Prediction of Lightning Currents on Fastening Assemblies of an Aircraft Fuel Tank With Machine Learning Methods - Université de Limoges Accéder directement au contenu
Article Dans Une Revue IEEE Transactions on Electromagnetic Compatibility Année : 2023

Prediction of Lightning Currents on Fastening Assemblies of an Aircraft Fuel Tank With Machine Learning Methods

Prédiction des courants de foudre sur les assemblages de fixation d'un réservoir de carburant d'avion avec des méthodes d'apprentissage automatique

Paul Monferran
Christophe Guiffaut
Alain Reineix

Résumé

An important challenge for the aircraft industry consists to predict the currents on the fastening assemblies in order to avoid sparking, which can lead to accident, especially for fuel tank fasteners. In the literature, it has been demonstrated that the contact resistance plays a major role in the current path on fasteners. Nevertheless, these contact resistances cannot be well determined and vary greatly. As a result, the prediction of current must be done in a statistical way. Usually, it requires several aircraft simulations with several set of contact resistances, which represents a significant computational cost. This article proposes a machine learning model, which allows us to predict the currents in the fastening assemblies of an aircraft fuel tank in a few seconds. This model is built from a database of FDTD simulations of the aircraft fuel tank in the lightning frequency range 100 Hz to 1 MHz. The FDTD modeling is depicted in detail in this article based on previous work. From this database, several machine leaning approaches are explored (k-nearest neighbors, support vector regression, XGBoost, and a neural network). As a result of this study, XGBoost presents the best performances. Further investigations using XGBoost highlights the ability of the model to predict well the current for most fasteners and frequencies, even with a small amount of simulations as training data. Moreover, the proposed model allows us to perform a parametric analysis, which underline the ability of the model to provide results in agreement with the physical effects of the issue (current paths, resistive effects, inductive effects, etc.). The results presented are promising for the use of the proposed methodology in the aeronautical industry.
Un défi important pour l'industrie aéronautique consiste à prévoir les courants sur les assemblages de fixation afin d'éviter les étincelles, qui peuvent conduire à un accident, en particulier pour les fixations des réservoirs de carburant. Dans la littérature, il a été démontré que la résistance de contact joue un rôle majeur dans le cheminement du courant sur les fixations. Néanmoins, ces résistances de contact ne peuvent pas être bien déterminées et varient considérablement. Par conséquent, la prédiction du courant doit être effectuée de manière statistique. Habituellement, cela nécessite plusieurs simulations d'avions avec plusieurs ensembles de résistances de contact, ce qui représente un coût de calcul important. Cet article propose un modèle d'apprentissage automatique, qui permet de prédire les courants dans les assemblages de fixation d'un réservoir de carburant d'avion en quelques secondes. Ce modèle est construit à partir d'une base de données de simulations FDTD du réservoir de l'avion dans la gamme de fréquence de la foudre de 100 Hz à 1 MHz. La modélisation FDTD est décrite en détail dans cet article sur la base de travaux antérieurs. À partir de cette base de données, plusieurs approches d'apprentissage automatique sont explorées (k-voisins les plus proches, régression vectorielle de soutien, XGBoost et réseau neuronal). À l'issue de cette étude, c'est XGBoost qui présente les meilleures performances. D'autres études utilisant XGBoost mettent en évidence la capacité du modèle à prédire correctement le courant pour la plupart des fixations et des fréquences, même avec une petite quantité de simulations comme données d'entraînement. En outre, le modèle proposé nous permet d'effectuer une analyse paramétrique, qui souligne la capacité du modèle à fournir des résultats en accord avec les effets physiques de la question (chemins de courant, effets résistifs, effets inductifs, etc.) Les résultats présentés sont prometteurs pour l'utilisation de la méthodologie proposée dans l'industrie aéronautique.
Fichier principal
Vignette du fichier
Prediction_of_Lightning_Currents_on_Fastening_Assemblies_of_an_Aircraft_Fuel_Tank_With_Machine_Learning_Methods.pdf (5.47 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04209349 , version 1 (17-09-2023)

Identifiants

Citer

Paul Monferran, Charles Guille-Escuret, Christophe Guiffaut, Alain Reineix. Prediction of Lightning Currents on Fastening Assemblies of an Aircraft Fuel Tank With Machine Learning Methods. IEEE Transactions on Electromagnetic Compatibility, 2023, 65 (3), pp.812 - 822. ⟨10.1109/temc.2023.3267280⟩. ⟨hal-04209349⟩
22 Consultations
30 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More