Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Les opérations aériennes hivernales représentent un défi important pour l’aviation civile en raison de l’accumulation de neige et de glace sur les surfaces des aéronefs. Afin d’assurer la sécurité des opérations, des fluides antigivrage sont appliqués sur les ailes et les surfaces critiques pour prévenir la formation de glace et maintenir les performances aérodynamiques de l’appareil. Toutefois, l’efficacité de ces fluides est limitée dans le temps et dépend fortement des conditions météorologiques, notamment du type et de l’intensité des précipitations hivernales. L’évaluation expérimentale du temps d’endurance de ces fluides demeure coûteuse et dépend largement des conditions environnementales naturelles, ce qui rend les essais difficiles à reproduire et limite la disponibilité des données expérimentales.

Dans ce contexte, cette recherche vise à développer une approche basée sur l’apprentissage automatique afin de prédire la performance des fluides antigivrage appliqués sur les surfaces d’aéronefs. L’étude utilise des ensembles de données expérimentales obtenus à partir d’essais réalisés sous neige naturelle et neige artificielle, incluant plusieurs variables environnementales et opérationnelles influençant le comportement des fluides. Différents modèles d’apprentissage automatique ont été étudiés afin d’identifier les approches les plus performantes pour la prédiction du temps d’endurance des fluides. Parmi ces modèles, XGBoost s’est distingué comme l’approche la plus performante, offrant les meilleurs résultats en termes de précision et de capacité de généralisation. Les modèles ont été optimisés à l’aide de techniques d’optimisation avancées et soumis à une stratégie de validation croisée afin d’en assurer la stabilité des performances, d’attester de leur généralisation et de prévenir le surapprentissage.

Par ailleurs, afin de pallier la limitation du volume de données expérimentales disponibles, des techniques de génération de données synthétiques ont été explorées à l’aide de réseaux antagonistes génératifs (GAN). Plusieurs architectures ont été étudiées afin d’améliorer la stabilité de l’entraînement et la qualité statistique des données générées. Les ensembles de données synthétiques ont ensuite été évalués à l’aide de différentes métriques statistiques et de leur utilité prédictive dans des modèles d’apprentissage automatique.

Dans les ensembles de données étudiés, les résultats montrent que les modèles d’apprentissage automatique peuvent prédire le temps d’endurance des fluides antigivrage à partir de variables météorologiques et opérationnelles. Les données synthétiques générées par GAN permettent d’examiner la fidélité statistique, le transfert prédictif et l’augmentation des données; leur bénéfice dépend toutefois de la configuration et du protocole d’évaluation.

Cette étude établit la faisabilité de l’approche pour les données et les conditions examinées. Sa généralisation à d’autres fluides, campagnes, sites et conditions opérationnelles demeure à confirmer par une validation externe avant toute utilisation comme outil d’aide à la décision.