteur ou générateur s’est fait par retour d’ex-périence industriel par rapport au projet ESSENCYELE. Le point basse vitesse en mode générateur semble être à la fois très dimensionnant pour les construc-teurs automobiles, mais également très difficile à satisfaire en termes de puissance utile. C’est donc sur ce point de fonctionnement que nous allons concentrer nos efforts d’optimisation. Le tableau 3.4 regroupe les caractéristiques de la machine optimisée sur le point de fonctionnement choisi.
48
3.4 Mise en oeuvre de la démarche d’optimisation
Figure 3.4.6 – Cartographie du couple en fonction du vecteur de contrôle Puissance utile Ondulations de couples Facteur de puissance
3.1 kW 5.9 % 0.62
Table 3.4 – Caractéristiques à 2 000 tr/min en mode générateur de la machine test optimisée
Ainsi, le point sur lequel est menée l’optimisation est donc celui à basse vitesse 2 000 tr/min en mode générateur (on l’appelle point P1). La machine est alimentée en courant dont la valeur efficace est déduite de la densité maximale de courant admissible dans les conducteurs en régime permanent (Cf. partie (3.5.1.2)). De ce fait, on prend donc implicitement aussi en compte les contraintes et limites thermiques.
3.4.1.4 Fonctions d’optimisation : objectifs et contraintes
Outre les puissances utiles requises, les machines synchro-réluctantes présentent certaines faiblesses auxquelles nous allons essayer de remédier à travers le dimen-sionnement de la géométrie. Comme exposé dans (1.2.2.4), les machines synchro-réluctantes présentent en général de fortes ondulations de couple et un faible fac-teur de puissance. La question est de savoir si dans l’optimisation de la géométrie, on doit/peut les considérer comme des fonctions objectifs ou seulement les traiter comme des contraintes.
Chapitre 3 Conception optimale des machines synchro-réluctantes
Nous avons donc mené une nouvelle étude comparative sur la même machine test, au point de fonction précédemment identifié (2 000 tr/min en mode généra-teur). Dans cette étude, on mène deux optimisations distinctes, la première avec comme objectif de minimiser les ondulations de couple ∆C et la seconde avec pour objectif de maximiser le facteur de puissance f. Les ondulations de couple sont calculées comme décrit dans l’équation (3.4.5) et le facteur de puissance par (3.4.6).
Comme contraintes, en plus de celle sur la tension aux bornes de la machine, on en rajoute une sur la puissance utile. Cette dernière ne doit pas être inférieure à celle obtenue dans la partie (3.4.1.3) après optimisation. On conserve le même algorithme à évolution différentielle pour superviser les calculs.
Les figures 3.4.7b et 3.4.7c présentent les rotors obtenus pour chaque fonction objectif et le tableau 3.5 regroupe les caractéristiques de chaque rotor.
(a) Machine initiale optimisée(b) Machine optimisée pour
les ondulations de couple(c) Machine optimisée pour le facteur de puissance
Figure 3.4.7 – Machines optimisées pour différentes fonctions objectif L’examen des figures 3.4.7a et 3.4.7b montre qu’avec une légère modification de la géométrie, sur la largeur d’extrémité de barrière (paramètre « Eba ») notamment [Bianchi 09, Bianchi 15], il est possible de réduire les ondulations de couple d’un tiers. Ceci conforte l’idée de la forte dépendance des performances par rapport à la géométrie de la machine. D’autre part, cette diminution des ondulations de couple n’a quasiment pas impacté la puissance utile de la machine (la contrainte sur la puissance n’a pas pu être respectée, on a perdu 100 W de puissance utile (Cf.
50
3.4 Mise en oeuvre de la démarche d’optimisation
Machine initiale Machine « ∆C » Machine «f »
Puissance utile (kW) 3.1 3.0 3.0
∆C (%) 5.9 1.9 8.5
f 0.62 0.60 0.64
Table 3.5 – Caractéristiques des machines optimisées pour différentes fonctions objectif
tableau 3.5). On peut en conclure que ces deux grandeurs ne sont que faiblement couplées et qu’il est donc possible de les optimiser en parallèle [Moghaddam 12].
Pour ce qui est du facteur de puissance, on ne note qu’une amélioration mi-neure suite à l’optimisation de la géométrie (Cf. Tableau 3.5). Nous en concluons que cette dernière n’a presque aucune influence sur cette grandeur et qu’il n’est donc pas nécessaire de l’inclure dans les fonctions d’optimisation à ce stade de la démarche.
En définitive, il ressort de cette analyse qu’une des manières de dimensionner la géométrie des machines synchro-réluctantes de manière optimale passe par une optimisation bi-objectif : maximiser la puissance utile tout en minimisant les on-dulations de couple.
Contraintes mécaniques
La tenue mécanique des rotors est un élément clé dans la conception des ma-chines électriques, qui plus est quand les rotors étudiés incluent des parties fines et extrêmement sensibles que sont les ponts magnétiques. Les différents parties du rotor, dont les dimensions découlent des variables géométriques d’optimisation, doivent donc pouvoir résister aux couples et vitesses élevés. D’autre part, les pos-sibles déformations de ces organes ne doivent mettre en péril ni les performances, ni la robustesse globale de la structure.
Le calcul de ces contraintes est complexe et son intégration dans un modèle élec-tromagnétique est délicate. Elles seront spécifiquement étudiées dans le chapitre 4 afin de les prendre en compte au mieux au cours du processus de conception optimale des machines.
3.4.1.5 Algorithmes d’optimisation
Jusque-là nous avions eu recours à un algorithme stochastique de type évolution différentielle afin de superviser l’optimisation. Cette famille d’algorithmes présente de nombreux avantages, mais est aussi très gourmande en temps de calcul. Dans une approche industrielle, ce facteur temps est primordial et donc se doit d’être maîtrisé au mieux.
Chapitre 3 Conception optimale des machines synchro-réluctantes
Ainsi nous avons entrepris une dernière étude comparative afin de déterminer l’algorithme d’optimisation le mieux adapté pour le dimensionnement du rotor.
Toujours sur la même machine test, nous avons comparé 2 optimisations utilisant 2 algorithmes : la première avec un optimiseur SQP (Optimisation Quadratique Sé-quentielle) qui appartient à la famille des algorithmes déterministes, et la deuxième supervisée par un algorithme à évolution différentielle (DE) qui appartient à la fa-mille des méthodes stochastiques.
L’algorithme SQP [Cedrat 15c] est une méthode newtonienne appliquée aux conditions d’optimalités du premier ordre d’un problème sous contraintes. Il bé-néficie donc d’une convergence locale rapide à condition que ses points initiaux soient dans le voisinage d’un point stationnaire et de ses multiplicateurs associés.
Il est cependant possible de globaliser cet algorithme, c’est-à-dire ajouter une étape améliorant la convergence même si le premier itéré n’est pas proche d’une solution.
Mais ceci ne garantit toujours pas d’aboutir à un optimum si les points initiaux ne sont pas proches d’une solution.
L’évolution différentielle quand à elle est inspirée des algorithmes génétiques et par les stratégies évolutionnistes combinées avec une technique géométrique de re-cherche. Dans la méthode DE, la population initiale est générée par tirage aléatoire uniforme sur l’ensemble des valeurs possibles de chaque variable. Le DE standard utilise 3 techniques (croisement, mutation,sélection) à l’instar des algorithmes gé-nétiques. Ces trois techniques sont successivement appliquées sur chaque vecteur afin de produire un vecteur d’essai. Une opération de sélection permet de choi-sir les individus à conserver pour la nouvelle génération. L’évolution différentielle est devenue une méthode incontournable pour une grande quantité de problèmes scientifiques et industriels [Prieto 14b].
Ces deux optimisations sont formulées comme suit :
— Point de fonctionnement : 2 000 tr/min en mode générateur
— Optimisation bi-objectif :
— Maximiser la puissance utile : foP =max(Putile)
— Minimiser les ondulations de couple : fo∆C =min(∆C)
— Contrainte en tension : gV =Vef f −Vlim <0
Les figures 3.4.8a et 3.4.8b présentent les rotors obtenus pour ces 2 optimisations, et le tableau 3.6 récapitule les performances des machines ainsi que les temps de calcul.
Les 2 optimisations aboutissent à 2 machines de même puissance utile (3.1 kW).
SQP met 2.5 fois moins de temps de calcul que DE. Cependant, dans notre cas de figure (machine initiale choisie, réglage des paramètres de l’optimiseur), les ondulations de couple du rotor SQP sont 2 fois plus élevées. Certes le temps de calcul avec SQP est très attractif, cependant partant d’une feuille blanche, il est préférable d’utiliser l’algorithme à évolution différentielle. En effet le fait d’aboutir
52
3.4 Mise en oeuvre de la démarche d’optimisation
(a) Rotor optimisé avec SQP (b) Rotor optimisé avec DE
Figure 3.4.8 – Machines optimisées avec différents algorithmes
à un optimum global avec SQP est très dépendant de la machine initiale. Alors qu’avec DE, la probabilité est plus forte car le point de départ est en réalité une population de départ. En général DE est utilisé en premier rideau et SQP en surcouche afin de raffiner localement l’optimum obtenu [Cupertino 12]. Dans la suite de notre travail nous avons conservé l’utilisation unique de l’algorithme DE.
Rotor SQP Rotor DE Puissance utile (kW) 3.1 3.1
∆C (%) 7 2.9
Temps de calcul (H) 20 50
Table 3.6 – Performances des machines optimisées avec différents algorithmes
Optimisation multi-objectif
Les méthodes stochastiques sont très bien adaptées au traitement d’un problème d’optimisation multi-objectif [Collette 11]. Les figures 3.4.9a et 3.4.9b présentent les schémas de fonctionnement d’un algorithme pour la résolution d’un problème mono-objectif et multi-objectif respectivement. La différence importante concerne l’étape de « transformation vecteur/efficacité ». Elle permet de transformer un vec-teur (qui contient les valeurs de fonctions objectif pour chaque individu) en une efficacité (une efficacité correspond à la performance d’un individu dans la résolu-tion d’un problème posé ; par exemple, si l’on considère un problème de maximi-sation d’une fonction, l’efficacité de l’individu croît avec sa capacité à maximiser cette fonction).
Chapitre 3 Conception optimale des machines synchro-réluctantes
Chapitre 3 Conception optimale des machines synchro-réluctantes