Multidisciplinary design process applied to the next generation regional aircraft featuring low emission propulsion

Méthode de conception pluridisciplinaire appliquée à un avion régional à faibles émissions L'un des plus grands défis du secteur de l'aviation au cours de la dernière décennie a été le développement de véhicules "plus verts", qui présentent de faibles émissions de CO2 et de NOx. La Commission de l'Union européenne, en collaboration avec les acteurs de l'industrie aéronautique, a fixé des objectifs ambitieux à atteindre d'ici 2050. Pour cela, une approche innovante dans les technologies de propulsion et la conception des avions est nécessaire pour atteindre les objectifs de réduction. L'objectif de cette thèse est d'identifier des architectures propulsives alternatives pour réduire la consommation de carburant des avions et les émissions de CO2. En particulier, le présent travail se concentre sur la conception d'un avion régional de 70 places dans le but de fournir les outils, les méthodes et les résultats à utiliser comme base crédible pour évaluer le potentiel des technologies de propulsion à faibles émissions sur le transport d'avion régional. Après une première enquête sur les technologies, les architectures propulsives les plus prometteuses avec différentes sources d'alimentation et différentes architectures sont identifiées. Ensuite, un processus de conception d'avion multidisciplinaire adapté à la conception d'un avion régional avec une technologie de propulsion disruptive est développé. Les performances de chaque architecture propulsive sont d'abord évaluées avec des études conceptuelles de haut niveau pour identifier ses principaux inconvénients et avantages. Ensuite, les architectures les plus prometteuses sont évaluées plus en profondeur avec des techniques d'analyse et d'optimisation de conception multidisciplinaires, où des algorithmes d'optimisation sont utilisés pour déterminer les variables de conception de système optimales. Des techniques de gestion de l'incertitude sont également utilisées pour identifier les paramètres incertains, qui ont un impact considérable sur la quantité d'intérêt, afin de déterminer les modèles qui peuvent nécessiter des développements supplémentaires pour améliorer la précision des résultats.