THESE

Pour obtenir le diplôme de doctorat

Spécialité Mécanique

Préparée au sein de l’Université Le Havre Normandie

Simulation du comportement d’hydroliennes : modélisation de

l’influence de la turbulence ambiante et des effets d’interaction
Exemplaire de Soutenance

Clément CARLIER

Thèse soutenue publiquement le 12/12/2017

devant le jury composé de
Eric LAMBALLAIS Professeur, Université de Poitiers Rapporteur

Philippe DRUAULT Maître de conférences, HDR, UPMC Rapporteur

François SCHMITT Directeur de Recherche, LOG Examinateur

Sandrine AUBRUN Professeur, École Centrale de Nantes Examinatrice

Elie RIVOALEN Professeur, INSA Rouen Normandie Directeur de thèse

Grégory GERMAIN Chercheur HDR IFREMER Co-directeur de thèse

Grégory PINON Maître de conférence, Université Le Havre Normandie Co-encadrant

Thèse co-dirigée par Elie RIVOALEN, Laboratoire de Mécanique de Normandie, EA 3828, INSA Rouen
Normandie et Grégory GERMAIN, IFREMER
et co-encadrée par Grégory PINON, laboratoire CNRS UMR 6294 LOMC, Université Le Havre Normandie
Résumé

Le développement de fermes d’hydroliennes fait l’objet de nombreuses recherches depuis

quelques années. Néanmoins de nombreuses études sont encore aujourd’hui nécessaires afin
de bien comprendre le comportement de telles fermes. L’une de ces études est l’influence
de la turbulence ambiante sur le comportement des hydroliennes. En effet, des études
récentes ont montré que la turbulence ambiante modifie fortement le comportement des
hydroliennes. Ainsi, les simulations numériques se doivent de représenter la turbulence
ambiante ou au moins ses effets sur les performances et le sillage des turbines. Une autre de
ces études est l’évaluation des effets d’interactions entre plusieurs machines proches. Afin
de mettre en évidence ces effets d’interactions, des essais expérimentaux ont été effectués
au bassin de l’IFREMER de Boulogne-Sur-Mer. Ces essais portaient sur les interactions
élémentaires entre trois turbines à axe horizontale. En parallèle des travaux expérimentaux,
un code de calcul tridimensionnel est développé au LOMC (Université le Havre Normandie)
pour simuler des hydroliennes dans un écoulement libre. Ce manuscrit présente les derniers
développements numériques effectués au LOMC en collaboration avec l’IFREMER afin
de prendre en compte les effets de la turbulence ambiante sur les turbines et les effets
d’interactions entre machines.

Mots-clefs
Simulation numérique, Hydrolienne, Turbulence ambiante, Synthetic-Eddy-Method,
Hydroliennes en interaction, Essais expérimentaux, Sillage, Performance.

I
Abstract

The development of marine current turbines arrays has been an active research topic
for some years. However, many studies are still necessary in order to fully understand the
behaviour of such arrays. One of these studies is the impact of the ambient turbulence on
the behaviour of marine current turbines. Indeed recent studies have shown that ambient
turbulence intensity highly modifies the behaviour of horizontal axis marine current tur-
bines. Consequently numerical simulations have to represent the ambient turbulence or
at least its effects on the performance and wake of the turbines. An other one of these
studies is the assessment of interaction effect between turbines in close proximity. In or-
der to highlight these interaction effects, experiments were carried out in the IFREMER
flume tank of Boulogne-Sur-Mer. Those experiments focused on elementary interactions
between three 3-bladed horizontal axis turbines. In parallel to these experiments, a three-
dimensional software is developed at LOMC (Université le Havre Normandie) to simulate
marine current turbines in a free flow. This manuscript presents the latest numerical de-
velopments carried out at LOMC in collaboration with IFREMER in order to take into
account the effects of ambient turbulence on the turbines as well as the interactions effects
between turbines.

Keywords
Numerical computations, Marine current turbine, Ambiant turbulence, Synthetic-Eddy-
Method, Interacting turbines, Experimental trials, Wake, Performence.

III
Table des matières

Résumé I

Abstract III

Table des Matières V

Introduction 1

1 Modélisation numérique d’une hydrolienne par la méthode Vortex 7

1.1 Principaux modèles utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.1 Équations de Navier-Stokes . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.2 Décomposition du champ de vitesse . . . . . . . . . . . . . . . . . . 8
1.1.3 Composante potentielle de la vitesse . . . . . . . . . . . . . . . . . . 9
1.1.4 Composante rotationnelle de la vitesse . . . . . . . . . . . . . . . . . 12
1.1.5 L’émission particulaire . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.6 Calcul des efforts sur les machines dans le code de simulation . . . . 18
1.2 Calcul de la dérivée particulaire dans la méthode Vortex . . . . . . . . . . . 21
1.2.1 Traitement du terme de déformation . . . . . . . . . . . . . . . . . . 21
1.2.2 Traitement de la diffusion . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2.3 Utilisation d’une méthode LES pour le traitement de la diffusion
turbulente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3 Principaux résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.1 Lien entre les simulations numériques, les données expérimentales et
les machines réelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 Description des maillages d’hydroliennes utilisés . . . . . . . . . . . 26
1.3.3 Évaluation des performances d’une hydrolienne . . . . . . . . . . . . 27
1.3.4 Influence de l’émission de pieds de pale sur le sillage d’une turbine . 29

2 Éléments d’implémentation et d’optimisation 35

2.1 Cas de référence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2 Définition du bruit de parallélisation . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Choix de paramétrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.1 Domaine d’étude et dissipation artificielle . . . . . . . . . . . . . . . 38
2.3.2 Émission et sous-itération . . . . . . . . . . . . . . . . . . . . . . . . 43
2.4 Résolution du système linéaire . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.1 Cas d’une seule hydrolienne . . . . . . . . . . . . . . . . . . . . . . . 45
2.4.2 Matrice d’influence dans le cas de plusieurs machines en interaction 46
2.4.3 Le Bi-Gradient Conjugué Stabilisé . . . . . . . . . . . . . . . . . . . 48
2.4.4 Pré-conditionnement de la matrice . . . . . . . . . . . . . . . . . . . 49

V
Table des matières

2.4.5 Évaluation du gain en temps de calcul . . . . . . . . . . . . . . . . . 51

2.5 Un algorithme de type Treecode pour calculer la vitesse potentielle . . . . . 52
2.5.1 Présentation du Treecode pour le calcul la vitesse rotationnelle . . . 53
2.5.2 Application au calcul de la vitesse potentielle . . . . . . . . . . . . . 54
2.5.3 Validation pour une hydrolienne . . . . . . . . . . . . . . . . . . . . 54
2.5.4 Validation pour trois hydroliennes . . . . . . . . . . . . . . . . . . . 55
2.6 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3 Modélisation de la turbulence ambiante 59

3.1 Synthetic-Eddy-Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.1 Présentation générale du modèle . . . . . . . . . . . . . . . . . . . . 61
3.1.2 Évolution temporelle du modèle . . . . . . . . . . . . . . . . . . . . 63
3.1.3 Définition de la fonction de forme . . . . . . . . . . . . . . . . . . . . 63
3.1.4 Introduction de structures turbulentes à taille variable . . . . . . . . 66
3.2 Comportement général du modèle de turbulence ambiante . . . . . . . . . . 67
3.2.1 Reconstruction numérique du tenseur de Reynolds . . . . . . . . . . 67
3.2.2 Observation des champs de vitesse générés . . . . . . . . . . . . . . . 69
3.3 Étude spectrale du champ de vitesse . . . . . . . . . . . . . . . . . . . . . . 73
3.3.1 Cascade énergétique . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.3.2 La densité spectrale de puissance (PSD) . . . . . . . . . . . . . . . . 74
3.3.3 Le cas de structures turbulentes à taille unique . . . . . . . . . . . . 75
3.3.4 Cas de structures turbulentes à tailles variables . . . . . . . . . . . . 78
3.3.5 Comparaison avec les données expérimentales . . . . . . . . . . . . . 78
3.4 Étude des macros échelles de Taylor . . . . . . . . . . . . . . . . . . . . . . 79
3.4.1 Notion d’échelles de turbulence . . . . . . . . . . . . . . . . . . . . . 79
3.4.2 Macro échelle spatiale de Taylor . . . . . . . . . . . . . . . . . . . . 80
3.4.3 Résultats numériques . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.5 Influence de la Synthetic-Eddy-Method sur une hydrolienne . . . . . . . . . 83
3.5.1 Intégration du modèle de turbulence ambiante dans le code Vortex . 83
3.5.2 Fluctuation à moyenne nulle de la turbulence ambiante . . . . . . . 84
3.5.3 Influence de la turbulence ambiante sur le sillage d’une hydrolienne . 86
3.5.4 Comparaison numérique/expérimental . . . . . . . . . . . . . . . . . 87
3.6 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

4 Caractérisation du comportement de trois hydroliennes en interaction 93

4.1 Three tidal turbines in interaction : an experimental study with the account
of two turbulence intensities . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1.1 Context of the study . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1.2 An improved turbine model . . . . . . . . . . . . . . . . . . . . . . . 97
4.1.3 Velocity measurements . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.1.4 Wake characterisation . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.1.5 Performance evaluation . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2 Caractérisation numérique de trois hydroliennes en interaction . . . . . . . 110
4.2.1 Simulation sans turbulence ambiante . . . . . . . . . . . . . . . . . . 110
4.2.2 Simulation avec un taux de turbulence ambiante à 3% . . . . . . . . 111
4.2.3 Comparaison entre les résultats numériques et expérimentaux . . . . 112
4.3 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Conclusion 115

VI
Table des matières

Bibliographie 119

A Detailed description of the turbine 127

B Wake profiles 129

B.1 Wake profiles at I∞ = 3% . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
B.2 Wake profiles at I∞ = 15% . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

VII
Introduction

L’énergie est l’un des enjeux économique et écologique majeurs de notre siècle. Il est
ainsi indispensable de trouver de nouvelles sources d’énergies pour d’une part palier à
l’épuisement des énergies fossiles (charbon, pétrole, gaz...) et d’autre part préserver l’é-
cosystème de notre planète. En effet, le réchauffement climatique actuel lié entre autre
à l’émission de gaz à effet de serre a des effets visible et quantifiable sur notre environ-
nement. La NASA (National Aeronautics and Space Administration) estime que les six
premiers mois de l’année 2016 sont les plus chauds depuis que les relevés modernes de
température existe, à savoir depuis 1880. La première moitié de l’année 2016 présente une
augmentation moyenne des températures de 1.3°C par rapport à la fin du XIXème siècle.
Ce constat engendre une prise de conscience mondiale quant à la nécessité d’agir pour
limiter le réchauffement climatique comme a pu le montrer la COP21 à Paris en 2015,
fixant un objectif de limitation du réchauffement mondial entre 1.5°C et 2°C d’ici 2100.
En France, on observe également une forte volonté d’augmenter l’utilisation des éner-
gies renouvelables. Cette volonté se traduit notamment par les nombreux champs d’éoli-
ennes terrestres construits récemment comme par exemple dans la vallée de la Somme. Ou
encore les différents projets de parc d’éoliennes offshores comme au large de Fécamp en
Normandie où 83 éoliennes devraient être implantées pour une puissance totale installée
de 498 mégawatt. Ainsi, la part du renouvelable dans le mix énergétique est passée de
11% en 2005 à 17.2% en 2015 comme le montre la Figure 1. De plus, la France a fixé un
objectif de 23% d’énergie renouvelable dans son mix énergétique pour l’horizon 2020 [1].

Nucléaire 77.7% Nucléaire 76.3%

Nucléaire 78.3%
Thermique Classique 9.5% Thermique Classique 6.2%
Thermique Classique 10.7% Hydraulique 9.3% Hydraulique 10.8%
Hydraulique 10.2% Autres Renouvelables 1% Autres Renouvelables 1.1%
Solaire 0.3% Solaire 1.4%
Autres Renouvelables 0.8%
Éolien 2.2% Éolien 3.9%

(a) 2005 [2] (b) 2011 [3] (c) 2015 [4]

Figure 1 – Évolution du mix énergétique en France entre 2005 et 2015.

Parmi tout les types d’énergies renouvelables qui sont en développement, les Énergies

1
Introduction

Marines Renouvelables (EMR) font l’objet d’un intérêt grandissant dans la communauté
scientifique. Cet intérêt se traduit notamment par l’apparition de congrès scientifiques
dédiés tels que l’European Wave and Tidal Energy Conference (EWTEC) dont la dernière
édition s’est tenue à Nantes en 2015 ou encore l’Oxford Tidal Energy Workshop qui se
tient tous les ans à Oxford. De plus, les énergies marines possèdent également depuis
2013 une revue scientifique dédiée : International Journal of Marine Energy (IJOME).
L’appellation EMR (Énergies Marines Renouvelables) regroupe en réalité des énergies
basées sur des ressources et techniques de production très différentes. Sous cette appellation
EMR on trouve l’énergie marémotrice exploitant les variations du niveau d’eau créées par
les marées : illustrée en France par l’usine de la Ranse installée en 1966. L’éolien offshore
entre également dans la catégorie des EMR avec par exemple les différents parcs présents au
Danemark et au Royaume-Uni ou encore le projet au large de Fécamp cité précédemment.
On retrouve également sous cette appellation l’énergie houlomotrice utilisant l’énergie
générée par la houle. Ou encore les hydroliennes, sur lesquelles portent ces travaux de
thèse, exploitant l’énergie cinétique des courants marins tels que les courants de marée.
Une hydrolienne est une machine sous-marine, généralement une turbine, qui utilise
l’énergie cinétique des courants marins. La turbine permet la transformation de l’énergie
hydraulique en énergie mécanique qui sera au final transformée en énergie électrique par
un alternateur. La masse volumique de l’eau étant 832 fois plus élevée que celle de l’air,
la puissance récupérable par unité de surface est plus grande pour une hydrolienne que
pour une éolienne et ceux malgré une vitesse du fluide généralement plus faible. En temps
que système de production d’énergie, les hydroliennes présentent plusieurs avantages. Pre-
mièrement, elles exploitent une source d’énergie propre et renouvelable. Deuxièmement,
les courants de marées sont prévisibles, même s’ils sont intermittents et turbulents [5,6]. Et
troisièmement, les hydroliennes n’engendrent pas ce que certains appellent "une pollution
visuelle" car elles se situent sous l’eau. Malheureusement, les hydroliennes n’ont pas que
des avantages, elles ont également un certain nombre d’inconvénients. Les hydroliennes
créent des perturbations qui modifient le courant, entraînant de possibles effets sur le
transit sédimentaire et potentiellement sur la faune et la flore marine. Elles peuvent être
victimes d’une érosion importante due au sable présent en suspension dans l’eau. Enfin, il
est nécessaire d’éviter le développement d’algues sur l’hydroliennes, il faut donc utiliser des
peintures antifouling qu’il faut régulièrement renouveler et qui nécessitent de plus l’utili-
sation de produits qui ne sont pas nécessairement sans conséquence sur l’environnement.
Du point de vue de la ressource disponible, l’énergie des courants possède un potentiel
important estimé entre 75 et 100 gigawatts au niveau mondial. En Europe, le potentiel
estimé est d’environ 11 gigawatts, principalement réparti entre la France et le Royaume-Uni
comme le montre la carte de la Figure 2. Ainsi, d’après une estimation d’EDF, le potentiel
hydrolien français est évalué entre 2 000 et 3 000 MW, avec pour sites principaux le raz
Blanchard en Normandie et le passage de Fromveur, près de l’île d’Ouessant en Bretagne.
La première implantation d’hydrolienne, la turbine Seagen de MCT, a eu lieu en 2008
dans le Strangford narrows en Irlande du Nord. Depuis, plusieurs hydroliennes ont été
installées et on envisage désormais le développement de parcs hydroliens. Par exemple
en France, depuis 2012, un démonstrateur a été lancé par EDF à Paimpol-Bréhat en
Bretagne et a franchi une étape importante avec l’immersion de deux prototypes d’une
puissance de 2 MW, conçu par la société Open-Hydro (filiale de DCNS) (Figure 3a).
L’hydrolienne mesure 16 m de diamètre pour un poids de 850 tonnes. Un autre exemple
d’implantation d’hydrolienne en France est la turbine Sabella D10 (Figure 3c) de la société
Sabella implantée dans le passage de Fromveur. L’hydrolienne a été connectée au réseau
électrique fin septembre 2015 pour atteindre une production de 10MWh d’électricité en

2
Introduction

Figure 2 – Répartition qualitative de la ressource en énergie de courant de marée en

Europe (source : www.aquaret.com).

conditions d’exploitation réelles (d’après la société Sabella).

(a) Open Hydro (source : http:// (b) Alstom (source : http:// (c) Sabella (source : http://
www.openhydro.com) alstomenergy.gepower.com) www.sabella.fr)

Figure 3 – Exemples de modèles commerciaux d’hydroliennes à axe horizontale.

Comme le montre la Figure 3, il existe de nombreux designs d’hydroliennes, générale-

ment classés en deux catégories : les machines à flux axial et les machines à flux transverse.
Les trois turbines présentées Figure 3 sont des hydroliennes à axe horizontale comme le
sont la plupart des machines à flux axial [7, 8]. Les machines à flux transverse sont en
générale des turbines à axe verticale comme les machines de type Darrieus [9]. Mais il
existe également des hydroliennes possédant des designs plus originaux que de simple ma-
chine tournante, comme par exemple l’hydrolienne à membrane ondulante de la société
EEL Energy [10,11]. Dans ces travaux de thèse, les hydroliennes étudiées sont des hydroli-
ennes à flux axial comportant trois pales et à axe horizontale, sur un modèle similaire à
celui de la machine développée par Alstom et illustrée par la Figure 3b.
L’objectif de ce travail de thèse est l’étude numérique d’un parc réduit d’hydroliennes
(trois turbines) dans des conditions de fonctionnement proches de celles présentes sur les
sites potentiels d’implantation de parcs hydroliens, c’est-à-dire, présentant des taux de

3
Introduction

turbulence importants.
Pour ce faire, la première étape consiste à modéliser numériquement le cas le plus
simple, à savoir, une unique hydrolienne dans un écoulement incident u∞ stationnaire
uniforme. Dans la littérature, plusieurs outils de simulations numériques sont utilisés dans
ce but. Parmi ces outils, beaucoup sont basés sur la méthode BEM (Blade Element Momen-
tum) qui se révèle être principalement adaptée à la prédiction des coefficients de puissance
CP et de traînée CT d’une turbine [12–14]. En effet, dans leurs études Bahaj et al. [12] et
Batten et al. [14] ont validé leurs prédictions numériques en les comparant aux données
expérimentales présentées dans [7]. Néanmoins, la méthode BEM est incapable de simuler
le champ local de vitesse et donc le sillage de l’hydrolienne qui est indispensable pour
évaluer les effets d’interactions entre les différentes turbines d’un parc. Pour pallier à ce
problème Malki et al. [15] ont proposé de coupler la méthode BEM avec un modèle de CFD
(Computational Fluid Dynamics) permettant ainsi d’obtenir le sillage moyenné de l’hy-
drolienne. Mais une telle approche reste coûteuse en temps de calcul. Des codes de calcul
basés sur la méthode Volume Finis sont également couramment utilisés pour les simula-
tions du comportement d’hydrolienne comme dans les travaux de Elie et al. [16, 17]. Une
autre approche fortement utilisée dans la littérature est la modélisation des hydroliennes
par des disques poreux dans des logiciels de Mécanique des Fluides [18–20]. Toutefois, cette
approximation ne permet généralement que des comparaisons avec des sillages expérimen-
taux obtenus derrière un disque poreux. Ceci rend difficile l’évaluation des phénomènes
présents dans le sillage due à la rotation des pales de l’hydrolienne. L’outil numérique
présenté dans ces travaux de thèse est quant à lui basé sur la méthode Vortex particu-
laire [21, 22] qui permet une bonne évaluation du sillage des hydroliennes mais éprouve
néanmoins certaines difficultés à prédire les coefficients de puissance CP et de traînée CT
pour des vitesses de rotation élevées des machines (après le point de fonctionnement).
La seconde étape, nécessaire pour modéliser un parc d’hydrolienne en condition réelle
de fonctionnement, est la prise en compte des variations de vitesse dans l’écoulement.
Les fluctuations de vitesses rencontrées sont caractérisées classiquement par le taux de
turbulence ambiante I∞ (défini de manière plus précise dans le Chapitre 3). Un taux de
turbulence ambiante I∞ élevé caractérise un écoulement présentant des fluctuations de
vitesses importantes. Par exemple, sur le site du Sound of Islay en Écosse, Milne et al [23]
ont mesuré des taux de turbulence ambiante compris entre 9.5% et 10.3% montrant ainsi
que sur un site réel l’écoulement présente de fortes fluctuations de vitesse. De récentes
études expérimentales ont montré que le taux de turbulence ambiante I∞ a une influence
très importante sur le sillage d’une hydrolienne comme le montre la Figure 4 tirée des
travaux de Mycek et al. [24]. Ainsi, plus la turbulence ambiante I∞ est élevée, plus le sillage
est dissipé rapidement. De plus, les effets d’interactions entre machines sont également
fortement impactés tant au niveau des performances que du sillage par la turbulence
ambiante comme montré dans les travaux de Mycek et al. [25]. Les résultats présentés
Figure 5 mettent en évidence l’importance de la prise en compte de la turbulence ambiante
pour les études d’interaction entre machines proches. En effet, dans l’étude de Mycek et
al. les performances de la seconde hydrolienne sont bien meilleures quand le taux de
turbulence ambiante est élevé que quand celui-ci est faible. Il est donc primordial de
modéliser correctement les effets du taux de turbulence ambiante sur le fonctionnement
des machines avant de passer à la simulation de plusieurs machines en interaction, ce qui
constitue la troisième étape de développement de cette thèse.
Le premier chapitre de ce manuscrit de thèse est consacré à la présentation du code de
calcul basé sur la méthode vortex particulaire pour la modélisation du sillage des turbines
et la méthode des singularités pour la prise en compte des hydroliennes. Les résultats

4
Introduction

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
2 3 4 5 6 7 8 9 10 ū∗ 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) I∞ = 3% (b) I∞ = 15%

Figure 4 – Sillage en aval d’une hydrolienne à TSR = 3.67, u∞ x = 0.8m.s

−1 pour différents

taux de turbulence ambiante I∞ [24]. Le centre de la machine se situe aux coordonnées

(0 ;0), x∗ (resp. y ∗ ) représente x/D (resp. y/D), avec D le diamètre de la turbine et ū∗
représente la vitesse adimentionnée.

0.6 0.6
Single Single
a = 02D a = 02D
0.5 a = 04D 0.5 a = 03D
a = 06D a = 04D
a = 08D a = 05D
0.4 a = 10D 0.4 a = 06D
a = 12D a = 08D
a = 10D
∞

∞
down

down

0.3 0.3
CP,U

CP,U

0.2 0.2

0.1 0.1

0 0

0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSRdown
U∞ TSRdown
U∞

(a) I∞ = 3% (b) I∞ = 15%

Figure 5 – Coefficients de puissance CP de l’hydrolienne avale, dans une configura-

tion comportant deux turbines alignées avec le courant et espacées de a, en fonction de
son TSRaval pour différents taux de turbulence ambiante I∞ [25] avec u∞ −1
x = 0.8m.s ,
TSRamont = 4.

de coefficients de puissances CP et de traîné CT , obtenus sur une hydrolienne dans un

écoulement stationnaire uniforme sont également présentés dans ce chapitre ainsi que la
première étape du processus décrit précédemment.
La réalisation des deux étapes suivantes implique une augmentation considérable des
temps de calcul d’une simulation. En effet, l’introduction de fluctuations de vitesse im-
plique une augmentation du temps physique à simuler afin d’obtenir des résultats moyennés
exploitables dans le cadre d’une comparaison avec les données expérimentales. De plus,
la simulation d’un champ de turbines augmente les dimensions du problème à simuler et
accroit donc les temps de calcul de façon considérable. Partant de ce constat, un impor-
tant travail d’optimisation du code de calcul a été réalisé pour réduire les temps de calcul.
Les différents algorithmes introduits dans le code lors de ce travail d’optimisation sont
présentés dans le second chapitre de ce manuscrit.
Le troisième chapitre est consacré à la seconde étape du processus précédent, à savoir
la modélisation et l’influence de la turbulence ambiante. Cette étape est décomposée na-
turellement en deux parties, la première étant consacrée à la présentation et à l’étude du
modèle de turbulence ambiante choisi, à savoir la Synthetic-Eddy-Method [26, 27] et la
seconde consacrée à son intégration dans le code. Les résultats obtenus avec une seule
hydrolienne dans un écoulement présentant un taux de turbulence ambiante non nul y

5
Introduction

sont discutés.
Le dernier chapitre correspond quand à lui à l’étape suivante, à savoir l’étude de
plusieurs turbines en interaction. Pour réaliser cette dernière partie de l’étude numérique
proposée ici, il a tout d’abord été nécessaire de réaliser une série d’essais expérimentaux
sur trois hydroliennes en interactions pour disposer d’une base de données suffisante afin de
réaliser des comparaisons entre les résultats numériques et expérimentaux et ainsi valider
l’outil numérique développé dans ce travail de thèse.

6
Chapitre 1

Modélisation numérique d’une

hydrolienne par la méthode Vortex

Ce chapitre a pour vocation de présenter la méthode numérique utilisée dans ces

travaux de thèse pour simuler le fonctionnement d’hydroliennes tri-pales à axe horizon-
tale. La méthode particulaire tourbillonnaire utilisée (communément appelée méthode Vor-
tex) remonte aux simulations manuelles de Rosenhead en 1931 [28]. La méthode évoluera
ensuite en trois dimensions, notamment avec les travaux de Rehbach [21] ainsi que de
Leonard [22].
La méthode Vortex particulaire est une méthode Lagrangienne fondée sur la descrip-
tion des zones tourbillonnaires présentes dans l’écoulement. Une telle approche permet
de réduire le domaine de calcul aux zones présentant un rotationnel de vitesse non nul.
Cette méthode Vortex particulaire est ici couplée avec une méthode intégrale de frontière
(méthode des singularités [29]) afin de représenter les parois solides immergées, ici des
hydroliennes.
Le code de calcul présenté ici est développé depuis de nombreuses années au Labora-
toire Ondes et Milieux Complexes (LOMC) et a déjà été appliqué dans différents domaines.
Parmi ces domaines figurent notamment l’étude d’anneaux tourbillonnaire [30,31], l’étude
d’hélices marines et d’éoliennes [32], l’étude de voile de bateau [33–35], l’étude de jets
transverses [36, 37] et enfin plus récemment l’étude d’hydrolienne [38, 39] dont ces travaux
sont la continuation.
Ce chapitre est articulé autour de trois points principaux. Dans un premier temps,
la méthode numérique est présentée en détail, en s’attardant notamment sur l’émission
particulaire permettant de faire le lien entre la méthode Vortex et la méthode des singu-
larités. Dans un second temps, les traitements du terme de déformation et de la diffusion
turbulente sont évoqués. La diffusion turbulente discutée ici est différente de la turbulence
ambiante présente dans l’écoulement, dont le traitement sera développé dans le Chapitre 3.
Dans un dernier temps, des résultats numériques préliminaires concernant la modélisation
d’une hydrolienne seule sont présentés afin d’illustrer l’efficacité de la méthode.

7
1.1. Principaux modèles utilisés

1.1 Principaux modèles utilisés

1.1.1 Équations de Navier-Stokes
La méthode Lagrangienne utilisée repose sur la formulation vitesse/tourbillon (u, ω)
des équations de Navier-Stokes pour un écoulement incompressible et instationnaire :

∇ · u = 0
 (1.1a)
Dω

 = (ω · ∇) u + ν∆ω, (1.1b)
Dt
Dω
avec u la vitesse du fluide, ω le vecteur tourbillon, ν la viscosité cinématique et Dt la
dérivée particulaire (ou dérivée matérielle) qui correspond à :

Dω ∂ω
= + (u · ∇) ω. (1.2)
Dt ∂t
Cette formulation des équations de Navier-Stokes est obtenue à partir de leur expression
traditionnelle, à savoir la formulation vitesse/pression (u, P ) :

∇ · u = 0
 (1.3a)
∂u 1

 + (u · ∇) u + ∇P = ν∆u. (1.3b)
∂t ρ
Pour ce faire, on introduit le vecteur tourbillon ω :

ω = ∇ ∧ u, (1.4)
et on applique l’opérateur rotationnel à l’équation (1.3b) pour obtenir l’équation (1.1b).

1.1.2 Décomposition du champ de vitesse

La décomposition de Helmholtz (eq. (1.5)) est utilisée afin de scinder le champ de
vitesse en :
— une partie potentielle uφ , dérivée d’un potentiel scalaire φ, pour représenter l’in-
fluence des pales des hydroliennes sur l’écoulement (cf. Fig. 1.1). Cette composante
du champ de vitesse est calculée à l’aide d’une méthode intégrale (méthode des
singularités) [29, 40–42],
— une partie rotationnelle uψ , dérivée du potentiel vecteur ψ (à divergence nulle),
pour prendre en compte la présence d’un sillage tourbillonnaire dans l’écoulement
(cf. Fig. 1.1). La méthode Vortex particulaire [43] est utilisée pour traiter cette
composante du champ de vitesse,
— la vitesse u∞ , supposée uniforme et constante pour le moment, représente le courant
de marée.

u = ∇φ + ∇ ∧ ψ + u∞ = uφ + uψ + u∞ . (1.5)
On utilise maintenant cette décomposition du champ de vitesse (1.5) dans les équations
(1.1a) et (1.4) afin d’obtenir de nouvelles conditions sur le potentiel scalaire φ et le potentiel
vecteur ψ. La décomposition de Helmholtz (1.5) est dans un premier temps injectée dans
l’équation de conservation de la masse (1.1a) :

8
1.1. Principaux modèles utilisés

Émission particulaire
Pale - profil mince Sillage

Méthode des singularités Méthode particulaire

Figure 1.1 – Décomposition de la méthode Vortex.

Profil épais Profil Mince

Figure 1.2 – Schématisation du passage d’un corps épais à un profil mince.

∇·u = 0
⇔ ∇ · (∇φ + ∇ ∧ ψ + u∞ ) = 0
⇔ ∇ · (∇φ) + ∇ · (∇ ∧ ψ) + ∇ · u∞ = 0 (1.6)
⇔ ∇ · (∇φ) + 0 + 0 = 0
⇔ ∆φ = 0.
Dans un second temps la décomposition du champ de vitesse (1.5) est injectée dans la
définition du vecteur tourbillon ω (1.4) :

ω = ∇∧u
= ∇ ∧ (∇φ + ∇ ∧ ψ + u∞ )
= ∇ ∧ (∇φ) + ∇ ∧ (∇ ∧ ψ) + ∇ ∧ u∞
(1.7)
= 0 + ∇ ∧ (∇ ∧ ψ) + 0
= ∇ (∇ · ψ) − ∆ψ
= −∆ψ
Il est désormais nécessaire d’exprimer les composantes potentielle et rotationnelle de
la vitesse.

1.1.3 Composante potentielle de la vitesse

La composante potentielle de la vitesse uφ est exprimée en utilisant la méthode des
singularités ou méthode intégrale [29, 40–42] sur les obstacles solides dans l’écoulement,
à savoir ici les hydroliennes. Dans cette étude, une représentation surfacique des obsta-
cles est utilisée, les obstacles étant approchés par des profils infiniment minces, à savoir
sans épaisseur comme le montre la Figure 1.2. L’ensemble des surfaces ainsi considéré est
noté S , surfaces sur chacune desquelles sont appliquées une condition de glissement (ou
condition de non pénétration) :

u(P ) · n(P ) = uent

i (P ) · n(P ) ∀P ∈ Si , (1.8)

9
1.1. Principaux modèles utilisés

où Si est la surface représentant l’obstacle i, et uent

i (P ) est la vitesse d’entraînement
(de déplacement) de la surface i au point P de Si . Dans le cas d’une hydrolienne à
axe horizontale, la vitesse d’entraînement uent
i correspond à la vitesse de rotation de la
machine :

uent
i (P ) = Φi ∧ O i P , ∀P ∈ Si , (1.9)
avec O i le centre de rotation de la turbine i et Φi sa vitesse de rotation. La condition
de glissement ainsi définie, combinée à la décomposition de Helmholtz (1.5) permet de
déduire une condition sur la vitesse potentielle uφ :
h i
uφ (P ) · n(P ) = uent ψ ∞
i (P ) − u (P ) − u (P ) · n(P ) ∀P ∈ Si . (1.10)

On impose également au champ potentiel de vitesse uφ une condition de Dirichlet aux

limites du domaine fluide D, à savoir ici à l’infini :

lim ∇φ(M ) = 0, ∀P ∈ S , ∀M ∈ D. (1.11)

|M P |→+∞

La combinaison des conditions (1.6), (1.10) et (1.11) permet de déduire la forme suivante
pour le potentiel scalaire φ en tout point M du domaine D :

1
Z
MP
φ(M ) = µ(P ) · n(P )ds(P ), (1.12)
4π S |M P |3
où µ est une distribution surfacique de doublets normaux répartie sur les surfaces S . Cette
distribution de doublets µ est obtenue de façon à vérifier la condition de non pénétration
(1.10). Le champ de vitesse potentielle uφ correspondant au gradient du potentiel scalaire
φ s’écrit donc en tout point M du domaine D :
 
1
Z
MP
uφ (M ) = µ(P )∇M · n(P ) ds(P ). (1.13)
4π S |M P |3
De plus, on identifie dans les expressions du potentiel scalaire φ (1.12) et de la composante
uφ de la vitesse (1.13) le noyau de Biot et Savart K :
1 x
K(x) = − . (1.14)
4π |x|3
D’où :
Z
φ(M ) = µ(P )K(P M ) · n(P )ds(P ), (1.15)
S
Z
uφ (M ) = µ(P )∇M [K(P M ) · n(P )] ds(P ). (1.16)
S

Maintenant que l’expression continue (1.13) de la composante potentielle de la vitesse

uφ a été définie, il est nécessaire de passer sous forme discrète afin d’effectuer les calculs
numériques. La vitesse potentielle représente ici l’influence de la présence des obstacles
dans le domaine fluide D. La première étape est donc de discrétiser ces obstacles, à savoir
les hydroliennes dans notre étude. Pour ce faire, on discrétise les turbines en Np éléments
surfaciques ou facettes Sp comme le montre la Figure 1.3 dans le cas d’une hydrolienne.
Chacune de ces facettes Sp est définie par son centre C p , sa normale np , sa surface Ap et
son doublet normal µp supposé constant sur la facette (cf. Figure 1.4). L’introduction de

10
1.1. Principaux modèles utilisés

Figure 1.3 – Exemple de discrétisation d’une hydrolienne.

S 2p S 1p
r 1p

Cp M
S 3p
Sp r 0p
S 0p
Figure 1.4 – Schéma récapitulatif des notations relatives au éléments surfaciques.

la notion de facette permet ainsi d’exprimer la vitesse potentiel uφ comme la somme des
contributions de chaque facette Sp . Il vient ainsi l’expression semi-discrète suivante :
Np  
1 X
Z
MP
uφ (M ) = µp ∇M · np ds(P ). (1.17)
4π p=1 Sp |M P |3

L’intégrale curviligne de l’expression semi-discrète peut finalement être réécrite en utilisant

l’équivalence doublet-tourbillon [39] comme la somme des contributions des quatre arrêtes
lpk de la facette p correspondante. Ce qui permet d’obtenir l’expression discrète de la
composante potentielle uφ suivante :
Np 3
φ 1 X X
u (M ) = µp αk (M ), (1.18)
4π p=1 k=0 p

où l’on a :

Z
MP
αkp (M ) = ∧ dl(P )
Sp |M P |3
" # (1.19)
h i r kp · r k+1
p r kp ∧ r k+1
p
= |r kp | + |r k+1
p | 1−
|r kp ||r k+1 k k+1 2
p | |r p ∧ r p |

11
1.1. Principaux modèles utilisés

avec k + 1 toujours défini modulo 4, et où r kp est le vecteur entre le point M et le sommet

S kp de la facette p. Ces différentes notations sont résumées Figure 1.4.

La dernière étape pour l’obtention de la vitesse potentielle est le calcul de la distribution

de doublets normaux µp sur les Np facettes. Pour ce faire, la condition de glissement (1.10)
est imposée en chacun des centres C i des facettes :

h i
uφ (C i ) · n(C i ) = uent (C i ) − uψ (C i ) − u∞ (C i ) · n(C i ) ∀i ∈ J1, Np K. (1.20)

Cette condition de glissement (1.20) impose, en toute rigueur, la résolution du système

linaire (1.21) de taille Np et d’inconnu µp la distribution de doublets normaux à chaque
pas de temps :

Aµp = b, (1.21)

où la matrice A est appelée matrice d’influence et ses éléments Aij s’expriment :

3
1 X
Aij = αk (C i ) · n(C i ) ∀i, j ∈ J1, Np K. (1.22)
4π k=0 j
Les éléments bi du second membre sont simplement la traduction de la condition de glisse-
ment (eq. (1.20))
h i
bi = uent (C i ) − uψ (C i ) − u∞ (C i ) · n(C i ) ∀i ∈ J1, Np K. (1.23)

Une fois cette composante potentielle définie, il faut passer à la composante rotation-
nelle.

1.1.4 Composante rotationnelle de la vitesse

La composante rotationnelle de la vitesse uψ dérive du potentiel vecteur ψ. En reprenant
l’équation (1.7), on obtient :

∆ψ = −ω. (1.24)
La solution de cette équation de Poisson s’écrit à l’aide de la fonction de Green G pour
l’opérateur −∆. La fonction G s’exprime en trois dimensions et sans conditions aux bords
de la manière suivante :
1 1
G (x) = . (1.25)
4π |x|
Le potentiel vecteur ψ, solution de l’équation de Poisson (1.24), s’écrit donc :

ψ(M ) = (G ⋆ ω) (M )
1 1 (1.26)
Z
= ω(X)dX,
4π D |XM |

avec D le domaine fluide et ⋆ le produit de convolution. La composante rotationnelle de

la vitesse s’obtient maintenant en prenant le rotationnel du potentielle ψ défini précédem-
ment :

12
1.1. Principaux modèles utilisés

 
1 1
Z
ψ
u (M ) = ∇ ∧ ω(X)dX
4π D |XM |
(1.27)
1
Z
MX
= ∧ ω(X)dX.
4π D |M X|3

On reconnait également dans l’expression de la vitesse uψ le noyau de Biot et Savart K

défini précédemment (1.14). La vitesse uψ peut donc encore s’écrire :
Z
uψ (M ) = K(XM ) ∧ ω(X)dX (1.28)
D
Le noyau de Biot et Savart K ainsi utilisé présente néanmoins un caractère singulier quand
|XM | → 0. Ce caractère singulier pose problème pour les calculs numériques, il est donc
indispensable de désingulariser (ou régulariser) ce noyau. Pour ce faire, on introduit à la
place du noyau de Biot et Savart K un noyau désingularisé K ǫ tel que :

lim K ǫ = K (1.29)
ǫ→0

où ǫ est le paramètre de régularisation qui est choisi dans le code de calcul en fonction de
la discrétisation choisie (voir section 1.3.2). Il existe de nombreux noyaux désingularisés.
Deux d’entre eux sont utilisés, à savoir le noyau de Moore-Rosenhead :
x 1
K ǫ (x) = − , (1.30)
4π (|x| + ǫ2 )3/2
2

et le noyau de Winckelmans-Leonard [44] :

x |x|2 + 52 ǫ2
K ǫ (x) = − . (1.31)
4π (|x|2 + ǫ2 )5/2
Pour plus de détails sur les fonctions de régularisation utilisées pour construire les noyaux
désingularisés, on pourra par exemple se référer aux travaux de Beale et Majda [45].

Maintenant que l’expression continue (1.28) de la composante rotationnelle de la vitesse

uψ a été définie, il est nécessaire comme pour uφ de passer sous forme discrète afin d’ef-
fectuer les calculs numériques. La composante de vitesse uψ représente ici l’influence du
sillage tourbillonnaire sur le domaine fluide D. Il est donc nécessaire pour calculer cette
composante de discrétiser le sillage derrière les obstacles. Pour ce faire, on divise le domaine
fluide D en N particules fluides de support Pi afin de représenter le sillage des obstacles.
On peut donc écrire la vitesse uψ comme la somme des contributions des N particules qui
constituent le domaine fluide D. Il vient ainsi la forme semi-discrète suivante :
N Z
X
uψ (M ) = K ǫ (XM ) ∧ ω(X)dX. (1.32)
i=1 Pi

13
1.1. Principaux modèles utilisés

Pour chaque particule i, on définit sa position X i , son volume V i et son poids tourbillon-
naire Ωi tel que :
R
XdX
Xi = P
Ri (1.33a)
Pi dX
Z
Vi= dX (1.33b)
Pi
Z
Ωi = ω(X)dX. (1.33c)
Pi

Finalement, la forme discrète de la composante rotationnelle de la vitesse uψ prend la

forme suivante :
N
X
uψ (M ) = K ǫ (Xi M ) ∧ Ωi . (1.34)
i=1

1.1.5 L’émission particulaire

Le lien entre les parties potentielle et rotationnelle de l’écoulement est assuré par
l’émission de particules tourbillonnaires au bord de fuite des profils portants. Ce lâché
tourbillonnaire au bord de fuite est provoqué par la présence d’une discontinuité du champ
de vitesse entre l’intrados et l’extrados des surfaces représentants les obstacles présents
dans l’écoulement. Pour déterminer les caractéristiques des particules émises, la relation
de Bernoulli pour un écoulement potentiel instationnaire irrotationnel [46] est utilisée :

∂φ 1 P
+ (u)2 + = f (t), (1.35)
∂t 2 ρ
avec t le temps, P le pression, ρ la masse volumique du fluide et f une fonction ne
dépendant pas de la position. Notons + les valeurs prisent à l’extrados de la surface
portante et − celles prisent à l’intrados et posons la différence entre les relations (1.35)
prisent à l’extrados et l’intrados pour obtenir :

∂ + 1h + 2 i P+ − P−
(φ − φ− ) + (u ) − (u− )2 + = 0. (1.36)
∂t 2 ρ
Or, au Bord de Fuite (BF) le saut de pression est nul et donc P + = P − ce qui permet de
réécrire la relation précédente sous la forme suivante :

∂ + u+ + u−  + 
(φ − φ− ) + · u − u− = 0. (1.37)
∂t 2
La décomposition de Helmholtz définie par l’équation (1.5) est introduite dans l’expression
précédente :

∂ + u+ + u−  φ+ + + − − −

(φ − φ− ) + · u + uψ + u∞ − uφ − uψ − u∞ = 0. (1.38)
∂t 2
+ − + −
Or, au bord de fuite on a uψ = uψ et u∞ = u∞ , il vient donc :

∂ + u+ + u−  φ+ −

(φ − φ− ) + · u − uφ = 0. (1.39)
∂t 2

14
1.1. Principaux modèles utilisés

BF

Cp jp
X 0p u+
u∞
lp np
δlp Cp X 0p
X BF
p
u ∞
X BF
p jp

|um,p |δt u− |um,p |δt

(a) Vue de dessus (b) Vue de profil

Figure 1.5 – Schéma de l’émission particulaire au bord de fuite d’une facette p.

De plus, on a par définition µ = φ+ − φ− et uφ = ∇φ et donc la relation 1.39 devient

au bord de fuite :

∂µ
+ um · ∇µ = 0, (1.40)
∂t
avec :

u+ + u−
um = . (1.41)
2
Cette relation traduit le fait que la distribution de doublet répartie sur les surfaces solides
est relâchée dans l’écoulement au fur et à mesure du temps et ce à une vitesse um .

D’un point de vue pratique, des facettes fictives Sp′ (en pointillé rouge sur la Figure
1.5) sont générées dans le prolongement des facettes Sp constitutives du bord de fuite.
Chaque facette fictive Sp′ est définie par son centre X 0p et sa taille |um,p |δt×δlp . La vitesse
um,p est la vitesse d’injection de la distribution de doublet dans l’écoulement (eq. (1.41))
prise en X BF
p , milieu de l’arête qui constitue le bord de fuite de la facette Sp (en vert
sur la Figure 1.5). L’ensemble de ces notations est résumé sur la Figure 1.5 illustrant le
processus d’émission pour une unique facette.

Une fois défini les facettes fictives Sp′ représentant les doublets injectés dans l’écoule-
ment, il est nécessaire de les transformer en particules fluides. Pour ce faire, on utilise une
nouvelle fois l’équivalence doublet-tourbillon [39]. Cette équivalence permet d’exprimer la
vitesse uφ induite par la distribution de doublets comme une vitesse induite par deux ré-
partitions de tourbillons [47]. La première est liée à l’existence d’une nappe tourbillonnaire
attachée à la surface S , et d’intensité γ = n ∧ ∇µ. La seconde est liée à un tourbillon
µdl localisé sur le contour C de la surface S . La particule émise au bord de fuite d’une
facette Sp se voit donc attribuer un poids tourbillonnaire Ω0p correspondant à l’intensité
tourbillonnaire γ p = np ∧ (∇µ)p attaché à la facette d’émission Sp mais intégrée sur la
facette fictive Sp′ :
Z
Ω0p = np ∧ (∇µ)p dsp , (1.42)
Sp′

où (∇µ)p est le gradient de doublet µ au centre Cp de la facette d’émission Sp .

15
1.1. Principaux modèles utilisés

Afin d’évaluer le poids Ω0p de la particule émise, on se place dans le repère local
 
X BF
p , lp , j p , np (cf. Figure 1.5). Les coordonnées d’un point P dans ce repère locale
 
sont notées xp , y p , z p . Le tourbillon γ p peut donc s’écrire :

γ p = np ∧ (∇µ)p
   
0 ∂µp /∂xp
= 0 ∧ ∂µp /∂y p 
   
1 0
(1.43)
 
−∂µp /∂y p
=  ∂µp /∂xp 
 
0
∂µp ∂µp
=− lp + j .
∂y p ∂xp p

Le tourbillon γ p se décompose donc en une composante tangentielle et une composante

perpendiculaire au bord de fuite dans le plan d’émission. Afin de déterminer la composante
tangentielle, il faut tout d’abord revenir à l’équation (1.40). Pour cela il faut garder à
l’esprit que la vitesse d’émission um,p est principalement orientée dans l’axe d’émission à
savoir j p , on peut donc faire l’approximation suivante :

um,p ≈ |um,p |j p . (1.44)

Ainsi en utilisant cette première approximation l’équation (1.40) devient :

∂µp ∂µp
+ |um,p | = 0. (1.45)
∂t ∂y p
On en déduit la composante tangentielle de γ p à partir des relations (1.43) et (1.45) :

∂µp
γ p · lp = −
∂y p
(1.46)
1 ∂µp
= = 0.
|um,p | ∂t

Numériquement, cette composante γ p · lp est approchée à l’aide d’un schéma d’Euler

progressif :

µp (t) − µp (t − δt)
γ p · lp ≈ . (1.47)
|um,p |δt

La composante perpendiculaire γ p · j p est quant à elle approchée par un schéma de

différences finies centré :

∂µp
γp · jp =
∂xp
(1.48)
µp+1 − µp−1
≈ .
2δlp

16
1.1. Principaux modèles utilisés

Le poids tourbillonnaire Ω0p de la particule émise peu donc être réécrit en combinant les
relations (1.42), (1.47) et (1.48) :
" #
µp (t) − µp (t − δt)
Z
µp+1 − µp−1
Ω0p = lp + j p dsp . (1.49)
Sp′ |um,p |δt 2δlp
L’intégrale précédente est ensuite calculée à l’aide d’une
 quadrature de point milieu ce qui
0 0 0
permet finalement d’obtenir la particule X p , Ωp , Vp :

δt
X 0p = X BF + |um,p |j p (1.50a)


 p


 2
µp+1 − µp−1
Ω0p ≈ [µp (t) − µp (t − δt)] δlp lp + |um,p | δtj p (1.50b)
2





 0
Vp = |um,p |δt × δlp × ǫ, (1.50c)
avec Vp0 le volume de la particule et ǫ le paramètre de régularisation qui doit être le même
que celui utilisé pour désingulariser le noyau de Biot et Savart (1.29). Les particules ainsi
émises sont ensuite advectées dans l’écoulement [38, 39], comme le montre la Figure 1.1.

Néanmoins, il est nécessaire d’effectuer une correction sur les particules émises aux
extrémités des pales dans le cas d’une étude sur des hydroliennes à axe horizontale. En
effet, les tourbillons lâchés au bout des pales des machines sont beaucoup plus intenses
que ceux générés le long des pales. Ainsi, aux extrémités des pales, c’est à dire quand la
facette Sp−1 ou la facette Sp+1 n’existe pas, les particules émises deviennent donc :

δt
X 0p = X BF + |um,p |j p (1.51a)


p


 2
µp+1 + µp
Ω0p ≈ [µp (t) − µp (t − δt)] δlp lp + |um,p | δtj p (1.51b)
2





 0
Vp = |um,p |δt × δlp × ǫ, (1.51c)

quand la facette Sp−1 n’existe pas, et :


δt
X 0p = X BF + |um,p |j p (1.52a)


 p


 2
µp + µp−1
Ω0p ≈ [µp (t) − µp (t − δt)] δlp lp − |um,p | δtj p (1.52b)
2





V 0 = |u |δt × δl × ǫ,
p m,p p (1.52c)
quand c’est la facette Sp+1 qui est absente.

Du point de vue de l’implémentation de l’émission dans le code de calcul, un schéma

itératif est utilisé. En effet, à chaque pas de temps δt, il est nécessaire de connaître la
distribution de doublet µp afin de réaliser l’émission. Par ailleurs, pour calculer µp il faut
connaître la vitesse induite par les particules nouvellement émises, d’où la nécessité d’un
processus itératif. Dans la suite de ce manuscrit, les itérations du processus d’émission
seront appelées sous-itération afin de ne pas les confondre avec les itérations temporelles
du code de calcul. Le schéma itératif ainsi utilisé débute par l’émission de particules en
utilisant la distribution de doublet calculée à l’itération précédente (ou une distribution
nulle à t = 0). Puis une nouvelle distribution de doublet µp est calculée en résolvant le
système linéaire (1.21). Les particules émises sont ensuite mises à jours pour correspondre
aux nouvelles valeurs de µp calculées. Le second membre b du système linéaire (1.21) est

17
1.1. Principaux modèles utilisés

mis à jours avec les nouvelles valeurs liées aux particules en cours d’émission. Le système
linéaire (1.21) est résolu une nouvelle fois pour obtenir une nouvelle distribution de doublet
µp et ainsi de suite jusqu’à atteindre la convergence du processus. Pour s’assurer de cette
convergence, le critère d’arrêt suivant est utilisé :

||µip − µi−1
p ||∞ < ξ, (1.53)
où i est la sous-itération en cours et ξ est la valeur du critère souhaitée. Le processus
générale d’émission est résumé par le logigramme de la Figure 1.6.

Durant cette thèse, une modification de l’émission particulaire a été effectuée dans le but
d’obtenir une représentation plus précise du sillage proche des machines (≤ 4 diamètres).
En effet, avant cette modification, le sillage généré par les hydroliennes avait quelque diffi-
culté à se "mélanger" juste derrière les turbines comme l’illustre la Figure 1.7, notamment
par la présence de sur-vitesses le long du moyeu de la turbine. Ce manque de "mélange"
était lié à l’absence d’émission de particule au niveau des Pieds de Pales des machines,
comme l’illustre la Figure 1.8a. En effet, les sur-vitesses que l’on observe le long du moyeu
de l’hydrolienne de la Figure 1.7, que cela soit à TSR = 2.5 ou à TSR = 3.67, sont dues
à l’absence de particules dans ces parties de l’écoulement. Le choix de ne pas émettre
aux pieds des pales était lié au fait que, sur des machines réelles, les pieds des pales sont
généralement des cylindres profilés n’engendrant que très peu à pas du tout de portance.
Or, en théorie avec la méthode numérique utilisée dans cette étude seules les surfaces
portantes sont supposées émettre des particules, justifiant ainsi le choix précédemment
effectué. Néanmoins, sur une machine réel même si les pieds des pales ne génèrent que
très peu voire pas de portance, ils génèrent tout de même du tourbillon (vorticité), et
donc en toute rigueur des particules devraient être émises dans le code de calcul pour bien
représenter le sillage des machines. Mais comme expliqué précédemment, avec la méthode
numérique présentée dans ces travaux, émettre des particules revient à générer de la por-
tance même là où il ne devrait pas y en avoir. Ce problème dans la méthode numérique
utilisée ici vient en réalité de la représentation des obstacles et donc des hydroliennes par
des profils minces négligeant ainsi l’épaisseur des pieds des pales. Or, c’est l’épaisseur des
pieds de pales qui en réalité réduit très fortement leurs portances.

La solution numérique proposée ici pour palier au problème de génération artificielle de

portance est d’émettre au pieds de pales, comme illustré par la Figure 1.8b. Les efforts sur
les facettes liées aux pieds de pales sont négligés pour ne pas surévaluer les performances
des machines. Une autre solution pour ne pas surévaluer les performances des machines
pourrait être de pondérer les efforts en fonction de l’épaisseur local du profils. Les résultats
obtenus dans le cadre de cette modification de l’émission particulaire sont présentés dans
la section 1.3.

1.1.6 Calcul des efforts sur les machines dans le code de simulation
Les performances des hydroliennes sont déterminées de manière classique par le calcul
des coefficients de puissance CP et de trainée CT définis par :
Mx Φx
CP = 1 2 ∞ 3
, (1.54)
2 ρπR |u |

Fx
CT = 1 2 ∞ 2
, (1.55)
2 ρπR |u |

18
1.1. Principaux modèles utilisés

Initialisation
Initialisation des particules émises

Initialisation de la vitesse d’émission

Initialisation du second membre b

Sous-itérations

Mise à jour du second membre b

Résolution du système linéaire

Mise à jour de la vitesse d’émission

Mise à jour des particules émises

[ Sinon ]
[ Condition de convergence vérifié ]

Figure 1.6 – Logigramme récapitulation de l’émission particulaire

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗

-0.5 0.6 -0.5 0.6

-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
-1 0 1 2 3 4 5 6 7 8 ū∗ -1 0 1 2 3 4 5 6 7 8 ū∗
x∗ x∗
(a) TSR = 2.5 (b) TSR = 3.67

Figure 1.7 – Exemple de cartes de vitesse axiale obtenues numériquement sans émission
en pieds de pales.

19
1.1. Principaux modèles utilisés

(a) Sans PP (b) Avec PP

Figure 1.8 – Exemple de définition des facettes d’émissions sur les pales d’un maillage
d’hydrolienne sans émission de pieds de pale (a) et avec émission de pieds de pale (b), avec
en vert les facettes d’émission et en bleu les facettes d’émissions avec correction de bout
de pale.

avec Mx le moment en x (orienté dans le sens de l’écoulement amont), R = D/2 le rayon

de l’hydrolienne, Ωx sa vitesse de rotation, ρ la densité du fluide et Fx l’effort axial sur
toute l’hydrolienne. Afin de calculer ces deux coefficients sur les machines, il est tout
d’abord nécessaire de calculer l’effort normal F n sur les turbines. L’effort normal total Fn
appliqué sur la surface portante S s’écrit sous forme continu [32, 38] :
Z Z Z
∂µ
Fn = ρ nds + ρ u ∧ γds + 2ρ Φ ∧ uds, (1.56)
S ∂t S S
R
où γ est la nappe tourbillonnaire attachée sur la surface S et le dernier terme 2ρ S Φ∧uds
est la pseudo-force de Coriolis. Numériquement dans le code de calcul la surface portante
S est, comme exposé dans la section 1.1.3, discrétisée en Np facettes Sp . L’effort normal
total Fn sur une hydrolienne peut donc être exprimé comme la somme des efforts normaux
f p répartis sur chacune de ses facettes Sp :
Np
X
Fn = fp (1.57)
p=1
avec :
Z Z Z
∂µ
fp = ρ ndsp + ρ u ∧ γdsp + 2ρ Φ ∧ udsp . (1.58)
Sp ∂t Sp Sp

Les efforts normaux f p sont ensuite approchés par une quadrature de point milieu :
  3
∂µ X
fp ≈ ρ np Ap + ρ u(Lkp ) ∧ µkp + 2ρΦ ∧ u(C p )Ap , (1.59)
∂t p k=0

20
1.2. Calcul de la dérivée particulaire dans la méthode Vortex

avec np le vecteur normal à la facette Sp , Ap son aire, C p son centre, lpk ses arrêtes portées
par le vecteur lkp et de milieu Lkp . µkp est le tourbillon fictif attaché au côté lpk tel que :

  
Ap
 µp − µt,k
p lkp si lpk a une autre facette adjacente Spt,k
µkp = Ap +At,k
p (1.60)
 µp lkp sinon.

La dernière étape pour calculer l’effort normal total Fn sur une hydrolienne est l’évaluation
de la dérivée temporelle de µ. Cette évaluation est réalisée grâce à un schéma d’Euler
progressif :
 
∂µ µp (t) − µp (t − δt)
≈ . (1.61)
∂t p δt
Finalement, on peut déduire des calculs précédents le moment MO par rapport au centre
de rotation O de la turbine :
Np
X
MO = OCp ∧ f p . (1.62)
p=1

1.2 Calcul de la dérivée particulaire dans la méthode Vortex

On s’intéresse dans cette partie à l’évaluation de la dérivée particulaire Dω
Dt indispens-
able à l’évolution temporelle du poids tourbillonnaire Ωi des particules utilisées dans la
méthode Vortex. Pour ce faire, on considère dans cette partie un écoulement sans obstacle
(donc uφ = 0) afin de se concentrer sur la méthode Vortex seule. La dérivée particu-
laire Dω
Dt est définie dans la formulation vitesse/tourbillon de l’équation de conservation
de la quantité de mouvement (1.1b). Cette équation peut être décomposée en un terme de
déformation et un terme de diffusion comme suit :

Dω
= (ω · ∇) u + ν∆ω (1.63)
Dt | {z } | {z }
Déformation Diffusion

1.2.1 Traitement du terme de déformation

Le terme de déformation noté S (pour Stretching en anglais) s’écrit donc :

S = (ω · ∇) u
= ω · (∇ ⊗ u) (1.64)
T
=ω· Ju,
T
avec J u la transposée de la matrice Jacobienne J u de la vitesse u :
 
∂uj
J u = (Jij ) = . (1.65)
∂xi
Le terme de déformation S peut donc être développé selon chacune de ses composantes
sous la forme suivante :

21
1.2. Calcul de la dérivée particulaire dans la méthode Vortex

3
X ∂ui
Si = ωj ∀i ∈ J1, 3K (1.66)
j=1
∂xj

Ce terme de déformation S s’exprime également sous deux autres formes équivalentes à

celle de l’équation (1.66), mais qui donnent naissance à des expressions différentes une fois
discrétisées [39, 44, 48, 49]. La seule forme développée ici est celle définie dans l’équation
(1.66) car il s’agit de celle utilisée dans l’intégralité des travaux présentés dans ce manuscrit
de thèse. L’écoulement étant supposé ici sans obstacle et la vitesse de l’écoulement amont
étant considérée uniforme, on a :

J u = J uψ . (1.67)
Le terme de déformation S peut maintenant être réécrit en faisant intervenir l’expression
continue de la vitesse rotationnelle uψ (1.28) exprimée précédemment :

3
X ∂uψ (M )
S(M ) = ωj (M )
j=1
∂xj
Z 
∂
= ωj (M ) K(XM ) ∧ ω(X)dX (1.68)
∂xj D
 !
Z 3
X ∂
=  ωj (M ) K(XM )  ∧ ω(X)dX.
D j=1
∂xj

Cette expression est singulière car le noyau de Biot et Savart K (1.14) est lui-même sin-
gulier en 0. C’est pourquoi, il est une nouvelle fois nécessaire d’utiliser un noyau désingu-
larisé K ǫ comme par exemple les noyaux de Moore-Rosenhead (1.30) et de Winckelmans-
Leonard (1.31) présentés dans la section 1.1.4. On obtient ainsi, l’expression désingularisée
suivante :
 !
Z 3
X ∂
S ǫ (M ) =  ωj (M ) K ǫ (XM )  ∧ ω(X)dX. (1.69)
D j=1
∂xj

Pour le développement des dérivées partielles du noyau désingularisé K ǫ [39], on obtient :

Z
S ǫ (M ) = χǫ (XM ) [(XM ) · ω(M )] [(XM ) ∧ ω(X)]
D
(1.70)
qǫ (XM )
+ (ω(X) ∧ ω(M ))dX,
|XM |3

avec les expressions χǫ (x) et qǫ (x)/|x|3 définies comme suit :


3 1
χǫ (x) = 4π (|x|2 + ǫ2 )5/2 (1.71a)




 3 1 1
qǫ (x)/|x| = , (1.71b)


4π (|x| + ǫ2 )3/2
2

22
1.2. Calcul de la dérivée particulaire dans la méthode Vortex

pour le noyau de Moore-Rosenhead et :


 3 |x|2 + 72 ǫ2

χ
 ǫ
 (x) = (1.72a)
4π (|x|2 + ǫ2 )7/2

 3 1 |x|2 + 52 ǫ2

q
 ǫ (x)/|x| = , (1.72b)
4π (|x| + ǫ )
2 2 5/2

pour celui de Winckelmans-Leonard. Le champ de déformation S ǫ sur l’ensemble des N

particules fluides Pi de centre Xi , de poids tourbillonnaire Ωi et de volume Vi , peut être
discrétisé de la façon suivante :
Z
S ǫ (X)dX ≈ S ǫ,i Vi , (1.73)
Pi
avec :

N
X
S ǫ,i Vi = χǫ (Xj Xi ) [(Xj Xi ) · Ωi ] [(Xj Xi ) ∧ Ωj ]
j=1 (1.74)
qǫ (Xj Xi )
+ (Ωj ∧ Ωi ).
|Xj Xi |3

1.2.2 Traitement de la diffusion

Le terme de diffusion dans l’équation (1.63), noté L, s’écrit donc :

L = ν∆ω. (1.75)
En discrétisant ce terme de diffusion L sur l’ensemble des N particules fluides Pi de centre
Xi , de poids tourbillonnaire Ωi et de volume Vi , il vient :

Z
L(X)dX ≈ ν[∆ω]X i Vi
Pi (1.76)
= Li Vi ,

où la diffusion moléculaire Li Vi est traitée par la méthode Particle Strength Exchange

(PSE) [43, 50]. On obtient ainsi l’approximation suivante :
N
X
Li Vi ≈ ν [Ωj Vi − Ωi Vj ] ηǫlap (Xj Xi ) , (1.77)
j=1

où ηǫlap est un noyau construit afin d’approcher l’opérateur Laplacien [39] tel que :
 
1 lap x
ηǫlap (x) = η , (1.78)
ǫ3 ǫ
pour un noyau Gaussien d’ordre 2. η lap prend la forme suivante :
4 2
η lap (x) = e−|x| . (1.79)
ǫ2 π 3/2

23
1.2. Calcul de la dérivée particulaire dans la méthode Vortex

1.2.3 Utilisation d’une méthode LES pour le traitement de la diffusion

turbulente
Le code de calcul inclut également un modèle de turbulence pour modéliser l’influence
des échelles non résolues sur le modèle particulaire [51,52]. Ce modèle de turbulence, fondé
sur la simulation des grandes échelles (Large Eddy Simulation, LES), est différent du
modèle de turbulence ambiante qui est présenté dans le Chapitre 3. En effet, la turbulence
ambiante représente les perturbations de l’écoulement amont (et donc sans machine ni
particule), et agit sur la composante u∞ de la vitesse. Le modèle de turbulence, utilisée ici,
intervient sur le terme de diffusion (d’où l’appellation diffusion turbulente) de l’équation
de conservation de la quantité de mouvement (1.63). Le terme de diffusion Li Vi calculé
précédemment (1.77) devient donc L′i Vi :

L′i V i = [(ν + νT ) ∆ω + (∇νT ) ∧ (∆u)]X i Vi , (1.80)

où νT est la viscosité turbulente dépendant de la position. Ce terme doit donc être calculé
pour chaque particule Pi de position X i . La viscosité turbulente est évaluée dans le code
de calcul à l’aide du modèle de Mansour [52] qui la définit en tout point M de l’espace de
la manière suivante :
√
νT (M ) = (CM ∆)2 2|ω(M )|, (1.81)
avec CM une constante à définir et ∆ la taille caractéristique de la grille de résolution. À
partir de cette expression continue de la viscosité turbulente νT , on en déduit la viscosité
turbulente νT (X i ) associée à une particule Pi = (X i , Ωi , Vi ) :
√ |Ωi |
νT (X i ) = (CM dh)2 2 , (1.82)
Vi
avec dh la discrétisation choisie, discrétisation qui représente également une distance car-
actéristique entre deux particules Pi et Pj . Le terme de diffusion turbulente L′i Vi [39] de
la particule Pi s’écrit finalement :

 N
√ |Ωi |  X
L′i Vi ≈ ν + (CM dh) 2 2
[Ωj Vi − Ωi Vj ] ηǫlap (Xj Xi )
Vi j=1
   
√ X N N
X
2
+ (CM dh) 2  ∇
[|Ωj |Vi − |Ωi |Vj ] ηǫ (Xj Xi ) ∧
  [U j − U i ] Vj ηǫlap (Xj Xi ) ,
j=1 j=1
(1.83)

avec U i = u(X i ) la vitesse de la particule Pi et ηǫ∇ un noyau construit afin d’approcher

l’opérateur gradient [39] :
 
1 x
ηǫ∇ (x) = 3 η∇ , (1.84)
ǫ ǫ
avec η ∇ un noyau Gaussien d’ordre 2 :
−2x −|x|2
η ∇ (x) = e . (1.85)
ǫ2 π 3/2

24
1.3. Principaux résultats de simulation

1.3 Principaux résultats de simulation

Dans cette section, on présente des résultats numériques préliminaires portant sur une
unique machine sans turbulence ambiante. Ces résultats numériques ont pour objectifs
de valider les derniers développements effectués sur le code de calcul, et notamment les
modifications relatives à l’émission en pieds de pales des machines (cf. 1.1.5).

1.3.1 Lien entre les simulations numériques, les données expérimentales

et les machines réelles
Afin de valider les résultats numériques, les données expérimentales précédemment
obtenues dans le bassin à houle et à courant de l’IFREMER de Boulogne-sur-Mer [24,38,53]
(cf. Figure 1.9) pour un taux de turbulence ambiante I∞ de 3% sont utilisées. Ces essais
expérimentaux ont été réalisés afin de respecter une similitude de Froude et de Tip Speed
Ratio (TSR) avec une turbine réelle. Le TSR est la vitesse en bout de pale et est défini
comme suit :

Φx R
TSR = , (1.86)
|u∞ |
avec Φx la vitesse de rotation de la turbine, R son rayon et u∞ la vitesse de l’écoulement
amont. Le nombre de Froude est défini par :

|u∞ |
F r∞ = √ , (1.87)
gH
avec H la hauteur d’eau et g = 9.81m.s−2 l’accélération de la pesanteur terrestre. Ainsi,
l’utilisation d’une échelle 1 : λ, c’est-à-dire un rayon R de turbine et une hauteur d’eau
H réduite d’un facteur λ par rapport à √ la réalité implique une réduction de la vitesse
de l’écoulement amont u∞ d’un facteur λ pour respecter la similitude de Froude. √ La
vitesse de rotation de la turbine Φx est quand à elle augmentée d’un facteur λ pour
respecter la similitude de TSR. Le nombre de Reynolds Re∞ basé sur le rayon R du rotor
des machines, est défini par :

|u∞ |R
Re∞ = , (1.88)
ν
avec u∞ la vitesse de√l’écoulement amont et ν la viscosité cinématique de l’eau. Re∞ est
réduit d’un facteur λ λ dans les essais en bassins. Les maquettes d’hydroliennes utilisées
expérimentalement sont considérées à l’échelle 1 : 25 par rapport à une turbine réelle.
Les différentes correspondances d’échelles entre les essais expérimentaux et la réalité sont
résumées dans le Tableau 4.3.

Grandeur physique Échelle 1 : 1 Échelle 1 : 25 Rapport Similitude

Rayon R 8.75m 0.35m 1:λ
Hauteur d’eau H 50m 2m 1 :√λ
Vitesse d’écoulement u∞ 4m.s−1 0.8m.s−1 1: λ F r∞ ≈ 0.18
Vitesse de rotation Ωx 16tr/min 80tr/min 1 : λ−1/2
√ TSR ≈ 3.67
Reynolds Re∞ ≈ 3.5 × 107 ≈ 2.8 × 105 1:λ λ

Table 1.1 – Correspondance entre l’échelle 1 : 1 et l’échelle 1 : 25.

25
1.3. Principaux résultats de simulation

Grue mobile (6T) Fenêtre

Nids d'abeille Tapis roulant Pompes

18m Section utile :

Longueur : 18m
Largeur : 4m
Profondeur : 2m
4m
Volume : 700m3

Vitesse de l'écoulement :
de 0.1 à 2.2m/s

Passerelles mobiles

Figure 1.9 – Schéma du bassin à houle et à courant de l’IFREMER à Boulogne-sur-Mer.

Les simulations numériques présentées dans cette thèse sont réalisées de manière adi-
mensionnelle, c’est à dire avec u∞ = (1, 0, 0) contre u∞ = (0.8, 0, 0) en expérimentale et
avec R = 1 contre R = 0.35 pour les maquettes. De plus, elles sont effectuées avec des
nombres de Reynolds similaire à ceux des essais expérimentaux en utilisant la viscosité
cinématique ν comme paramètre d’ajustement. On choisit également un taux de turbu-
lence ambiante I∞ de 3% pour les données expérimentales car il s’agit du plus faible taux
de turbulence qui peut être obtenu dans ce bassin. Il s’agit donc de la configuration la
plus proche d’une simulation sans turbulence ambiante. Une description complète du dis-
positif expérimentale est disponible dans les travaux de Mycek et al. [24, 39]. Les résultats
numériques présentés ici serviront ensuite de résultats de référence pour la suite de ce
manuscrit et plus particulièrement dans la section 2.3.

1.3.2 Description des maillages d’hydroliennes utilisés

Les hydroliennes sont représentées dans le code de simulation par des maillages sur-
faciques comme illustré par les Figures 1.3 et 1.10. Ces maillages ont été réalisés sur la
base des maquettes expérimentales utilisées par l’IFREMER pour les essais en bassin
[24, 25, 38, 39], la géométrie des maquettes d’hydroliennes utilisées est décrite dans la sec-
tion ??. Les différents maillages d’hydroliennes sont décrits dans le Tableau 1.2 et les
notations utilisées dans ce tableau sont illustrées sur la Figure 1.10.
Les paramètres dh et ǫ du Tableau 1.2 sont respectivement la taille moyenne d’une
maille qui correspond également à la distance caractéristique entre deux particules et le
paramètre de régularisation utilisé pour désingulariser le noyau de Biot et Savart K (eq.
1.29). Ces deux grandeurs dh et ǫ sont liées par le paramètre de recouvrement κ > 1 qui
est choisi classiquement ici égal à 1.5 :
ǫ
κ= = 1.5. (1.89)
dh

26
1.3. Principaux résultats de simulation

R
Lc (Nc)
L

dh

LBF (NBF )
dh

ex
ey

ez

Figure 1.10 – Description des différentes notations liées aux maillages.

Identifiant Nc NBF Nchub hub

NBF Np dh ǫ
05x05 5 5 58 6 488 0.158 0.236
05x07 5 7 58 8 641 0.113 0.169
05x11 5 11 58 12 964 0.072 0.107
05x15 5 15 58 16 1278 0.053 0.079
05x23 5 23 58 24 1914 0.034 0.051

Table 1.2 – Description des différents maillages utilisés pour les simulations d’hydroli-
ennes.

1.3.3 Évaluation des performances d’une hydrolienne

L’objectif principal de la modification de l’émission particulaire présentée dans la sec-
tion 1.1.5 est de permettre une meilleure représentation du sillage proche de l’hydrolienne,
c’est à dire pour x∗ < 4, où x∗ , y ∗ et z ∗ sont les distances en x, y, z par rapport au centre du
rotor de l’hydrolienne adimentionnalisée par son diamètre D. Néanmoins, comme expliqué
précédemment, émettre des particules en Pieds de Pales (PP) peut engendrer une suréval-
uation des performances de l’hydrolienne. Il est donc indispensable de valider le calcul des
coefficients de puissance CP et de traînée CT pour la nouvelle émission particulaire. Pour
ce faire, on commence par vérifier la bonne convergence des performances des machines en
fonction de la discrétisation dh utilisée. Les performances obtenues numériquement pour
une turbine sont présentées Figure 1.11 pour l’ensemble des discrétisations testées en fonc-
tion de la vitesse en bout de pales (Tip Speed Ratio (TSR)) définit par la relation (1.86).
Pour les coefficients de puissance CP , la Figure 1.11a montre qu’il n’y a pas véritablement
de variation des valeurs obtenues en fonction de la discrétisation choisie. Ainsi, on peut
considérer que la convergence des coefficients de puissance est obtenue dès la discrétisation
la plus grossière, à savoir dh = 0.158. En ce qui concerne les coefficients de traînée CT , la
Figure 1.11b montre une convergence moins rapide en fonction de la discrétisation utilisée.
En effet, il faut attendre la discrétisation médiane, dh = 0.072, pour que les valeurs des
coefficients de traînée CT se stabilisent, et ceux notamment pour les faibles TSR. En con-
clusion de cette étude, les performances numériques des machines sont considérées comme
convergées à la discrétisation dh = 0.072, c’est pourquoi dans la suite de ce manuscrit la
très grande majorité des simulations sont réalisées avec cette valeur de paramètre.

27
1.3. Principaux résultats de simulation

0.6 0.9
T SR = 0.5 T SR = 1.5 T SR = 2.5 T SR = 0.5 T SR = 1.5 T SR = 2.5
T SR = 1.0 T SR = 2.0 T SR = 3.0 0.8 T SR = 1.0 T SR = 2.0 T SR = 3.0
0.5
0.7
0.4 0.6
0.5
CP

0.3

CT
0.4
0.2 0.3
0.2
0.1
0.1
0 0
0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.16 0.14 0.12 0.1 0.08 0.06 0.04
dh dh

(a) CP (b) CT

Figure 1.11 – Coefficients de performances d’une hydrolienne obtenues numériquement

pour différents maillages.

0.6 0.9

0.8
0.5
0.7

0.4 0.6

0.5
0.3
CP

CT

0.4

0.2 0.3

0.2
0.1
Exp., I∞ = 3% Exp., I∞ = 3%
0.1
Num. sans PP Num. sans PP
0
Num. avec PP 0 Num. avec PP

0 2 4 6 8 10 0 2 4 6 8 10

TSR TSR

(a) CP (b) CT

Figure 1.12 – Comparaison des performances expérimentales et numériques avec et sans

émission de Pieds de Pales (PP).

28
1.3. Principaux résultats de simulation

Les coefficients de performances obtenues expérimentalement [24, 38], numériquement

sans pieds de pales [38,39] et numériquement avec pieds de pales en fonction du TSR sont
comparés Figure 1.12. Premièrement, on remarque que les coefficients de performances
numériques avec et sans émissions de pieds de pales sont très proches. Même si comme
annoncé dans la section 1.1.5, les coefficients de puissance CP et de traînée CT sont un
peu plus élevés dans le cas d’une émission particulaire en pieds de pales. Deuxièmement,
si l’on compare les résultats numériques aux résultats expérimentaux, on remarque que
seule la partie ascendante de la courbe des coefficients de puissance CP et de traînée
CT en fonction du TSR est correctement modélisée par la simulation numérique mais
pas la partie descendante. Or cette partie descendante est très importante puisque le
régime de fonctionnement réel d’une hydrolienne se situe en partie dans cette région de la
courbe. Pour palier à ce problème, l’ajout d’une distribution de source sur les maillages
d’hydroliennes est envisagé similairement à ce qui se fait en deux dimensions [54, 55].

1.3.4 Influence de l’émission de pieds de pale sur le sillage d’une turbine

L’objectif de cette section est de mettre en évidence l’impact de la modification de
l’émission particulaire exposée précédemment (section 1.1.5) sur la représentation numérique
du sillage d’une hydrolienne. Pour ce faire, une comparaison des sillages expérimen-
taux [38, 53] aux sillages numériques avec et sans émission de pieds de pales est proposée
pour les TSR 2.5 et 3.67. Les deux TSR représentent un régime de fonctionnement différent
de la turbine. Ainsi, la valeur TSR = 2.5 correspond à un point de la partie ascendante de
la courbe de CP (Figure 1.12) tandis que la valeur TSR = 3.67 correspond à un point du
plateau de cette courbe de performance et donc au régime de fonctionnement nominale de
la turbine. Les vitesses présentées ici sont des vitesses adimensionnalisées u∗ par la vitesse
de l’écoulement amont u∞ . De plus, les simulations présentées sont des simulations sur
60 secondes de temps physique et les vitesses numériques u∗ sont moyennées sur les 20
dernières secondes.

Débutons l’étude de l’influence de l’émission de Pieds de Pales sur les sillages d’une
hydrolienne par le cas TSR = 2.5. La première chose que montre les cartes de vitesse axiale
de la Figure 1.13 est que le sillage derrière l’hydrolienne est globalement plus marqué sans
l’émission de Pieds de Pales (PP). En revanche, le sillage très proche de l’hydrolienne,
x∗ ≤ 2, présente un déficit de vitesse plus important avec émission en Pieds de Pales. En
effet, les deux premiers profils de vitesse de la Figure 1.14 montrent un déficit de vitesse
légèrement plus marqué pour la simulation avec émission de Pieds de Pales. Ils montrent
également que ce déficit de vitesse est plus homogène que celui sans émission de Pieds de
Pales qui présente très clairement des "sur-vitesses" là où il n’y a pas d’émission en Pieds
de Pales. Pour ce qui est du sillage lointain (x∗ ≥ 4), les Figures 1.13 et 1.14 mettent
en évidence une sur-évaluation du déficit de vitesse dans les simulations numériques par
rapport aux résultats expérimentaux.
Afin de mieux quantifier le déficit de vitesse dans le sillage de l’hydrolienne, une étude
du déficit de vitesse intégré d(x∗ ) sur le diamètre D de la machine est proposé. Ce déficit
de vitesse intégré d(x∗ ) est exprimé comme suit :
Z 1
!
2
∗ ∗
d(x ) = 100 1 − |y |u∗ (x∗ , y ∗ , 0)dy ∗ , (1.90)
− 12

avec x∗ et y ∗ les distances en x et y par rapport au centre du rotor de la turbine adimen-

tionnalisée par son diamètre D = 2R et u∗ la vitesse adimentionnalisée dans le sillage. La

29
1.3. Principaux résultats de simulation

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) Numérique I∞ = 0% sans émission en pieds de (b) Numérique I∞ = 0% avec émission en pieds de
pales (sans PP) pales (avec PP)

2 1.1
1.5 1
1 0.9
0.5 0.8
0 0.7
y∗

-0.5 0.6
-1 0.5
-1.5 0.4
-2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗
x∗
(c) Expérimentale I∞ = 3%, [53]

Figure 1.13 – Comparaisons des cartes de vitesse axiale obtenues numériquement et

expérimentalement à TSR = 2.5.

x∗ = 1D x∗ = 2D x∗ = 3D x∗ = 5D x∗ = 9D
2
Exp., I∞ = 3%
1.5 Num. avec PP
1 Num. sans PP
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 1.14 – Comparaisons de profils de vitesse axiale obtenus numériquement et ex-

périmentalement à TSR = 2.5

30
1.3. Principaux résultats de simulation

45
Exp., I∞ = 3%
Num. avec PP
40 Num. sans PP

Déficit de vitesse d(x∗) [%]

35

30

25

20

15

10
1 2 3 4 5 6 7 8 9 10
x∗

Figure 1.15 – Comparaisons des déficits de vitesses intégrés numériques et expérimentaux

à TSR = 2.5

Figure 1.15 présente donc ce déficit de vitesse intégré d(x∗ ) pour les trois cas présentés,
à savoir les résultats expérimentaux, numériques avec et sans émission en Pieds de Pales.
Dans le sillage très proche (x∗ ≤ 2), le déficit de vitesse est plus important avec l’émission
en Pieds de Pales même si, dans les deux cas, les simulations numériques le sous-évaluent
par rapport aux données expérimentales. En revanche dans le sillage lointain (x∗ ≥ 4),
les simulations numériques sur-évaluent le déficit de vitesse même si c’est moins prononcé
avec l’émission en Pieds de Pales. Ces courbes de déficit de vitesse intégré confirment donc
les observations précédentes, elles montrent également un meilleur accord de la simulation
avec émission en Pieds de Pales vis-à-vis des données expérimentales. Ainsi, l’émission en
Pieds de Pales présente une amélioration du sillage numérique dans le cas d’une hydroli-
enne à TSR = 2.5.

Intéressons nous maintenant au cas d’une turbine à son régime de fonctionnement nom-
inal à savoir TSR = 3.67. Les cartes de vitesse axiale obtenues expérimentalement et
numériquement avec et sans émission en pieds de pales sont présentées Figure 1.16. Le
sillage numérique sans émission en pieds de pales présente une très nette "sous-vitesse"
dans l’axe du moyeu de l’hydrolienne comme le mettent en évidence les profils de vitesse
de la Figure 1.17. Cette "sous-vitesse" symptomatique d’un manque de mélange dans le
sillage, est dû à l’absence d’influence tourbillonnaire au niveau des pieds de pales. Le
sillage numérique avec émission en pieds de pales est quant à lui très proche du sillage
expérimentale, notamment grâce à un bon mélange au niveau du moyeu de la machine.
En effet, les profils de vitesse avec émission en Pieds de Pales (Figure 1.17) sont en très
bon accord avec les données expérimentales, que ce soient dans le sillage proche ou dans le
sillage lointain. Tout comme pour le cas à TSR = 2.5, une étude du déficit de vitesse car-
actérisé par d(x∗ ) est présentée Figure 1.18. On remarque que la simulation sans émission
en Pieds de Pales sous-évalue très fortement le déficit de vitesse, alors que la simulation
avec émission en Pieds de Pales est en bon accord avec les données expérimentales même
si elle présente toujours une légère sous-évaluation du déficit de vitesse.

En résumé, la modification du schéma d’émission pour prendre en compte avec plus

de précision les pieds des pales de l’hydrolienne a très peu d’influence sur les courbes
de performance obtenues numériquement. En revanche, elle a une influence radicale sur

31
1.3. Principaux résultats de simulation

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) Numérique I∞ = 0% sans émission en pieds de (b) Numérique I∞ = 0% avec émission en pieds de
pales (sans PP) pales (avec PP)

2 1.1
1.5 1
1 0.9
0.5 0.8
0 0.7
y∗

-0.5 0.6
-1 0.5
-1.5 0.4
-2 0.3
2 3 4 5 6 7 8 9 10 ū∗
x∗
(c) Expérimentale I∞ = 3%, [24]

Figure 1.16 – Comparaisons des cartes de vitesse axiale numériques et expérimentale à

TSR = 3.67

x∗ = 1.2D x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 10D
2
Exp., I∞ = 3%
1.5 Num. avec PP
1 Num. sans PP
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 1.17 – Comparaisons de profils de vitesse axiale numériques et expérimentaux à

TSR = 3.67

32
1.3. Principaux résultats de simulation

45
Exp., I∞ = 3%
Num. avec PP
40 Num. sans PP

Déficit de vitesse d(x∗) [%]

35

30

25

20

15

10
1 2 3 4 5 6 7 8 9 10
x∗

Figure 1.18 – Comparaisons des déficits de vitesses intégrés numériques et expérimentaux

à TSR = 3.67

le sillage de la machine en permettant un meilleur mélange dans le sillage proche de la

machine. La représentation du sillage est ainsi beaucoup plus fidèle aux résultats obtenus
expérimentalement.

33
Chapitre 2

Éléments d’implémentation et
d’optimisation

Un des points important à prendre en considération lors de l’implémentation et de

l’utilisation d’une méthode numérique est son coût en terme de temps CPU. En effet,
il est impératif pour un code de calcul de pouvoir s’exécuter avec un temps de calcul
raisonnable suivant la précision souhaitée. Initialement, la simulation d’une hydrolienne
présentée dans le Chapitre 1 était effectuée sur 256 processeurs en environ 13 heures. Ce
temps de calcul reste tout à fait raisonnable, mais les simulations du Chapitre 1 concernent,
comme indiqué précédemment une unique machine, sans modèle de turbulence ambiante.
Le passage à des simulations plus complexes implique nécessairement des temps de
calcul plus importants. En effet, la prise en compte de la turbulence ambiante entraîne
des simulations sur un temps physique bien plus long que 60 secondes car il est nécessaire
de moyenner les résultats sur des temps long pour obtenir des moyennes statistiques ex-
ploitables. De plus, le passage de simulation mono turbine à des simulations comportant
plusieurs hydroliennes en interaction augmente également les temps de calcul. Première-
ment, la taille de la simulation est grossièrement multiplié par le nombre de machines
étudiés. Deuxièmement, l’étude des phénomènes d’interactions implique également une
augmentation du temps physique des simulations. Finalement, la répartition des temps de
calcul entre les différents éléments de la méthode numérique change quand le nombre de
machine augmente, entrainant de nouvelles problématiques d’optimisation numérique.

Ce chapitre présente les différents travaux d’optimisations et les différents choix d’im-
plémentations réalisés afin de réduire les temps de calcul des simulations. L’objectif est
de trouver un bon compromis entre la précision des résultats numériques par rapport à
une simulation de référence et le gain en temps de calcul. Pour ce faire, une simulation de
référence à une hydrolienne est tout d’abord présentée (Section 2.1). Puis un critère sur
la précision des résultats est défini afin d’apprécier les différents choix d’implémentation
présentés. Ces choix d’implémentation sont répartis en trois parties distinctes, à savoir, les
choix de paramétrisation pour réduire le coût CPU des simulations mono machine (Sec-
tion 2.3) et deux algorithmes visant à réduire le coût CPU des simulations avec plusieurs
turbines en interaction (Section 2.4 et 2.5).

35
2.1. Cas de référence

1.5 1.1
1 1
0.9
0.5 0.8
0 0.7

y∗
-0.5 0.6
0.5
-1 0.4
-1.5 0.3
2 3 4 5 6 7 8 9 10 ū∗
x∗

Figure 2.1 – Carte numérique de vitesse axiale du cas de référence à TSR = 2.5 et
dh = 0.072.

2.1 Cas de référence

Le cas de référence présenté ici sert de base de comparaison pour l’évaluation des erreurs
d’approximations liées aux différents choix d’implémentations présentés dans la suite de
ce chapitre. La simulation utilisée comme référence est la simulation à TSR = 2.5 avec
émission de Pieds de Pales présentée dans la Section 1.3.4. Il s’agit donc d’une simulation
mono turbine et sans turbulence ambiante sur 256 processeurs. Elle utilise le maillage
portant l’identifiant 05x11 du Tableau 1.2 correspondant à une discrétisation dh de 0.072.
La Figure 2.1 présente la carte numérique de vitesse axiale de la simulation de référence
moyennée sur les 20 dernières secondes d’une simulation sur un temps physique total de
60 secondes. La carte de vitesse de la Figure 2.1 sert ainsi de base de comparaison pour
toutes les simulations mono hydrolienne réalisées dans ce chapitre. Le temps de calcul de
cette simulation est de 12.97 heures sur 256 processeurs.

2.2 Définition du bruit de parallélisation

L’objectif de ce chapitre est de trouver un bon compromis entre la précision des résul-
tats numériques par rapport à la simulation de référence et le gain en temps de calcul. Il
est donc nécessaire de définir le niveau d’approximation à respecter. Dans la simulation
de référence, le code de calcul utilise déjà un algorithme de Treecode pour calculer la
composante rotationnelle de la vitesse uψ (eq. (1.34)) [39,56]. Les grandes lignes de l’algo-
rithme de Treecode utilisé dans le code de calcul sont données dans la Section 2.5 et une
description détaillée peut être trouvée dans le Chapitre 6 de la thèse de Paul Mycek [39].
Les vitesses calculées à l’aide du Treecode dépendent de la répartition des particules entre
les différents processeurs. En effet, les arbres construits par l’algorithme de Treecode sont
différents suivant le nombre de processeurs utilisés, comme illustré par les schémas Figure
2.2. Ainsi, les différentes approximations effectuées par l’algorithme de Treecode différent
suivant le nombre de processeurs employés. Les résultats obtenus varient donc légèrement
suivant le nombre de processeurs utilisés. Ces variations liées au nombre de processeurs
sont appelées bruit de parallélisation. Le bruit de parallélisation entre la simulation de
référence sur 256 processeurs et une simulation identique mais sur 128 processeurs per-
met de définir le niveau de variation raisonnable des résultats obtenus d’une simulation à
l’autre.
Pour ce faire, les variations entre une simulation sur 256 processeurs et une simulation
sur 128 sont calculées à l’aide de l’erreur L∞ :

36
2.2. Définition du bruit de parallélisation

(a) 2 processeurs (b) 4 processeurs

Figure 2.2 – Exemple d’arbre binaire construit par le Treecode pour différent nombre de
processeurs.
1.5 0.1
1 0.08
0.5
0.06
0
y∗

0.04
-0.5
-1 0.02
-1.5 0
2 3 4 5 6 7 8 9 10 diff. Linf.
∗
x

Figure 2.3 – Cartes numériques des variations L∞ (eq. (2.1)) entre des simulations à 128
et 256 processeurs à TSR = 2.5 et dh = 0.072.

L∞ (u1 , u2 ) = max (|u1i − u2i |) (2.1)

i∈{1,2,3}

Les variations ainsi obtenues sont présentées Figure 2.3. Ainsi, on remarque que les
variations entre les deux simulations restent au maximum aux alentours de 0.1 dans le
sillage de l’hydrolienne. De plus, les profils de vitesses de la Figure 2.4 montrent que
les deux simulations sont assez proches l’une de l’autre. La variation moyenne est ensuite
calculée comme la moyenne des variations relatives de la Figure 2.3 pour obtenir une valeur
de 1.46 × 10−2 . Cette valeur de 1.46 × 10−2 constitue le niveau de variation raisonnable
utilisée pour la suite de ce chapitre.

moyenne des différences

sur la vitesse en norme L∞
Tcrit = 1 × 10−4 9.32 × 10−8
Tcrit = 5 × 10−5 3.98 × 10−8
Tcrit = 1 × 10−5 9.35 × 10−11

Table 2.1 – Moyennes sur une carte de sillage des différences en norme L∞ sur une
seule itération entre des simulations exécutées avec différents critères d’erreur Tcrit sur le
treecode et une simulation exécutée sans treecode, le tout sur 256 processeurs.

De plus, ce bruit de parallélisation est le résultat de la propagation d’approximation

effectuée par le Treecode utilisé dans le code. Le Tableau 2.1 montre l’erreur commise sur

37
2.3. Choix de paramétrisation

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
256 processeurs
1.5 128 processeurs
1
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 2.4 – Comparaisons de profils numériques de vitesse axiale simulés avec 128 et
256 processeurs.

une itération par le Treecode pour différents critères de précisions Tcrit [39] (cf. Section
2.5.1). Ainsi, les erreurs du Treecode sont extrêmement faibles et diminuent avec le critère
de précision Tcrit . En revanche, sur une simulation complète, les variations sur les résultats
restent similaires quelque soit la valeur du critère de précision Tcrit , mettant en évidence
une propagation non linéaire des erreurs d’approximations dans le code de calcul.

moyenne des différences

sur la vitesse en norme L∞
T crit = 1 × 10−4 1.46 × 10−2
T crit = 5 × 10−5 1.52 × 10−2
T crit = 1 × 10−5 1.47 × 10−2

Table 2.2 – Moyennes des écarts relatifs d’une simulation à 128 processeurs par rapport
à une simulation à 256 processeurs, pour différentes valeurs de critère du treecode Tcrit

2.3 Choix de paramétrisation

Dans cette section, deux aspects de paramétrisation visant à réduire les temps de calcul
de simulation à une hydrolienne sont présentés. A savoir un algorithme permettant de ré-
duire le nombre de particules d’une simulation, et un choix de paramétrisation permettant
la réduction du temps de calcul d’émission des particules.

2.3.1 Domaine d’étude et dissipation artificielle

La méthode Vortex utilisée dans ces travaux reposant, entre autre, sur l’émission de
nouvelles particules à chaque pas de temps, leur nombre augmente au cours de la simula-
tion. Ainsi, chaque itération est plus coûteuse en temps de calcul que la précédente. Par
ailleurs, ces particules s’éloignent petit à petit de l’hydrolienne au cours du temps. Ainsi
pour la simulation de référence à t = 60s des particules peuvent se trouver à presque 30
diamètres en aval de l’hydrolienne comme le montre la Figure 2.5a. Or, les données expéri-
mentales à disposition dans ces travaux ne concernent généralement que les 10 premiers
diamètres en aval de l’hydrolienne (cf. Section 1.3). Il est donc possible de s’interroger sur
l’utilité de conserver des particules se trouvant bien au delà de ces 10 diamètres dans le

38
2.3. Choix de paramétrisation

1.5 0.001
1 0.0008
0.5
0.0006
0
y∗

0.0004
-0.5
-1 0.0002
-1.5 0
5 10 15 20 25 30 Ω̄∗
x∗

(a) Pas de dissipation artificielle (simulation de référence)

1.5 0.001
1 0.0008
0.5
0.0006
0
y∗

0.0004
-0.5
-1 0.0002
-1.5 0
5 10 15 20 25 30 Ω̄∗
∗
x

(b) Dissipation artificielle à partir de x∗ = 20D

1.5 0.001
1 0.0008
0.5
0.0006
0
y∗

0.0004
-0.5
-1 0.0002
-1.5 0
5 10 15 20 25 30 Ω̄∗
x∗

(c) Dissipation artificielle à partir de x∗ = 10D

Figure 2.5 – Champs instantané numérique de poids tourbillonnaire Ω dans le sillage

d’une hydrolienne à t = 60s et TSR = 2.5 pour différents systèmes de dissipation artifi-
cielle.

cadre de comparaisons avec les données expérimentales sachant que l’influence d’une par-
ticule sur la vitesse décroit en 1/x2 avec la distance. Plus généralement, on s’interroge ici
sur la possibilité de négliger les particules peu utiles dans le cadre de l’étude souhaitée. Par
exemple, si l’on veut uniquement le sillage sur les 10 premiers diamètres en aval de l’hy-
drolienne, est-il nécessaire de conserver les particules se trouvant au delà de 15 diamètres
en aval ? Ou encore, cette limite se situe-t-elle à 12.5D, ou plutôt 20D ?
D’un point de vue du coup CPU, il peut donc être intéressant de se focaliser uniquement
sur la zone à étudier et "couper" le sillage se trouvant plus en aval. Une telle approche
permet techniquement de limiter le nombre de particules dans une simulation et donc de
limiter le temps de calcul pour chaque itération. Étant donné que toutes les particules
s’influencent entre elles, "couper" brutalement le sillage peut donner lieu à des effets de
bord. Il est donc préférable de dissiper progressivement le poids tourbillonnaire Ω des
particules afin de les supprimer de manière progressive. Une telle dissipation progressive
du poids tourbillonnaire dans le sillage lointain a déjà été utilisée par Hauville [32] afin
de simplifier l’advection des particules dans le sillage lointain. En effet, la dissipation
artificielle des particules était utilisée pour remplacer l’évaluation de la dérivée particulaire
(cf. Section 1.2). Dans le but de dissiper progressivement les particules à négliger, la
notion de domaine d’étude D est introduite dans le code de calcul, ce domaine d’étude
est également utilisé pour les simulations avec turbulence ambiante (cf. Chapitre 3). En
dehors du domaine d’étude D les particules perdent leur poids tourbillonnaire à chaque
itération à raison de 50% par seconde de temps physique, assurant ainsi leur disparition
progressive. On a donc pour chaque particule en dehors du domaine d’étude :
1
Ω(t + 1s) = Ω(t). (2.2)
2
On déduit de la relation (2.2) l’évolution du poids tourbillonnaire Ω des particules à
l’extérieur du domaine d’étude pour chaque pas de temps en fonction du précédent :

39
2.3. Choix de paramétrisation

1.5 0.1 1.5 0.1

1 0.08 1 0.08
0.5 0.5
0.06 0.06
0 0
y∗

y∗
0.04 0.04
-0.5 -0.5
-1 0.02 -1 0.02
-1.5 0 -1.5 0
1 2 3 4 5 6 7 8 9 10 diff. Linf. 1 2 3 4 5 6 7 8 9 10 diff. Linf.
x∗ x∗
∗
(a) x = 9D (b) x∗ = 10D
1.5 0.1 1.5 0.1
1 0.08 1 0.08
0.5 0.5
0.06 0.06
0 0
y∗

y∗
0.04 0.04
-0.5 -0.5
-1 0.02 -1 0.02
-1.5 0 -1.5 0
1 2 3 4 5 6 7 8 9 10 diff. Linf. 1 2 3 4 5 6 7 8 9 10 diff. Linf.
x∗ x∗

(c) x∗ = 11D (d) x∗ = 12.5D

1.5 0.1 1.5 0.1
1 0.08 1 0.08
0.5 0.5
0.06 0.06
0 0
y∗

y∗
0.04 0.04
-0.5 -0.5
-1 0.02 -1 0.02
-1.5 0 -1.5 0
1 2 3 4 5 6 7 8 9 10 diff. Linf. 1 2 3 4 5 6 7 8 9 10 diff. Linf.
x∗ x∗

(e) x∗ = 15D (f) x∗ = 20D

Figure 2.6 – Carte numérique de variation de vitesse à TSR = 2.5 et dh = 0.072 pour
différentes distances d’activation de la dissipation artificielle par rapport à la simulation
de référence.

Ω(t + dt) = e−ln(2)dt Ω(t), (2.3)

avec dt la discrétisation en temps de la simulation. La Figure 2.5 illustre l’effet de cette
dissipation artificielle sur les poids tourbillonnaires Ω présent dans le sillage d’une hydroli-
enne dans les conditions de la simulation de référence. On remarque ainsi sur la Figure
2.5 la disparition complète des poids tourbillonnaires Ω dans les deux diamètres suivant
le début de la dissipation artificielle, et donc la disparition des particules portant ce poids
tourbillonnaires Ω.
La Figure 2.6 présente des cartes de variations pour différentes distances de démarrage
de dissipation artificielle par rapport à la simulation de référence. Ainsi, plus la dissipation
artificielle intervient tard, plus les variations dans le sillage sont faible. De plus, celles-
ci ne dépassent jamais les 5 × 10−2 % en un point sauf entre 9D et 10D dans le cas
où la dissipation artificielle débute à x∗ = 9D, montrant ainsi qu’il est déconseillé de
sous dimensionner le domaine d’étude D. Par rapport aux variations liées aux bruits de
parallélisation définis précédemment, les variations présentes ici sont plus faible en valeur
absolue mais elles sont plus réparties dans le sillage. La Figure 2.7 montre que les profils
de vitesse axiale des simulations avec dissipation artificielle sont très proches de ceux de
la simulation de référence, mis à part le profil à x∗ = 10D quand la dissipation débute
à 9D car celui-ci est pris à un endroit où les particules ont déjà été fortement dissipées.
Les moyennes des variations en erreurs L∞ dans le sillage par rapport à la simulation de
base pour différentes distances de débuts de dissipation sont présentées Figure 2.8. Ces
résultats confirment que plus la dissipation artificielle intervient tard, plus les résultats
sont proches de ceux de référence. De plus, les moyennes des variations sont, à l’exception
encore une fois du cas où la dissipation commence à 9D, en dessous de la référence définie

40
2.3. Choix de paramétrisation

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Référence
1.5 dissip à 20D
1 dissip à 12.5D
dissip à 9D
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 2.7 – Comparaisons des profils numériques de vitesse axiale pour différentes dis-
tances de début de dissipation.

0.02
0.018 écarts sur la vitesse
écart moyen en norme L∞

0.016
0.014
0.012
0.01
0.008
0.006
0.004
0.002
0
9 10 11 12.5 15 17.5 20
distance de début de dissipation

Figure 2.8 – Moyenne des variations sur la vitesse en fonction de la distance à partir de
laquelle intervient la dissipation.

précédemment à 1.46 × 10−2 . Une distance de début de dissipation de 12.5D, soit 2.5D en
aval du domaine d’étude est choisie ici.
On évalue maintenant l’effet de l’utilisation de la dissipation artificielle sur les temps de
simulation. La Figure 2.9 montre l’évolution du nombre de particules et du temps de calcul
par itération pour la simulation de référence et pour les simulations analogues utilisant
la dissipation artificielle. Ainsi, la dissipation artificielle permet belle et bien de limiter le
nombre de particule dans une simulation. Elle permet également de stabiliser le temps de
calcul par itération autour d’une valeur fixe. Avec la paramétrisation choisie ici, à savoir
une dissipation artificielle qui débute 12.5 diamètres derrière l’hydrolienne, le temps de
simulation passe à 7.44 heures contre 12.97 pour la simulation de référence, soit un gain
en temps de calcul de 43%.

41
2.3. Choix de paramétrisation

1.2e+06 80
référence référence
dissip à 20D dissip à 20D
dissip à 17.5D 70 dissip à 17.5D
1e+06 dissip à 15D dissip à 15D
dissip à 12.5D dissip à 12.5D
dissip à 10D 60 dissip à 10D

temps de calcul (secondes)

nombre de particules

800000
50

600000 40

30
400000
20
200000
10

0 0
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
iteration (dt = 0.0267 secondes de temps physique) iteration (dt = 0.0267 secondes de temps physique)

(a) Nombre de particules (b) Temps de calcul

Figure 2.9 – Nombre de particules et temps de calcul par itération, avec dissipation
artificielle à partir de différentes distances derrière l’hydrolienne à et TSR = 2.5.

25
nombre de sous-itérations

20

15

10

0
0 500 1000 1500 2000

indice de l’itération

Figure 2.10 – Nombre de sous-itérations par itération pour la simulation de référence :

critère d’arrêt fixé à 10−3 , maximum du nombre de sous-itérations à 200.

42
2.3. Choix de paramétrisation

0.012 résidu
critère d’arret
0.01

valeur du résidu
0.008

0.006

0.004

0.002

0
2 4 6 8 10 12 14

sous-itération

Figure 2.11 – Évolution type du résidu à l’émission dans la simulation de référence :

critère d’arrêt fixé à 10−3 , maximum du nombre de sous-itérations à 200.

2.3.2 Émission et sous-itération

Dans cette section le nombre de sous-itération du schéma itératif d’émission présenté à
la section 1.1.5 est discuté. La Figure 2.10 montre le nombre de sous-itérations effectuées
pour chaque itération de la simulation de référence. Elle montre qu’en moyenne pour une
discrétisation dh = 0.072 et un critère d’arrêt ξ (eq. (1.53)) de 10−3 , le nombre de sous-
itérations nécessaire à l’émission particulaire est aux alentours de 15. Mais si on s’intéresse
à l’évolution du critère d’arrêt ξ à chaque sous-itération, on obtient toujours une courbe
similaire à celle de la Figure 2.11. Ainsi, la majorité du travail est réalisée durant les deux
premières sous-itérations ; ensuite la convergence est relativement lente. C’est pourquoi,
la possibilité de limiter le nombre de sous-itérations est étudiée ici. Une telle limitation a
deux avantages majeurs. Premièrement, elle réduit le temps de calcul, notamment dans le
cas de plusieurs hydroliennes en interactions où l’émission particulaire peut ce révéler très
couteuse en temps de calcul (cf. Section 2.4). Deuxièmement, la limitation du nombre de
sous-itération permet également d’éviter la divergence de l’algorithme d’émission quand
les turbines sont soumises à de trop grandes fluctuations de vitesse, comme cela peut être
le cas dans un écoulement perturbé par un taux de turbulence ambiante élevé ou par le
sillage d’une machine amont.
Afin d’évaluer la perte de précision dans le sillage d’une hydrolienne, les cartes de
variation en erreur L∞ par rapport à la simulation de référence sont une nouvelle fois
étudiées. La Figure 2.12 présente ces cartes pour différentes limitations du nombre de
sous-itérations utilisées lors de l’émission particulaire. La carte de variations 2.12a montre,
comme attendue, qu’une seule sous-itération est clairement insuffisante car cela engendre
des erreurs bien trop importantes. En revanche, que l’on utilise 2, 4 ou 10 sous-itérations
les erreurs commises sont relativement faibles. De plus, elles ne semblent pas diminuer
quand le nombre de sous-itérations augmente, ce qui semble confirmer le faible gain lié à
l’augmentation du nombre de sous-itérations utilisées. Les profils de vitesses de la Figure
2.13 montrent un bon accord entre la simulation de référence et les simulations comportant
un nombre plus faible de sous-itérations.
Les résultats présentés précédemment permettent de raisonnablement fixer le nombre

43
2.3. Choix de paramétrisation

1.5 0.1 1.5 0.1

1 0.08 1 0.08
0.5 0.5
0.06 0.06
0 0
y∗

y∗
0.04 0.04
-0.5 -0.5
-1 0.02 -1 0.02
-1.5 0 -1.5 0
2 3 4 5 6 7 8 9 10 diff. Linf. 2 3 4 5 6 7 8 9 10 diff. Linf.
x∗ x∗

(a) 1 Sous-itération (b) 2 Sous-itérations

1.5 0.1 1.5 0.1
1 0.08 1 0.08
0.5 0.5
0.06 0.06
0 0
y∗

y∗
0.04 0.04
-0.5 -0.5
-1 0.02 -1 0.02
-1.5 0 -1.5 0
2 3 4 5 6 7 8 9 10 diff. Linf. 2 3 4 5 6 7 8 9 10 diff. Linf.
x∗ x∗

(c) 4 Sous-itérations (d) 10 Sous-itérations

Figure 2.12 – Carte numérique de variation de vitesse à TSR = 2.5 et dh = 0.072 pour
différentes limitations du nombre de sous-itérations par rapport à une simulation sans
limitation.

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Référence
1.5 2 SSITE
1 4 SSITE
8 SSITE
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 2.13 – Comparaisons de profils de vitesses axiales pour différents nombres de

sous-itérations (SSITE).

44
2.4. Résolution du système linéaire

(2)
(2)

(1) (1)
(1)

(2)

Figure 2.14 – Construction de la matrice d’influence dans le cas d’une seule machine.

de sous-itérations à deux. Un nombre de sous-itérations fixé à deux engendre une variation

moyenne de 1.60 × 10−2 sur une carte complète de vitesse axiale. Cette valeur est légère-
ment supérieure aux variations d’approximation raisonnable de 1.46 × 10−2 définie dans la
Section 2.2. Mais on reste dans le même ordre de grandeur. Le gain en temps de calcul sur
une simulation comportant une unique hydrolienne est néanmoins de l’ordre de 11%. De
plus, cette limitation du nombre de sous-itérations permet aussi d’éviter bon nombre de
problème de stabilité numérique dans les cas de simulations avec plusieurs turbines et/ou
avec prise en compte de la turbulence ambiante, comme on le verra par la suite.

2.4 Résolution du système linéaire

Comme énoncé dans la Section 1.1.3, le calcul de la composante potentielle de la vitesse
uφ fait intervenir une distribution de doublets normaux µp . Cette distribution est connue
en résolvant le système linéaire Aµp = b de l’équation (1.21) à chaque pas de temps. Cette
résolution de système linéaire peut ainsi se révéler coûteuse en temps de calcul, notamment
lors de simulation comportant plusieurs turbines.

2.4.1 Cas d’une seule hydrolienne

Pour le cas d’une seule machine, les hydroliennes étant considérées comme des corps
solides indéformables, les positions relatives de deux facettes d’une même machine sont
constantes au cours du temps comme le montre la Figure 2.14. La relation (1.22) définissant
les éléments de A étant purement géométrique, la matrice d’influence A est indépendante
du temps. Il suffit donc de l’inverser une fois en début de simulation et d’utiliser directe-
−1
ment son inverse A quand c’est nécessaire. On a donc pour une simulation ne comportant
qu’une unique machine une inversion de matrice en O(Np3 ) en début de simulation puis j
produits matrice/vecteur en O(Np2 ) à chaque itération, j étant le nombre de sous itération
d’émission particulaire (cf. Section 1.1.5) et Np le nombre de facette du maillage de l’hy-
drolienne. Dans un tel cas de figure, cette façon de procéder est parfaitement raisonnable
en terme de coup de calcul. En effet, pour la discrétisation dh = 0.072 , Np vaut 964 et
donc on a une seule inversion de matrice 964 × 964 par simulation, représentant finalement
un coup de calcul très faible en comparaison du reste de la simulation.

45
2.4. Résolution du système linéaire

(2)

(2)
(5) (4) (4)

(5)

(3) (3)

(1) (1)

(1)

(3)

(5)

(2)
(4)

Figure 2.15 – Construction de la matrice d’influence dans le cas de deux machines en

interaction.

2.4.2 Matrice d’influence dans le cas de plusieurs machines en interac-

tion
Lors du passage à des simulations comportant n turbines, le système linéaire de l’équa-
tion (1.21) devient bien plus complexe. En effet, la matrice d’influence A passe d’une taille
Np × Np à une taille (n · Np ) × (n · Np ). De plus, comme illustré dans la Figure 2.15, cette
matrice d’influence A devient dépendante du temps. Ainsi, les n blocs diagonaux représen-
tant l’influence d’une machine sur elle-même (relation en rouge et en bleu sur la Figure
2.15) restent constants. En revanche, les blocs extra-diagonaux représentant les influences
inter turbines (relation en vert sur la Figure 2.15) varient à chaque itération d’où une
matrice A qui n’est plus constante. La procédure utilisée pour une unique hydrolienne
n’est donc plus appropriée dans ce cas. L’utilisation d’une méthode directe de type Pivot
de Gauss à chaque pas
de temps reste toujours possible mais une telle méthode a une com-
plexité en O (n · Np )3 . Le temps d’inversion deviendrait important, car répété à chaque
itération, et rendrait les simulations à plusieurs hydroliennes difficiles à réaliser. Le choix
d’une méthode itérative pour résoudre le système (1.21) s’impose.
Afin de choisir la bonne méthode itérative à utiliser, une étude rigoureuse de la matrice
d’influence A est nécessaire. Il faut ainsi regarder si la matrice A est creuse, symétrique,
à diagonale dominante ou définie positive. La définition des composantes Aij de la ma-
trice d’influence donnée par la relation (1.22) montre que Aij 6= 0 ∀(i, j), sauf pour des
géométries d’hydroliennes très particulières. Par conséquent la matrice d’influence A n’est
pas creuse.
Bien que le problème continu soit symétrique, la matrice d’influence A n’est pas
symétrique. Dans le but de démontrer cette asymétrie de la matrice A, on définit un
coefficient d’asymétrie β comme le ratio entre la norme de la partie anti-symétrique de A
et la norme de A [57] :
T
1
2 ||A − A ||
β= . (2.4)
||A||

46
2.4. Résolution du système linéaire

Identifiant dh Nc NBF Nchub hub

NBF Np β γ
05x05 0.158 5 5 58 6 488 0.0624 0
05x07 0.112 5 7 58 8 641 0.1000 2
05x11 0.072 5 11 58 12 964 0.1451 1
05x15 0.053 5 15 58 16 1278 0.1594 1
05x23 0.034 5 23 58 24 1914 0.1766 2

Table 2.3 – Caractéristiques de la matrice d’influence A dans le cas d’une seule turbine
pour une large gamme de maillages d’hydroliennes.

30
25
20
|Aij |

15
j=1,j6=i
Pp
N

10
|Aii| −

5
0
-5
-10
0 100 200 300 400 500 600 700 800 900
i

Figure 2.16 – Illustration que la matrice d’influence A n’est pas à diagonale dominante
pour le cas d’une turbine représentée par la maillage 05x11.

Les valeurs de ce coefficient β sont données dans le Tableau 2.3 pour une grande variété de
maillages d’hydroliennes. Ainsi, le Tableau 2.3 montre que même dans le cas d’une unique
turbine le coefficient d’asymétrie β n’est pas nul même s’il reste relativement faible. Donc,
même si elle en est proche ; la matrice d’influence A n’est pas symétrique.
La matrice d’influence A n’est pas non plus à diagonale dominante comme le montre la
Figure 2.16 représentant les valeurs prise par la relation (2.5). En effet, dans le cas d’une
seule hydrolienne la relation (2.5) prend des valeurs négatives.
Np
X
|Aii | − |Aij | (2.5)
j=1,j6=i

Il faut maintenant vérifier si la matrice A est définie positive. Une

 matrice 
qui n’est pas
T
1
symétrique est définie positive si sa partie symétrique, à savoir 2 A+A est définie
positive. De plus une matrice symétrique définie positive a toutes sesvaleurs propres

T
1
positives. On note donc γ le nombre de valeurs propres négatives de 2 A+A pour
un maillage donné. Les résultats de cette étude des valeurs propres sont donnés dans la
dernière colonne du Tableau 2.3 (coefficient γ). Ainsi, ces résultats montrent que pour une
seule machine la matrice A n’est pas définie positive.
La caractérisation de la matrice d’influence A présentée ci-dessus, correspond au cas
d’une seule machine. Dans le cadre de simulation avec plusieurs turbines les résultats
précédemment énoncés sont naturellement toujours valides.

47
2.4. Résolution du système linéaire

2.4.3 Le Bi-Gradient Conjugué Stabilisé

La méthode de Krylov du Bi-Gradient Conjugué Stabilisé (Bi-Conjugate Gradient
Stabilised, Bi-CGSTAB) [58] est privilégiée dans ces travaux de thèse étant donnée que
la matrice A n’est ni creuse, ni symétrique, ni définie positive, ni à diagonale dominante.
C’est, en effet, l’une des seules méthodes qui assure la convergence avec ce type de matrices.
Les méthodes de Krylov telles que le Bi-CGSTAB ou le Gradient Conjugué nécessite de
calculer des produits matrice/vecteur dont la complexité est en O(N 2 ), avec N la taille
de la matrice. En utilisant une telle méthode pour
la résolution du système linéaire (1.21)
on a une complexité algorithmique en O (n · Np )2 . L’algorithme générale de la méthode
est donné par "l’Algorithme 1".

Algorithm 1 Algorithme du Double Gradient Conjugué Stabilisé

Input : A matrice d’influence, b vecteur second membre et N la taille du système.
Output : µ vecteur solution.
Data : µ0 vecteur solution de l’itération précédente et ǫ critère d’arrêt.
//Initialisation
µ ←− µ0 ;
r ←− b − Aµ ; //r est le vecteur résidu
r 0 ←− r ;
α ←− 1 ;
ρ ←− 1 ;
ω ←− 1 ;
v ←− 0 ;
p ←− 0 ;
i ←− 0 ;
//Itérations
while (||r|| > ǫ) and (i < N ) do
i ←− i + 1 ;
β ←− ((r 0 · r)/ρ) (α/ω) ;
ρ ←− r 0 · r ;
p ←− r + β(p − ωv) ;
v ←− Ap ;
α ←− ρ/(r 0 · v) ;
s ←− r − αv ;
t ←− As ;
ω ←− (t · s)/(t · t) ;
µ ←− µ + αp + ωs ;
r ←− s − ωt ;
end while

Afin d’illustrer l’intérêt du choix de la méthode du Bi-CGSTAB, les méthodes du Gra-

dient Conjuguée (Conjugate Gradient, CG) et de Jacobi sont également étudiées. La méth-
ode du Gradient Conjuguée étant essentiellement conçue pour les matrices symétriques,
elle n’est sans doute pas très pertinente ici, même si la matrice d’influence A est très proche
d’une matrice symétrique. En ce qui concerne la méthode de Jacobi, sa convergence n’est
pas garantie ici car la matrice A n’est pas à diagonale dominante. Les résultats de l’é-
tude de convergence de ces trois méthodes sont présentés dans les premières colonnes du
Tableau 2.4. Ainsi seule la méthode du Double Gradient Conjugué Stabilisé converge en

48
2.4. Résolution du système linéaire

Sans pré-conditionnement Pré-conditionnement Pré-conditionnement

de Jacobi de Jacobi par blocs
Maillage Jacobi CG Bi-CGSTAB CG Bi-CGSTAB CG Bi-CGSTAB
05x05 (10−2 ) (10−2 ) 194 (100 ) 94 5 3
05x07 (10−2 ) (10−2 ) 193 (10−2 ) 123 5 3
05x11 (10−1 ) (101 ) 269 (101 ) 150 5 3
05x15 (10−1 ) (101 ) 301 (100 ) 164 5 3
05x23 (10−1 ) (100 ) 288 (109 ) 143 5 3

Table 2.4 – Comparaison de la convergence de différentes méthodes itératives dans le cas

d’une configuration à 4 hydroliennes et différents maillages. Les valeurs entières représen-
tent le nombre d’itérations i nécessaire pour que le résidu |Axi −b|/|b| atteigne la précision
machine (≈ 2.2 · 10−16 ). Si la méthode n’atteint pas cette précision avant 500 itérations,
l’ordre de grandeur du dernier résidu est indiqué entre parenthèse.

moins de 500 itérations pour des configurations à quatre hydroliennes, même si le nombre
d’itérations nécessaire reste important.

2.4.4 Pré-conditionnement de la matrice

Un pré-conditionnement adapté permet d’économiser un nombre important d’itération
pour les méthodes itératives avant convergence. Une étude a été menée dans ce but. Les
positions relatives de deux facettes d’une même machine sont toujours constantes au cours
du temps (relations bleu et rouge de la Figure 2.15) mais ce n’est plus le cas pour des
positions relatives de deux facettes appartenant à deux machines différentes (relation verte
de la Figure 2.15). La matrice d’influence ainsi construite a donc n blocs diagonaux con-
stants représentant chacun les interactions entre facettes d’une même machine. Les blocs
extra-diagonaux représentent quant à eux les interactions entre machines, ils sont donc
variables dans le temps. Utilisant cette propriété, le pré-conditionneur utilisé est celui de
Jacobi par blocs. Ainsi la matrice de pré-conditionnement K est composée des n blocs
diagonaux de la matrice d’influence A ce qui donne :
   −1 
A11 0 ··· 0 A
 11
0 ··· 0 
 ..   −1 .. 
 0 A22 .  −1  0 A22 . 
K= K = (2.6)
 
.. ,  .
.
..  .. .. 

 . . 0 

 . 0 

−1
0 ··· 0 Ann 0 ··· 0 Ann
Le système linéaire pré-conditionné à gauche s’écrit donc :
′ ′ −1 −1
A µ = b′ , avec A = K A et b′ = K b. (2.7)
L’Algorithme 2 décrit le fonctionnement de Bi-Gradient Conjugué Stabilisé en utilisant
ce pré-conditionnement. L’étude de convergence de la méthode du Bi-CGSTAB pour dif-
férents pré-conditionnements du Tableau 2.4 montre que le pré-conditionneur de Jacobi
par blocs est le plus efficace. En effet, il réduit à seulement 3 le nombre d’itérations néces-
saire pour assurer la convergence de la méthode alors qu’un pré-conditionneur de Jacobi
classique ne le réduit que de moitié.

49
2.4. Résolution du système linéaire

Algorithm 2 Algorithme du Double Gradient Conjugué Stabilisé pré-conditionné à

gauche
−1
Input : A matrice d’influence, K inverse de la matrice de pré-conditionnement, b
vecteur second membre et N la taille du système.
Output : µ vecteur solution.
Data : µ0 vecteur solution de l’itération précédente et ǫ critère d’arrêt.
//Initialisation
µ ←− µ0 ;
r ←− b − Aµ ; //r est le vecteur résidu
r 0 ←− r ;
α ←− 1 ;
ρ ←− 1 ;
ω ←− 1 ;
v ←− 0 ;
p ←− 0 ;
i ←− 0 ;
//Itérations
while (||r|| > ǫ) and (i < N ) do
i ←− i + 1 ;
β ←− ((r 0 · r)/ρ) (α/ω) ;
ρ ←− r 0 · r ;
p ←− r + β(p − ωv) ;
−1
y ←− K p ;
v ←− Ay ;
α ←− ρ/(r 0 · v) ;
s ←− r − αv ;
−1
z ←− K s ;
t ←− Az ;
ω ←− (t · s)/(t · t) ;
µ ←− µ + αy + ωz ;
r ←− s − ωt ;
end while

50
2.4. Résolution du système linéaire

10 turbines

3 turbines

Figure 2.17 – Illustration des deux configurations utilisées pour l’étude du gain de temps
de calcul apporté par le Bi-CGSTAB.

2.4.5 Évaluation du gain en temps de calcul

Dans le but de caractériser le gain de temps de calcul apporté par l’utilisation du Bi-
Gradient Conjugué Stabilisé pré-conditionné présenté précédemment, deux configurations
de parc hydrolien sont considérées. Elles sont présentées Figure 2.17 avec a1 = a2 = 8D,
a3 = 4D, b1 = 2D et b2 = 1D. La première configuration comporte 3 hydroliennes (en
vert sur la Figure 2.17) réparties sur deux lignes. Cette configuration a déjà été étudiée
expérimentalement par Kervella et al. [59] et elle est également étudiée dans le Chapitre
4. La seconde configuration est composée de 10 turbines (en rouge sur la Figure 2.17) et
consiste simplement en une répétition du schéma triangulaire de la première configuration.
Les Tableaux 2.5 et 2.6 présentent les temps d’émission particulaire ttotal pour les deux
configurations étudiées suivant la méthode de résolution choisie et pour les 5 maillages.
Le temps d’émission particulaire ttotal est décomposé en trois parties distinctes t1 , t2 et

Maillage Méthode de résolution t1 t2 t3 ttotal

05x05* résolution par inversion 4.4 × 10−3 4.6 × 10−2 3.2 × 10−3 5.3 × 10−2
05x05* pré-cond. Bi-CGSTAB 3.2 × 10−3 3.1 × 10−3 3.0 × 10−3 9.4 × 10−3
05x07* résolution par inversion 8.1 × 10−3 9.4 × 10−2 6.8 × 10−3 1.1 × 10−1
05x07* pré-cond. Bi-CGSTAB 5.2 × 10−3 3.1 × 10−3 6.2 × 10−3 1.4 × 10−2
05x11* résolution par inversion 1.9 × 10−2 2.8 × 10−1 1.6 × 10−2 3.1 × 10−1
05x11* pré-cond. Bi-CGSTAB 1.3 × 10−2 3.7 × 10−3 1.6 × 10−2 3.2 × 10−2
05x15* résolution par inversion 3.0 × 10−2 5.8 × 10−1 2.6 × 10−2 6.3 × 10−1
05x15* pré-cond. Bi-CGSTAB 2.2 × 10−2 3.8 × 10−3 2.6 × 10−2 5.2 × 10−2
05x23* résolution par inversion 6.3 × 10−2 3.5 × 10+0 6.0 × 10−2 3.6 × 10+0
05x23* pré-cond. Bi-CGSTAB 4.8 × 10−2 4.8 × 10−3 6.0 × 10−2 1.1 × 10−1

Table 2.5 – Décomposition du temps total d’émission ttotal (en seconde) suivant la méth-
ode de résolution utilisée pour les 5 maillages étudiés pour la configuration à 3 hydroliennes.

51
2.5. Un algorithme de type Treecode pour calculer la vitesse potentielle

Maillage Méthode de résolution t1 t2 t3 ttotal

05x05* résolution par inversion 4.7 × 10−2 1.1 × 10+0 4.5 × 10−2 1.2 × 10+0
05x05* pré-cond. Bi-CGSTAB 4.4 × 10−2 4.8 × 10−3 4.4 × 10−2 9.3 × 10−2
05x07* résolution par inversion 7.8 × 10−2 3.0 × 10+0 7.5 × 10−2 3.2 × 10+0
05x07* pré-cond. Bi-CGSTAB 7.2 × 10−2 7.0 × 10−3 7.4 × 10−2 1.5 × 10−1
05x11* résolution par inversion 1.7 × 10−1 1.7 × 10+1 1.6 × 10−1 1.7 × 10+1
05x11* pré-cond. Bi-CGSTAB 1.5 × 10−1 3.5 × 10−2 1.6 × 10−1 3.5 × 10−1
05x15* résolution par inversion 3.4 × 10−1 4.4 × 10+1 2.8 × 10−1 4.4 × 10+1
05x15* pré-cond. Bi-CGSTAB 2.6 × 10−1 5.1 × 10−2 2.8 × 10−1 5.9 × 10−1
05x23* résolution par inversion 6.1 × 10−1 1.5 × 10+2 6.3 × 10−1 1.5 × 10+2
05x23* pré-cond. Bi-CGSTAB 5.5 × 10−1 9.0 × 10−2 6.3 × 10−1 1.3 × 10+0

Table 2.6 – Décomposition du temps total d’émission ttotal (en seconde) suivant la méth-
ode de résolution utilisée pour les 5 maillages étudiés pour la configuration à 10 hydroli-
ennes.

t3 . Le temps t1 est le temps passé à la mise à jour de la matrice d’influence A (eq.

(1.22)) et à l’initialisation des particules émises (eq. (1.50), (1.51) et (1.52)). Le temps
t2 est le temps effectif de résolution du système linéaire, à savoir le temps consacré à
l’inversion de la matrice A et du produit matrice vecteur pour la méthode directe ou
bien le temps de résolution du système en utilisant le Bi-CGSTAB pré-conditionné. Enfin
le temps t3 est le temps de calcul du second membre b (eq. (1.23)). Les résultats des
Tableaux 2.5 et 2.6 montrent premièrement que l’émission particulaire est beaucoup plus
rapide quand le Bi-CGSTAB pré-conditionné est utilisé. De plus, on remarque que pour
le cas de la résolution directe du système linéaire, la composante dominante du temps
d’émission est t2 . Ainsi dans ce cas la composante la plus coûteuse de l’émission est la
résolution du système linéaire. En revanche, quand le Bi-CGSTAB pré-conditionné est
utilisé, la résolution du système linéaire n’est pas plus coûteuse que le reste de l’émission.
Elle est même la composante la moins coûteuse en temps de calcul quand le nombre total
de facettes augmentent. La Figure 2.18 montre le temps de calcul de l’émission particulaire
en fonction du nombre total N de facettes pour les maillages, c’est à dire en fonction de la
taille de la matrice d’influence A. Les régressions linéaires en échelle logarithmique de la
Figure 2.18 donnent une pente de 3.11 pour le cas où une résolution directe est utilisée ce
qui est en bon accord avec la complexité en O(N 3 ) attendue. Dans le cas où le Bi-CGSTAB
pré-conditionné est employé, une pente de 1.96 est obtenue ce qui est une nouvelle fois
cohérent avec la complexité en O(N 2 ) théorique.
En résumé, l’ensemble des temps de calcul présentés dans cette section montre un gain
considérable quand l’algorithme du Bi-Gradient Conjugué Stabilisé pré-conditionné est
utilisé à la place de la résolution directe.

2.5 Un algorithme de type Treecode pour calculer la vitesse

potentielle
Dans l’optique d’un passage de simulations comportant une unique hydrolienne à des
simulations comportant plusieurs turbines en interactions, il est important de s’interroger
sur le coup de calcul engendré par la prise en compte des maillages des hydroliennes et
donc le calcul de la composante potentielle uφ du champ de vitesse. En effet l’évaluation
directe de la vitesse uφ lors de l’advection particulaire a une complexité en O(N × Np × n),

52
2.5. Un algorithme de type Treecode pour calculer la vitesse potentielle

1000
Résolution par inversion
Régression (pente 3.11)
100 Pré-cond. Bi-CGSTAB
Régression (pente 1.96)
10

ttotal
1

0.1

0.01

0.001
1000 2000 5000 10000 20000
N

Figure 2.18 – Temps de calcul de l’émission particulaire (ttotal ) en fonction du nombre

total de facettes dans les maillages (N ) correspondant à la taille du système à résoudre
N × N . Les temps d’émission utilisés sont ceux présenté dans les Tableaux 2.5 et 2.6

avec Np le nombre de particule fluide, N le nombre de facette constituant une turbine et

n le nombre de turbine. Une telle complexité pose rapidement problème quand le nombre
de turbines, et donc le nombre total de facettes, est important. Ainsi, pour une simulation
à trois hydroliennes à TSR = 2.5 dans la configuration en vert sur la Figure 2.17 utilisant
toutes les autres fonctionnalités présentées dans ce chapitre, le calcul de la composante uφ
représente 32.2% du temps de calcul total. Afin de réaliser des simulations comportant un
plus grand nombre d’hydroliennes, il est donc indispensable de réduire le temps nécessaire
pour calculer cette composante uφ de la vitesse. Pour ce faire, le Treecode, déjà utilisé
pour calculer la composante rotationnelle de la vitesse uψ [39, 56], est appliqué pour la
prise en compte des turbines.

2.5.1 Présentation du Treecode pour le calcul la vitesse rotationnelle

Un algorithme de Treecode est déjà utilisé afin de calculer la composante rotationnelle
uψ du champ de vitesse (cf. Section 1.1.4). Cet algorithme permet d’évaluer uψ avec une
complexité en O(Np × log(Np )) lors de l’advection particulaire contre une complexité en
O(Np2 ) avec l’approche directe. Cet algorithme consiste à diviser récursivement l’espace
en plusieurs sous-domaines imbriqués, regroupant ainsi les particules fluides en clusters
de particules. L’idée générale consiste ensuite à remplacer l’influence des particules loin-
taines en un point de l’espace par l’influence globale des clusters de particules contenant
ces particules lointaines quant un critère de précision Tcrit est atteint. L’approximation
de l’influence des particules lointaines par l’influence de clusters de particules engendre
inévitablement des erreurs d’appriximation. Mais la relation (1.34) permettant le calcul
de uψ présentant une décroissance en 1/r2 , l’erreur ainsi induite est très faible. De plus,
les erreurs d’approximation dépendent également de la division récursive de l’espace, qui
dans le cas d’une implémentation parallèle dépend du nombre de processeur utilisé comme
indiqué dans le section 2.2. Une description complète de cette méthode Treecode pour le
calcul de uψ est disponible dans les travaux de thèse de Paul Mycek [39].

53
2.5. Un algorithme de type Treecode pour calculer la vitesse potentielle

dlp,3 P ep,3

µp
dlp,2
P ep,2

Cp Cp
dlp,4 P ep,4

dlp,1 P ep,1
(a) Doublet (b) Particules équivalentes

Figure 2.19 – Schéma illustrant le passage d’une représentation par doublet surfacique à
une représentation en particules équivalentes pour une facette p.

2.5.2 Application au calcul de la vitesse potentielle

Afin d’appliquer le Treecode au calcul de la vitesse potentielle uφ , il est nécessaire de
"transformer" les facettes composant les maillages d’hydroliennes en particules. Pour ce
faire, l’équivalence doublet-tourbillon (évoquée dans le Chapitre 1) est utilisée. Une facette
Fp et son doublet surfacique associé sont remplacés par quatre particules équivalentes P ep,i
placées aux centres des arrêtes de la facette, comme illustré par la Figure 2.19. Chacune des
particules équivalentes se voit attribuée un poids tourbillonnaire Ωp,i défini généralement
comme :

Ωp,i = µp dlp,i ∀i ∈ J1, 4K. (2.8)

Dans le cas où la particule équivalente se trouve sur un bord de fuite, un poids nul lui est
attribué. Le Treecode est ensuite appliqué sur les particules équivalentes afin de calculer
la vitesse potentielle uφ . Néanmoins, les interactions proches entre facettes sont calculées
grâce à la relation classique d’évaluation de la vitesse potentielle qui est utilisée (eq.
(1.18)). C’est pourquoi, les quatre particules équivalentes d’une même facette Fp sont
indissociables, c’est-à-dire que lors de la division de l’espace, ces particules doivent faire
parties du même cluster de particule.

2.5.3 Validation pour une hydrolienne

L’utilisation du Treecode pour calculer la composante potentielle de la vitesse uφ est
tout d’abord validée sur le cas d’une unique hydrolienne. Pour ce faire, la simulation de
référence présentée dans la section 2.1 est de nouveau utilisée. La Figure 2.20 présente
la carte de variation de vitesse en erreur L∞ obtenues pour une simulation équivalente
à celle de référence mais faisant intervenir le Treecode pour le calcul de uφ . La Figure
2.20 montre de faibles variations dans le sillage de l’hydrolienne, variations principalement
concentrées entre 9 et 10 diamètres derrière la turbine. Ces observations sont confirmées
par les profils de vitesse de la Figure 2.21 où, à l’exception du profil à x∗ = 10D, les profils
de vitesse de la simulation de référence et de la simulation avec le Treecode se superposent

54
2.5. Un algorithme de type Treecode pour calculer la vitesse potentielle

1.5 0.1
1 0.08
0.5
0.06
0

y∗
0.04
-0.5
-1 0.02
-1.5 0
2 3 4 5 6 7 8 9 10 diff. Linf.
∗
x

Figure 2.20 – Carte numérique de vitesse et d’erreur relative avec utilisation du Treecode
sur uφ pour une turbine à TSR = 2.5 et dh = 0.072.

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Référence
1.5 Treecode
1
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 2.21 – Comparaisons de profils de vitesse axiale numériques entre la simulation

de référence et une simulation avec le Treecode sur uφ .

presque parfaitement. Finalement, la variation moyenne engendrée par l’utilisation du

nouveau Treecode est de 7.63 × 10−3 , ce qui est en deçà de la variation d’approximation
raisonnable de 1.46 × 10−2 définie précédemment. En revanche, le gain de temps de calcul
n’est que de 6% ce qui n’est pas surprenant étant donnée que pour une simulation avec
une unique machine le calcul de la composante de la vitesse représente une fraction très
faible du temps de calcul total, à savoir 11.1%.

2.5.4 Validation pour trois hydroliennes

Dans cette section, on souhaite évaluer l’impact de l’utilisation du Treecode pour cal-
culer uφ sur une simulation comportant trois hydroliennes. Pour cela la configuration
en vert sur la Figure 2.17 est utilisée avec les trois machines à un TSR à 2.5. De plus,
étant donné la taille des simulations considérées, les différents éléments d’implémentations
présentés précédemment dans ce chapitre sont utilisés. Le nombre de sous-itérations est
donc bloqué à 2, une dissipation artificielle de 50% par seconde est appliquée à partir de
16.5 diamètres derrière la première rangée de machines et le Bi-CGSTAB sont utilisés.
La carte de variation entre deux simulations, avec et sans le Treecode sur uφ , de la
Figure 2.22 montre une concentration des différences entre les deux simulations dans le
sillage de la troisième hydrolienne. La Figure 2.23 montre une comparaison de différents
profils de vitesse issus des deux simulations. Ces profils de vitesse montrent finalement un
bon accord entre les deux simulations.
D’un point de vue du temps de calcul, l’utilisation du Treecode pour calculer la com-

55
2.5. Un algorithme de type Treecode pour calculer la vitesse potentielle

2 0.1

1 0.08

0 0.06
y∗

-1 0.04

-2 0.02

0 2 4 6 8 10 12 14 0
∗ diff. Linf.
x

Figure 2.22 – Carte des variations sur la vitesse entre des simulations exécutées sur trois
hydroliennes avec et sans Treecode sur uφ pour les pâles.

x∗ = 2D x∗ = 6D x∗ = 8D x∗ = 10D x∗ = 12D
3
Sans Treecode
2 Avec Treecode
1
0
y∗

-1
-2
-3
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 2.23 – Comparaisons de profils de vitesse axiale numériques à trois hydroliennes

avec et sans le Treecode sur uφ pour les pâles.

56
2.6. Bilan

20 0.022
bruit de parallélisation
18 0.02
16 0.018
temps de calcul (heures)

écarts moyen en norme L∞

14 0.016
12 0.014
10 0.012
8 0.01
6 0.008
4 0.006
2 0.004
0 0.002
ba

di

Tr
ss

so

ee
se

0
ip

us

co
a

-it

d
tio

ba

di

tr
ér
n

po

ee
ss

so
a

se
à

tio

ip

co
us
ur
12

d
-it
ns

tio
les

e
.5

ér

po
n
D

a
p

tio

ur
al

12
es

ns

les
.5
D

p
al
es
(a) Temps de calcul (b) Erreur relative moyenne

Figure 2.24 – Résumé des gains de temps de calcul et des erreurs commises pour chaque
choix d’implémentation.

posante potentielle de la vitesse uφ permet une réduction de 21.2% du temps de calcul. Ce

gain en temps de calcul est appelé à être de plus en plus important pour chaque turbine
supplémentaire prise en compte dans une simulation.

2.6 Bilan
Dans ce chapitre, quatre éléments d’implémentation permettant de réduire les temps
de calcul d’une simulation ont été présentés. Il s’agit de l’introduction d’une dissipation
artificielle en dehors de l’espace d’étude, de la réduction du nombre de sous-itération
d’émission, de l’utilisation d’un solveur itératif pour les simulations à plusieurs turbines
ainsi que d’une nouvelle méthode de calcul de l’influence des turbines sur les particules.
Un résumé des gains en temps de calcul et des variations liées à tous ces développements
est présenté dans la Figure 2.24, dans le cas d’une unique turbine. La Figure 2.25 fait le
bilan de tous ces développements quand ils sont utilisés simultanément. Ainsi, l’utilisation
combiné des différents éléments d’optimisations présentés dans ce chapitre génère au finale
une variation moyenne de 1.88 × 10−2 ce qui est légèrement supérieur à celle liée au bruit
de parallélisation qui est de 1.46 × 10−2 mais reste néanmoins tout à fait raisonnable. D’un
point de vue du temps de calcul, une réduction finale de 51% du temps d’une simulation
type d’une hydrolienne sur 60 secondes est obtenue, réduisant la durée d’une simulation
sur 256 processeurs de 12.93 à 6.40 heures. Le sillage numérique obtenu suite à tous ces
développements est comparé à celui de la simulation de référence Figure 2.26 et 2.27.
Ces cartes de vitesse axiale montrent un bon accord entre les deux simulations, avec une
nouvelle fois des différences concentrées sur la fin du sillage.

57
2.6. Bilan

0.022
14 bruit de parallélisation
0.02

12 0.018

écarts moyen en norme L∞

0.016
temps de calcul (heures)

10
0.014

8 0.012
0.01
6
0.008

4 0.006
0.004
2
0.002
0 0
ba

di

tr

ba

di

tr
ee

ee
ss

so

ss

so
se

se
ip

ip
co

co
us

us
a

a
d

d
-it

-it
tio

tio
e

e
ér

ér
po

po
n

n
a

a
à

tio

tio
ur

ur
12

12
ns

ns
les

les
.5

.5
D

D
pa

pa
les

les
(a) Temps de calcul (b) Erreur relative moyenne

Figure 2.25 – Résumé des gains de temps de calcul et des erreurs commises pour chaque
choix d’implémentation présenté pris cumulativement.

1.5 0.1
1 0.08
0.5
0.06
0
y∗

0.04
-0.5
-1 0.02
-1.5 0
2 3 4 5 6 7 8 9 10 diff. Linf.
x∗

Figure 2.26 – Carte de variation de vitesse axiale entre le simulation référence une sim-
ulation et utilisant toutes les fonctionnalités décrites précédemment.

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Référence
1.5 Optimisée
1
0.5
0
y∗

-0.5
-1
-1.5
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 2.27 – Comparaisons de profils de vitesse axiale numériques entre la simulation

de référence et une simulation avec tout les développements présentés dans ce chapitre.

58
Chapitre 3

Modélisation de la turbulence
ambiante

Dans ce chapitre, on s’intéresse à la modélisation numérique de la turbulence ambiante

I∞ caractérisant les fluctuations de vitesse dans l’écoulement sans machine, c’est-à-dire les
fluctuations du champ incident u∞ = (u∞ , v∞ , w∞ ) qui ici n’est donc plus ni stationnaire,
ni uniforme. Une décomposition de Reynolds est appliquée à la vitesse u∞ :

u∞ (x, t) = u∞ + uσ (x, t), (3.1)

pour faire ressortir la partie moyenne u∞ et la partie fluctuante uσ de l’écoulement amont.
La partie moyenne u∞ est une constante ne dépendant ni de x ni de t et vérifiant la relation
suivante :

1
Z T
u∞ = u∞ (x, t)dt, (3.2)
T 0
on a donc :

1 T σ
Z
u (x, t)dt = 0. (3.3)
T 0
Le taux de turbulence ambiante I∞ , quant à lui, peut s’exprimer :
r
1 2
[σ (u∞ )+σ 2 (v∞ )+σ 2 (w∞ )]
I∞ = 100 3
, (3.4)
ū2∞ +v̄∞
2 +w̄ 2
∞

où σ 2 (u∞ ), σ 2 (v∞ ) et σ 2 (w∞ ) sont les variances selon les composantes u∞ , v∞ et w∞ de

la vitesse u∞ [23].
Dans le domaine de l’hydrolien, des études expérimentales récentes ont montré que
la turbulence ambiante I∞ (eq. (3.4)) a un impact très important sur le comportement
des hydroliennes à axe horizontale. Par exemple, Blackmore et al. [60] ont montré à l’aide
d’expériences sur des disques poreux que la turbulence ambiante impactait de manière
importante la traîné générée par les machines. Medina et al. [61, 62] ont étudié, quant à
eux, la corrélation entre les fluctuations de vitesse liées à la turbulence ambiante I∞ et les
fluctuations de production d’énergie par une turbine. À l’IFREMER de Boulogne-Sur-Mer
Mycek et al. ont caractérisé le fonctionnement d’une hydrolienne ainsi que les interactions
entre deux turbines pour deux taux de turbulence ambiante I∞ [24, 25].
Les différents résultats ainsi obtenus ont montré que la turbulence ambiante I∞ influ-
ence tout particulièrement le sillage en aval d’une turbine. Comme illustré par la Figure

59
 2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
2 3 4 5 6 7 8 9 10 ū∗ 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) I∞ = 3% (b) I∞ = 15%

Figure 3.1 – Sillage en aval d’une hydrolienne à TSR = 3.67, u∞ x = 0.8m.s

−1 pour

différents taux de turbulence ambiante I∞ [24]. Le centre de la machine se situe au coor-

donnée (0 ;0), x∗ (resp. y ∗ ) remplace x/D (resp. y/D), avec D le diamètre de la turbine
et ū∗ représente la vitesse adimentionnée.

0.6 0.6
Single Single
a = 02D a = 02D
0.5 a = 04D 0.5 a = 03D
a = 06D a = 04D
a = 08D a = 05D
0.4 a = 10D 0.4 a = 06D
a = 12D a = 08D
a = 10D
∞

∞
down

down

0.3 0.3
CP,U

CP,U

0.2 0.2

0.1 0.1

0 0

0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSRdown
U∞ TSRdown
U∞

(a) I∞ = 3% (b) I∞ = 15%

Figure 3.2 – Coefficients de puissance CP de l’hydrolienne aval, dans une configura-

tion comportant deux turbines alignées avec le courant et espacées de a, en fonction de
son TSRaval pour différents taux de turbulence ambiante I∞ [25] avec u∞ −1
x = 0.8m.s ,
TSRamont = 4.

3.1, plus la turbulence ambiante I∞ est élevée, plus le sillage se dissipe rapidement, c’est-
à-dire que l’on retrouve plus rapidement les caractéristiques de l’écoulement amont. De
plus, les interactions entre machines sont également fortement impactées par la turbulence
ambiante, tant au niveau des performances que du sillage, comme démontré par différents
essais expérimentaux [25, 59]. Ainsi, comme illustré Figure 3.2, dans une configuration à
deux turbines alignées avec le courant, les performances de l’hydrolienne avale sont bien
meilleure quand le taux de turbulence ambiante est élevé. Il est donc crucial de carac-
tériser précisément l’influence que peut avoir différents niveaux de turbulence ambiante
I∞ sur les turbines. En effet, plusieurs études in situ réalisées sur des sites potentiels
d’implantations de fermes hydroliennes montrent des taux de turbulence ambiante I∞
très différents suivant les sites. Ces études couvrent entre autres les sites de Fall of War-
ness (UK) [63,64], Sound of Islay (UK) [23], Puget Sound (USA) [65], Strangford Narrows
(UK) [66], East River (USA) [67] et Ramsay Sound (UK) [68] où des taux de turbulence
ambiante I∞ variant de 3.2% à 24% ont pu être mesurés. Une telle gamme de niveau
de turbulence ambiante suivant les sites d’implantation implique des comportements très
différents des hydroliennes d’un site à l’autre. Il est donc indispensable de pouvoir tenir
compte numériquement des effets de la turbulence ambiante sur les performances et le
sillage des machines. Dans la littérature, plusieurs approches ont déjà été proposées pour

60
3.1. Synthetic-Eddy-Method

modéliser la turbulence ambiante. Par exemple, en éolien Chatelain et al. [69] ainsi que
Branlard et al. [70] utilisent l’algorithme de Mann [71] pour générer un écoulement tur-
bulent en entrée de simulation. En hydrolien, Baptiste Elie [17] utilise par exemple l’outil
TurbSim développé par le National Renewable Energy Laboratory (NREL) pour générer
des conditions d’entrée turbulentes pour un code Volume Finis (WCCH [72]).
Afin de répondre à cette problématique, un nouveau modèle inspiré de la Synthetic-
Eddy-Method développée par Jarrin et al. [26,27] a été implémenté dans le code de calcul.
Ce chapitre propose une description de la Synthetic-Eddy-Method, puis une analyse précise
des caractéristiques de l’écoulement ainsi généré. Pour ce faire, on s’appuie notamment sur
la caractérisation de la turbulence ambiante présente dans le bassin à houle et à courant
de l’IFREMER de Boulogne-sur-Mer proposée par Medina et al. [61, 62].

3.1 Synthetic-Eddy-Method
La Synthetic-Eddy-Method [26,27] a déjà été utilisée à plusieurs reprises dans le cadre
de simulation d’hydroliennes. Par exemple, Togneri et al. [73,74] l’utilisent pour générer un
écoulement amont turbulent dans leur code BEM-CFD. Ahmed et al. [75,76] génèrent grâce
à ce modèle des conditions d’entrée pour le code Saturne [77] développé par EDF. Cette
méthode a été conçue pour générer des écoulements incidents reproduisant un tenseur
de Reynolds R donné. Les différentes composantes Rij du tenseur de Reynolds R sont
définies de manière similaire aux variances et covariances statistiques :

Rij = (u∞
i − ui )(uj − uj ) = ui uj
∞ ∞ ∞ σ σ ∀i, j ∈ J1, 3K. (3.5)

3.1.1 Présentation générale du modèle

Le modèle a donc pour objectif de générer le champ de perturbation de vitesse uσ
issu de la décomposition de Reynolds (3.1) de l’écoulement amont u∞ . Pour ce faire, la
Synthetic-Eddy-Method permet d’introduire dans un domaine fluide fini Dσ , N "struc-
tures turbulentes" Ek , appelées "eddies" dans les travaux initiaux de Jarrin et al. [26, 27].
La dénomination "structure turbulente" est préférée ici à l’appellation "eddy" utilisée par
Jarrin et al. [26, 27] car il s’agit d’objets purement mathématiques et non d’objets véri-
tablement physiques. Il ne s’agit pas de tourbillon ("eddy") au sens physique du terme.
Les structures turbulentes Ek sont définies par leurs positions xk , leurs tailles λ et leurs
intensités ck . Le terme de perturbation uσ est ainsi calculé comme la somme des influences
des N structures turbulentes placées aléatoirement dans le domaine fluide :
N
X
uσ (x) = uσ,k (x), (3.6)
k=1

avec uσ,k la vitesse induite par une structure k définie comme suit :
s
σ,k Vσ k
u (x) = c Fλ (x − xk ) ∀k ∈ J1, N K, (3.7)
N
où Vσ est le volume du domaine fluide fini contenant les N structures turbulentes et où Fλ
est une fonction de forme qui doit vérifier un certain nombre de critères qui seront décrits
dans le paragraphe 3.1.3. Les intensités ck des structures Ek sont définies de la manière
suivante :

61
3.1. Synthetic-Eddy-Method

u∞

Ek−

Ek+
Dσ

Figure 3.3 – Schéma de l’idée générale du modèle de turbulence ambiante

3
X
cki = ai,j ǫki,j ∀i ∈ {1, 2, 3}, ∀k ∈ J1, N K. (3.8)
j=1

Les différents termes ǫki,j intervenant dans l’équation (3.8) sont des valeurs aléatoires in-
dépendantes. La loi de probabilité des ǫki,j doit être de moyenne nulle et de variance 1. Ici
la loi de probabilité proposée par Jarrin et al. [26, 27] est utilisée :

ǫki,j ∈ {−1; 1} avec p−1 = p1 = 0.5 ∀i ∈ {1, 2, 3} et ∀k ∈ J1, N K. (3.9)

Ainsi, ce terme ǫki,j représente l’aspect aléatoire de la turbulence. De plus, avec la loi de
probabilité (3.9), les ǫki,j représentent également les "signes" des différentes structures, à
savoir si la structure est une source ou un puits de vitesse comme illustré par la Figure
3.3. Les termes ai,j de la relation (3.8) sont quant à eux les éléments de la matrice A
intervenant dans la décomposition de Cholesky du tenseur de Reynolds R :
 
R1,1 R1,2 R1,3 T  
R = R2,1 R2,2 R2,3  = AA avec A = ai,j . (3.10)
 
R3,1 R3,2 R3,3
Les relations (3.8) et (3.10) permettent de relier les intensités ck des structures turbu-
lentes au tenseur de Reynolds R à reproduire. La génération de perturbations de vitesse
uσ , vérifiant statistiquement le tenseur R prescrit [26, 78] et donc le taux de turbulence
ambiante I∞ souhaité, est ainsi assuré. En effet, le taux de turbulence I∞ peut être réécrit
en fonction de la trace du tenseur de Reynolds R :

s  
1/3 σ 2 (u∞ ) + σ 2 (v∞ ) + σ 2 (w∞ )
I∞ = 100
ū2∞ + v̄∞
2 + w̄ 2
∞
s
100 R1,1 + R2,2 + R3,3
= ∞ (3.11)
|u | 3
v  
u
100 t tr R
u
= .
|u∞ | 3

62
3.1. Synthetic-Eddy-Method

3.1.2 Évolution temporelle du modèle

À l’instant initial, les positions xk des N structures turbulentes Ek sont tirées aléa-
toirement suivant une loi uniforme sur le domaine Dσ (cf. Figure 3.3). Puis à chaque pas
de temps dt, les structures sont advectées dans l’écoulement et toute structure sortant par
une face du domaine Dσ est remplacée par une nouvelle structure. Cette nouvelle struc-
ture est introduite aléatoirement sur la face opposée à la face de sortie de la structure
remplacée. Pour le choix de la vitesse de déplacement des structures turbulentes Ek , il y
a deux possibilités à ce stade : la vitesse moyenne de l’écoulement u∞ ou bien la vitesse
perturbée u∞ = u∞ + uσ . Ici, on fait le choix de la vitesse moyenne u∞ tout comme dans
les travaux initiaux de Jarrin et al. [26, 27] afin de conserver au maximum le caractère
aléatoire de la position des structures turbulentes.

3.1.3 Définition de la fonction de forme

La relation 3.7 définissant la vitesse induite par une structure turbulence Ek fait inter-
venir une fonction de forme Fλ qui s’exprime :
3
Y
Fλ (y) = fλi (yi ), (3.12)
i=1

avec λ la taille des structures turbulentes Ek qui correspond également à sa zone d’in-
fluence. C’est-à-dire qu’il s’agit de la zone dans laquelle une structure induit une pertur-
bation de vitesse uσ,k non nulle. Dans le modèle de turbulence ambiante, les structures
turbulentes peuvent avoir des tailles λi différentes suivant chaque coordonnée et les struc-
tures ont également la possibilité d’avoir des tailles différentes les unes des autres. La
sous-fonction fλ , que l’on appellera noyau dans la suite de ce chapitre, intervenant dans
l’expression de la fonction de forme Fλ (eq. (3.12)) doit vérifier un certain nombre de con-
ditions mathématiques afin d’assurer la convergence statistique du modèle vers le tenseur
de Reynolds R souhaité. Ces conditions peuvent être résumées de la manière suivante :

0
fλ ∈ C (R, R)

 (3.13a)

fλ (y) = 0 ∀y ∈/ [−λ, λ] (3.13b)






 argmax(fλ (y)) = 0
 (3.13c)
y

fλ (y) = fλ (−y) (3.13d)




 Z
 λ 2



 fλ (y)dy = 1. (3.13e)
−λ

Ainsi, le noyau fλ doit être continue sur R, avoir un support compact sur [−λ, λ], attein-
dre sa valeur maximale en 0, être symétrique et finalement vérifier la condition intégrale
(3.13e). Dans les travaux de Jarrin et al. [26,27], le noyau utilisé est un noyau triangulaire,
représenté sur la Figure 3.4 pour différentes tailles de λ. Son expression est la suivante :
( q
3
(λ − |y|) si |y| < λ
fλ (y) = 2λ3 (3.14)
0 sinon.
Ce noyau a l’avantage d’être très simple mais il présente un inconvénient non négligeable,
à savoir que sa dérivée est discontinue en −λ, 0 et λ comme on peut le voir sur la Figure
3.4. Cette propriété entraine des discontinuités dans les gradients de vitesses et donc
dans le champs de vorticité ω pouvant créer des problèmes au moment du couplage de la

63
3.1. Synthetic-Eddy-Method

2
λ = 0.5
λ=1
λ = 1.5
λ=2
1.5

fλ(y)
1

0.5

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
y

Figure 3.4 – Représentation du noyau triangulaire pour différentes tailles λ.

Synthetic-Eddy-Method avec la méthode Vortex particulaire. Pour palier à ce problème,

trois nouveaux noyaux de classe C 1 (à dérivée première continue) sont proposés ici. Le
premier est un noyau polynomial d’ordre 4 défini comme suit :
( q  
315 y4 2y 2
− +1 si − λ ≤ y ≤ λ
fλ (y) = 256λ λ4 λ2 (3.15)
0 sinon.
Le second noyau est basé sur une période de la fonction cosinus et s’écrit de la manière
suivante :
(

√1 cos( πλ y) + 1 si − λ ≤ y ≤ λ
fλ (y) = 3λ (3.16)
0 sinon.
Le dernier noyau proposé est un noyau Gaussien s’exprimant :
(  
e1 y 2 2
c(λ) 1 − exp(− λy 2 ) si − λ ≤ y ≤ λ
fλ (y) = λ2 (3.17)
0 sinon,
avec c(λ) une constante dépendant de la taille λ de la structure correspondante :
1
c(λ) = r  √ √ , (3.18)
3e2√ π √ 
λ 25
8 + 16 2
erf( 2) − (e π)erf(1)

avec erf la fonction erreur qui intervient dans le calcul de la fonction de répartition de la
loi Normale et qui s’écrit :
2
Z x
2
erf(x) = √ e−t dt. (3.19)
π 0

La Figure 3.5 illustre les quatre noyaux définis précédemment pour une taille λ de 1 tandis
que la Figure 3.6 représente les valeurs positives du noyau Gaussien pour différentes tailles
λ.

64
3.1. Synthetic-Eddy-Method

noyau triangulaire
1.2 noyau cosinus
noyau polynomial
noyau Gaussien
1

0.8
f1(y)

0.6

0.4

0.2

0 0.2 0.4 0.6 0.8 1

y

Figure 3.5 – Représentation des quatre noyaux pour λ = 1.

1.6 λ = 0.5
λ = 1.0
λ = 1.5
1.4 λ = 2.0

1.2

1
fλ(y)

0.8

0.6

0.4

0.2

0
0 0.5 1 1.5 2
y

Figure 3.6 – Représentation du noyau Gaussien pour différentes tailles de structures λ.

65
3.1. Synthetic-Eddy-Method

u∞

I∞

Figure 3.7 – Vue schématique des tourbillons dans un écoulement turbulent réel.

3.1.4 Introduction de structures turbulentes à taille variable

La Synthetic-Eddy-Method est avant tout un modèle mathématique et stochastique
mais il est utilisé ici pour représenter un phénomène physique, à savoir les perturbations de
vitesse engendrées par la turbulence ambiante I∞ . Il est donc important de se rapprocher
de la physique réelle d’un écoulement et notamment la notion d’échelle de turbulence. En
effet, dans un écoulement réel, les perturbations de vitesse sont engendrées par une large
gamme de tourbillons de tailles différentes comme la Figure 3.7.
Afin d’approcher numériquement ce phénomène d’échelle de turbulence, il est néces-
saire d’utiliser des structures turbulentes fictives de tailles différentes dans le modèle de
turbulence. Pour ce faire, une notion d’écart type σ(λ) est introduite sur la taille des
structures turbulentes, ainsi la taille des structures fictives du modèle varie autour d’une
valeur moyenne λ. D’un point de vue pratique, une loi normale est utilisée dans le code et
on a donc pour chaque structure turbulente :

λki N (λi , σ 2 (λi )) ∀i ∈ {1, 2, 3}. (3.20)

Pour simplifier les notations, l’écart type σ(λ) est défini en pourcentage de la taille
moyenne λ et donc par exemple un écart type de 10% est noté σ(λ) = 10% et corre-
spond à σ(λ) = 0.1λ. De plus, un écart type nulle (σ(λ) = 0%) indique des structures de
taille identique λ. Avec ce système, les structures turbulentes du modèle peuvent avoir une
large gamme de taille de façon analogue aux tourbillons réels. Néanmoins, il est nécessaire
d’introduire un biais dans la loi normale utilisée afin d’éviter de générer des structures
fictives de taille négative n’ayant à la fois aucun sens d’un point de vue mathématique ou
physique. On impose donc une condition supplémentaire de générer des tailles de structure
λi positives. Afin d’éviter une dissymétrie de la distribution de taille ϕ(λ) par rapport à
la taille moyenne λ, on impose également une taille maximale de structure de 2λ. Ainsi
pour résumer, les structures générées par le modèle ont des tailles λi prises sur l’intervalle
]0, 2λ[ suivant une loi normale de moyenne λ et variance σ 2 (λ) comme illustré dans la
Figure 3.8 pour une valeur moyenne de 0.5 et différentes valeurs d’écart type.

66
3.2. Comportement général du modèle de turbulence ambiante

σ(λ) = 10%
σ(λ) = 20%
σ(λ) = 30%
σ(λ) = 40%
σ(λ) = 50%

ϕ(λ)

0 0.2 0.4 0.6 0.8 1

λ

Figure 3.8 – Illustration de la distribution ϕ(λ) de taille de structure centrée en λ = 0.5

3.2 Comportement général du modèle de turbulence am-

biante
Dans cette section, on s’intéresse au comportement général du modèle en fonction
des différents paramètres disponibles. Pour ce faire on vérifie dans un premier temps la
capacité du modèle à reproduire le tenseur de Reynolds R prescrit. Et dans un second
temps, on étudie les champs de vitesse générés par la Synthetic-Eddy-Method.

3.2.1 Reconstruction numérique du tenseur de Reynolds

La Synthetic-Eddy-Method a pour fonction première de générer des perturbations de
vitesse vérifiant statistiquement le tenseur de Reynolds R choisi. Il est donc important
avant toute autre étude du modèle de vérifier le bon fonctionnement du modèle sur cet
aspect. Pour ce faire, on étudie ici deux taux de turbulence I∞ , à savoir 3% et 15%
correspondant aux deux taux de turbulence pouvant être mesurés dans le bassin d’essais
de Boulogne-sur-Mer [24, 25, 59].
Dans la littérature, concernant les études in situ, on n’a généralement pas accès au
tenseur de Reynolds R complet mais au rapport d’anisotropie (σu ,σv ,σw ) [23] correspon-
dant à la racine carré des éléments diagonaux de R adimensionnés par R11 . Un tenseur
de Reynolds R diagonal utilisant le rapport d’anisotropie (1,0.75,0.56) mesuré à Sound of
Islay par Milne et al. [23] est donc utilisé pour cette étude ainsi que dans la suite de ce
travail de thèse.
Dans ce but, un champ de vitesse perturbé autour de la valeur u∞ = (1, 0, 0) est généré
dans un domaine D de taille 6 × 6 × 6 avec une discrétisation de 0.072. Cette discrétisation
correspond au dh généralement utilisé pour les simulations d’hydroliennes. L’écoulement
est ensuite simulé sur 40 secondes avec un pas de temps dt de 2.67 × 10−2 (correspondant
au pas de temps d’une simulation d’hydrolienne à dh = 0.072 et TSR = 2.5). Pour chaque
pas de temps, les paramètres R et I∞ sont calculés spatialement puis moyennés sur les
quarante secondes de la simulation.
Les Figures 3.9 et 3.10 donnent des exemples du tenseur de Reynolds calculé à partir
des champs de vitesse générés par le modèle et comparés aux valeurs prescrites pour
3% et 15% de turbulence ambiante. Ces figures montrent un très bon accord entre les

67
3.2. Comportement général du modèle de turbulence ambiante

0.0016
Valeurs souhaitées
0.0014 N=100
N=250
0.0012 N=500
N=750
0.001 N=1000

0.0008

0.0006

0.0004

0.0002

-0.0002
R11 R12 R13 R21 R22 R23 R31 R32 R33

Figure 3.9 – Comparaison entre les valeurs du tenseur de Reynolds R (eq. (3.10)) pre-
scrites au modèle et celles obtenues avec la Synthetic-Eddy-Method à I∞ = 3% pour des
structures turbulentes de taille unique λi = (0.5, 0.5, 0.5), un noyau triangulaire et en
faisant varier le nombre de structures N .

Cas étudiés R11 = σu2 R22 = σv2 R33 = σw2 theo

Err/I∞
(×10−3 ) (×10−4 ) −4
(×10 )
theo = 3%
I∞ 1.44 8.10 4.51 0%
N = 100 1.54 8.44 4.67 2.45%
N = 500 1.45 7.98 4.33 0.47%
N = 1000 1.29 8.01 4.33 3.38%
theo = 3%
I∞ 1.44 8.10 4.51 0%
λ = (0.5 : 0.5 : 0.5) 1.44 7.99 4.44 0.34%
λ = (0.75 : 0.75 : 0.75) 1.48 8.09 4.51 0.40%
λ = (1.0 : 1.0 : 1.0) 1.29 8.01 4.33 3.38%
theo = 3%
I∞ 1.44 8.10 4.51 0%
λ = (0.5 : 0.4 : 0.5) 1.44 7.89 4.56 0.38%
λ = (0.5 : 0.3 : 0.5) 1.41 8.06 4.44 0.75%
λ = (0.5 : 0.2 : 0.5) 1.43 7.99 4.51 0.48%
theo = 3%
I∞ 1.44 8.10 4.51 0%
σ(λ) = 25% 1.46 8.27 4.39 0.65%
σ(λ) = 50% 1.33 7.33 4.02 4.31%
σ(λ) = 100% 1.45 7.91 4.38 0.38%
theo = 3%
I∞ 1.44 8.10 4.51 0%
Noyau triangulaire 1.29 8.01 4.33 3.38%
Noyau polynomial 1.46 8.71 4.66 1.65%
Noyau cosinus 1.39 7.75 4.45 1.57%
Noyau Gaussien 1.47 7.67 4.31 0.85%

Table 3.1 – Tableau de synthèse des résultats pour I∞ = 3% avec, sauf indication contraire
dans la colonne "Cas étudiés", des tailles λi = (1.0, 1.0, 1.0), un écart type σ(λ) = 0%,
1000 structures et un noyau triangulaire.

68
3.2. Comportement général du modèle de turbulence ambiante

0.04
Valeurs souhaitées
0.035 N=100
N=250
0.03 N=500
N=750
0.025 N=1000

0.02

0.015

0.01

0.005

-0.005
R11 R12 R13 R21 R22 R23 R31 R32 R33

Figure 3.10 – Comparaison entre les valeurs du tenseur de Reynolds R (eq. (3.10))
prescrites au modèle et celles obtenues avec la Synthetic-Eddy-Method à I∞ = 15% pour
un noyau triangulaire, différents nombres N de structures turbulentes de taille unique
λi = (1.0, 1.0, 1.0).

valeurs souhaitées et les valeurs obtenues par le modèle. Un résumé de l’étude paramétrique
effectué afin de vérifier le bon fonctionnement du modèle est donné dans les tableaux 3.1 et
3.2 pour les deux taux de turbulence ambiante étudiés. Ainsi, on remarque que quelque soit
le nombre N de structures, les tailles de structures λ, les écarts types σ(λ) ou les noyaux
choisis, les paramètres R et I∞ recalculés à partir des champs de vitesse par le modèle
sont en très bon accord avec les valeurs théoriques prescrites. Le modèle de turbulence
choisi, à savoir la Synthetic-Eddy-Method, permet donc de générer des perturbations de
vitesse vérifiant le tenseur de Reynolds R prescrit.

3.2.2 Observation des champs de vitesse générés

Une étude de l’influence des différents paramètres du modèle sur les champs de vitesses
générés est proposée ici. La Figure 3.11 illustre les résultats obtenus avec le modèle pour
différents taux de turbulence ambiante. On peut remarquer que les écoulements générés
par le modèle semblent plutôt réalistes, même si toutes les caractéristiques réelles de
la turbulence, comme l’aspect tourbillonnaire, ne sont pas prisent en compte. En effet,
les structures turbulentes utilisées dans la méthode n’induisent pas de rotation, mais un
effet d’attraction ou de dispersion. De plus, bien que dans ces écoulements, les tailles des
structures turbulentes ont toutes été fixées à λ = (1.0, 1.0, 1.0), il est très difficile de les
identifier simplement en regardant les champs de vitesse.
La taille des structures turbulentes λ se révèle être un paramètre très important pour la
Synthetic-Eddy-Method car, comme l’illustre les Figures 3.12 et 3.14, elles ont un impact
très important sur l’aspect général de l’écoulement généré. On peut remarquer sur la
Figure 3.12 que, quand les structures sont petites, elles sont facilement identifiables dans
l’écoulement. Plus elles sont grandes, plus il est difficile de les distinguer car elles se
superposent. En réalité cette superposition de structure n’est qu’indirectement liée à la
taille des structures. En effet, dans cette section, on considère toujours mille structures
contenues dans un espace de taille 6 × 6 × 6. Ainsi, la superposition des structures est
en réalité liée à une saturation du domaine quand les structures sont grandes. Afin de
quantifier cette saturation, on définit le taux de remplissage Rf comme le ratio entre

69
3.2. Comportement général du modèle de turbulence ambiante

Cas étudiés R11 = σu2 R22 = σv2 R33 = σw2 theo

Err/I∞
×10−2 ×10−2 ×10 −2
theo = 15%
I∞ 3.60 2.02 1.13 0%
N = 100 3.30 2.03 1.13 3.13%
N = 500 3.49 2.00 1.20 1.55%
N = 1000 3.51 1.96 1.09 1.18%
theo = 15%
I∞ 3.60 2.02 1.13 0%
λ = (0.5 : 0.5 : 0.5) 3.59 2.04 1.17 0.09%
λ = (0.75 : 0.75 : 0.75) 3.59 2.03 1.11 0.08%
λ = (1.0 : 1.0 : 1.0) 3.51 1.96 1.09 1.18%
theo = 15%
I∞ 3.60 2.02 1.13 0%
λ = (0.5 : 0.4 : 0.5) 3.68 2.08 1.16 1.29%
λ = (0.5 : 0.3 : 0.5) 3.58 2.04 1.11 0.41%
λ = (0.5 : 0.2 : 0.5) 3.57 2.01 1.11 0.05%
theo = 15%
I∞ 3.60 2.02 1.13 0%
σ(λ) = 25% 3.56 1.93 1.08 1.9%
σ(λ) = 50% 3.58 2.02 1.15 0.37%
σ(λ) = 100% 3.66 2.08 1.10 0.49%
theo = 15%
I∞ 3.60 2.02 1.13 0%
Noyau triangulaire 3.51 1.96 1.09 1.18%
Noyau polynomial 3.68 2.04 1.22 0.15%
Noyau cosinus 3.68 2.10 1.22 1.37%
Noyau Gaussien 3.47 1.95 1.14 2.30%

Table 3.2 – Tableau de synthèse des résultats pour I∞ = 15% avec, sauf indication
contraire dans la colonne "Cas étudiés", des tailles λi = (1.0, 1.0, 1.0), un écart type σ(λ) =
0%, 1000 structures et un noyau triangulaire.

70
3.2. Comportement général du modèle de turbulence ambiante

3 1.4 3 1.4
2 1.3 2 1.3
1.2 1.2
1 1.1 1 1.1
0 1 0 1
y

y
-1 0.9 -1 0.9
0.8 0.8
-2 0.7 -2 0.7
-3 0.6 -3 0.6
-3 -2 -1 0 1 2 3 ||u∞ || -3 -2 -1 0 1 2 3 ||u∞ ||
x x
(a) I∞ = 3% (b) I∞ = 5%

3 1.4 3 1.4
2 1.3 2 1.3
1.2 1.2
1 1.1 1 1.1
0 1 0 1
y

-1 0.9 -1 0.9
0.8 0.8
-2 0.7 -2 0.7
-3 0.6 -3 0.6
-3 -2 -1 0 1 2 3 ||u∞ || -3 -2 -1 0 1 2 3 ||u∞ ||
x x
(c) I∞ = 10% (d) I∞ = 15%

Figure 3.11 – Exemples de champs de vitesses donnés par le modèle de turbulence am-
biante pour N = 1000 structures de taille λ = (1.0, 1.0, 1.0), un noyau triangulaire et
différents taux de turbulence I∞ .

3 1.4 3 1.4 3 1.4

2 1.3 2 1.3 2 1.3
1.2 1.2 1.2
1 1.1 1 1.1 1 1.1
0 1 0 1 0 1
y

-1 0.9 -1 0.9 -1 0.9

0.8 0.8 0.8
-2 0.7 -2 0.7 -2 0.7
-3 ∞
0.6 -3 ∞
0.6 -3 ∞
0.6
-3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u ||
x x x
(a) λ = (0.25, 0.25, 0.25) (b) λ = (0.5, 0.5, 0.5) (c) λ = (1.0, 1.0, 1.0)

Figure 3.12 – Exemples de champs de vitesses donnés par le modèle de turbulence am-
biante pour I∞ = 15%, N = 1000 structures, un noyau triangulaire et différentes tailles
de structures.

71
3.2. Comportement général du modèle de turbulence ambiante

3 1.4 3 1.4 3 1.4

2 1.3 2 1.3 2 1.3
1.2 1.2 1.2
1 1.1 1 1.1 1 1.1
0 1 0 1 0 1
y

y
-1 0.9 -1 0.9 -1 0.9
0.8 0.8 0.8
-2 0.7 -2 0.7 -2 0.7
-3 ∞
0.6 -3 ∞
0.6 -3 ∞
0.6
-3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u ||
x x x
(a) Rf = 0.1 ⇔ N = 5 (b) Rf = 1 ⇔ N = 51 (c) Rf = 100 ⇔ N = 5167

Figure 3.13 – Exemples de champs de vitesses donnés par le modèle de turbulence am-
biante pour I∞ = 15%, un noyau triangulaire et des structures de taille λ = (1.0, 1.0, 1.0).

3 1.4 3 1.4 3 1.4

2 1.3 2 1.3 2 1.3
1.2 1.2 1.2
1 1.1 1 1.1 1 1.1
0 1 0 1 0 1
y

-1 0.9 -1 0.9 -1 0.9

0.8 0.8 0.8
-2 0.7 -2 0.7 -2 0.7
-3 ∞
0.6 -3 ∞
0.6 -3 ∞
0.6
-3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u ||
x x x
(a) λ = (0.5, 0.4, 0.5) (b) λ = (0.5, 0.3, 0.5) (c) λ = (0.5, 0.2, 0.5)

Figure 3.14 – Exemples de champs de vitesses donnés par le modèle de turbulence am-
biante pour I∞ = 15%, N = 1000 structures, un noyau triangulaire et différentes formes
de structures.

72
3.3. Étude spectrale du champ de vitesse

3 1.4 3 1.4 3 1.4

2 1.3 2 1.3 2 1.3
1.2 1.2 1.2
1 1.1 1 1.1 1 1.1
0 1 0 1 0 1
y

y
-1 0.9 -1 0.9 -1 0.9
0.8 0.8 0.8
-2 0.7 -2 0.7 -2 0.7
-3 ∞
0.6 -3 ∞
0.6 -3 ∞
0.6
-3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u || -3 -2 -1 0 1 2 3 ||u ||
x x x
(a) σ(λ) = 25% (b) σ(λ) = 50% (c) σ(λ) = 100%

Figure 3.15 – Exemples de champs de vitesses donnés par le modèle de turbulence am-
biante pour I∞ = 15%, N = 1000 structures de taille moyenne λ = (0.5, 0.5, 0.5), un
noyau triangulaire et différentes valeurs d’écart type sur la taille des structures.

les volumes VEk occupés par les structures et le volume Vσ du domaine contenant ces
structures :
N
P
VEk
k=1
Rf = , (3.21)
Vσ
avec VEk pris comme le volume d’un ellipsoïde :
3
4 Y
VEk = π λk . (3.22)
3 i=1 i
Ce nouveau paramètre Rf permet ainsi d’évaluer s’il y aura peu de chevauchement (Rf <
1), un chevauchement modéré (Rf < 5) ou beaucoup de chevauchement (Rf > 5). Si on
applique ce critère sur les trois champs de vitesse de la Figure 3.12, on obtient Rf ≈
0.32 pour le champ 3.12a où on observe effectivement que très peu de chevauchement
de structure. Le champ de vitesse 3.12b présente un Rf d’environ 2.45 cohérent avec les
chevauchements modérés présents. Enfin le Rf du champ de vitesse 3.12c est d’environ
19.40 ce qui explique le très fort chevauchement de structures turbulentes. L’influence du
paramètre Rf est illustré sur la Figure 3.13 pour des structures de taille λ = (1.0, 1.0, 1.0).
La Figure 3.14, quant à elle, illustre l’influence de la forme des structures sur l’écoulement
simulé. Dans un souci de se rapprocher au maximum d’un écoulement réel, un paramètre
d’écart type σ(λ) a été introduit (cf. section 3.1.4) afin d’avoir une variation dans la taille
des structures. La Figure 3.15 permet de visualiser l’influence de cet écart type σ(λ) sur
l’allure générale de l’écoulement produit. Ainsi, un faible écart type, à savoir σ(λ) = 25%
semble permettre de générer un écoulement plus désordonné que dans le cas sans variation
de taille de la Figure 3.12a. En revanche, pour des valeurs d’écart type plus élevées,
σ(λ) = 50% et σ(λ) = 100%, des structures "étirées" apparaissent à cause de taille proche
de zéro dans une direction. Ces structures "étirées" engendrent un écoulement dont l’allure
générale semble s’éloigner de celle d’un écoulement réel.

3.3 Étude spectrale du champ de vitesse

L’analyse spectrale recouvre plusieurs techniques de description de signaux dans le
domaine des fréquences pour déterminer les caractéristiques d’un phénomène observé. Ici,
on met en œuvre l’une de ces techniques afin de mettre en évidence un trait caractéristique
de la turbulence.

73
3.3. Étude spectrale du champ de vitesse

E(k)
introduction d’énergie
Dissipation

suppression
d’énergie

Production Distribution
k

Figure 3.16 – Diagramme illustrant le principe de cascade énergétique E(k) en fonction

du nombre d’onde k.

3.3.1 Cascade énergétique

La cascade d’énergie est une propriété classiquement mise en avant dans l’étude d’un
écoulement turbulent. Elle a été introduite par le Mathématicien Russe Kolmogorov en
1941 et illustré sur la Figure 3.16. Elle repose sur le concept d’échanges énergétiques entre
les tourbillons de différentes tailles, sur toute un éventail d’échelles spatiales et s’articule
autour de trois phases principales :
— une production énergétique, provenant du mouvement moyen du fluide ;
— une distribution interne à l’agitation turbulente ;
— une dissipation par actions visqueuses.
L’énergie cinétique fluctuante est introduite par les mouvements dominants du fluide au
niveau de l’échelle spatiale la plus grande, puis par des mécanismes d’interaction non
linéaires, une partie de cette énergie est transférée vers les plus petites échelles. À partir des
relevés de vitesses obtenus par la simulation numérique, on met en évidence le phénomène
de cascade énergétique présent au sein de l’écoulement turbulent simulé. Ces résultats sont
comparés avec les données expérimentales relevées au bassin de l’IFREMER de Boulogne-
sur-Mer étudiées dans Medina et al [61, 62]. Pour analyser numériquement ce phénomène,
une étude de la densité spectrale de puissance (Power Spectral Density (PSD)) [79–81] est
effectuée sur les fluctuations de vitesse en un point de l’écoulement de façon similaire aux
travaux de Medina et al [61, 62].

3.3.2 La densité spectrale de puissance (PSD)

L’agitation turbulente du fluide est modélisée par la variable uσ (t), représentant les
fluctuations de vitesse intrinsèques de l’écoulement et dont le caractère aléatoire du sig-
nal nous empêche de prévoir l’évolution de celui-ci au cours du temps. Le processus de
génération du signal uσ (t) est considéré stationnaire 1 , car la distribution de probabilité
ne varie pas au cours du temps. De plus, on admet son caractère ergodique, autrement
dit l’évolution du signal aléatoire peut être approché par l’étude d’une seule réalisation
suffisamment longue. Il existe de nombreuses façons de calculer ou d’estimer la PSD. Pour
cette étude, la densité spectrale de puissance est calculée dans l’axe de la turbine à partir
du signal aléatoire uσ (t) et est notée Sxx (f ). Le Théorème de Wiener-Khinchtine permet
1. Au sens mathématique ou statistique du terme.

74
3.3. Étude spectrale du champ de vitesse

0.6 Noyau triangulaire

Noyau Gaussien
0.4

0.2

uσ (t)
0

-0.2

-0.4

-0.6

0 2 4 6 8 10
t[s]

Figure 3.17 – Mesures temporelles en un point des fluctuations de vitesses uσ (t) induites
par le modèle de turbulence ambiante.

de relier la PSD à la transformée de Fourier du signal. De manière exacte, la PSD s’écrit

comme étant :
1 σ
Sxx (f ) = lim |UX,T (f )|2 (3.23)
T →∞ T
σ (f ) est la transformée de Fourier de uσ (t) limitée à l’intervalle [0, T ]. S (f )
où UX,T x xx
s’exprime comme le rapport entre le module au carré de la transformée de Fourier du
signal et sa durée, supposée infinie. En pratique, le signal issu d’une mesure est d’une
durée limitée T , on calcule alors la grandeur :
1 σ
Sxx (f ) = |U (f )|2 (3.24)
T X,T

3.3.3 Le cas de structures turbulentes à taille unique

Dans un premier temps, l’étude de structures turbulentes à taille unique est proposée,
car il s’agit de la paramétrisation de la Synthetic-Eddy-Method la plus fréquente dans la
littérature [26,27]. Lorsque le taux de turbulence ambiante est nul, alors uσ = 0 numérique-
ment. Dans le cas contraire, uσ (t) prend des valeurs irrégulières et non prévisible comme le
montre la Figure 3.17. De façon imagée, le point du domaine où s’effectue la mesure "voit"
passer une ou plusieurs structures turbulentes. Si celles-ci sont suffisamment proches du
point de mesure, elles induisent chacune une fluctuation de vitesse en ce point. La valeur
de cette fluctuation dépend de plusieurs paramètres dont l’intensité de la structure, la
distance entre le point de mesure et la structure ainsi que la fonction de forme utilisée. On
discerne, sur la Figure 3.17 des portions de courbes assimilables à des fonctions "tente" de
différentes amplitudes, signe du passage d’une structure turbulente à proximité du point
de mesure. Il peut aussi arriver que plusieurs structures soient vues simultanément par
le point de mesure, dans ce cas la vitesse induite uσ résulte de la composée des vitesses
induites par chaque structure, comme cela a lieu, par exemple, à t = 7[s] pour le noyau
triangulaire.
La Figure 3.18 montre que le choix du noyau fλ influe sur l’allure du spectre. Néanmoins
un trait distinctif commun aux quatre noyaux utilisés peut être observé : la cascade décroit
non linéairement et présente "des bosses". Ce phénomène de décroissance "en bosses" du
spectre résulte de la transformée de Fourier des noyaux utilisés. La transformée de Fourier
décompose toute fonction en une somme de simples sinusoïdes. Chacune de ces fonctions

75
3.3. Étude spectrale du champ de vitesse

102
Noyau triangulaire
0
Noyau cosinus
10 Noyau polynomiale
Noyau Gaussien
10−2

Sxx(f )
10−4

10−6

10−8

10−10 −4
10 10−3 10−2 10−1 100 101 102 103
f [Hz]

Figure 3.18 – Densité spectrale de puissance (PSD) donnée par le modèle pour les dif-
férents noyaux considérés avec λ = 0.25 et σ(λ) = 0.

est une exponentielle complexe. La transformée de Fourier d’une fonction g(t) est définie
par : Z ∞
F(g(t)) = G(f ) = g(t)e−2πif t dt (3.25)
−∞
où G(f ), appelée le spectre de g, nous indique la quantité de puissance contenue à certaines
fréquences f . Afin de démontrer le lien entre la décroissance "en bosses" de la densité
spectrale de puissance dans le cas d’un noyau triangulaire, on définit le noyau triangulaire
unitaire T (t) tel que :
(
1 − |t| si |t| 6 1
T (t) = (3.26)
0 sinon.
Si on calcule sa transformée de Fourier, il vient :
Z ∞
∆(f ) = F (T (t)) = T (t)e−2πif t dt
−∞
Z 0 Z 1
−2πif t
= (1 + t)e dt + (1 − t)e−2πif t dt
−1 0
" # " #
1 + 2πif e2πif 2πif − 1 e−2πif
= − − + 2 2
4π 2 f 2 4π 2 f 2 4π 2 f 2 4π f
e−2πif (e2πif − 1)2
=−
4π 2 f 2 (3.27)
 2
e−2πif eπif [eπif − e−πif ]
=−
4π 2 f 2
e−2πif e2πif (2i)2 sin2 (πf )
=−
4π 2 f 2
 2
sin(πf )
=
πf
2
= sinc (f ).
La transformée de Fourier de la fonction tente unitaire est donc égale au carré de la fonction
sinus cardinal, représentée sur la Figure 3.19. On retrouve le phénomène de décroissance

76
3.3. Étude spectrale du champ de vitesse

100
sinc2(x)
Noyau triangulaire
1

0.01

sinc2(x) 0.0001

1e-06

1e-08

0.01 0.1 1 10 100

x

Figure 3.19 – Comparaison entre sinc2 (x) et la PSD obtenue avec le noyau triangle pour
λ = 0.25, Rf = 1 et σ(λ) = 0.

102
σ(λ) = 0%
0
σ(λ) = 25%
10 σ(λ) = 50%
σ(λ) = 75%
10−2 σ(λ) = 100%
Sxx(f )

10−4

10−6

10−8

10−10 −4
10 10−3 10−2 10−1 100 101 102 103
f [Hz]

Figure 3.20 – Influence de l’écart type σ(λ) sur la densité spectrale de puissance (PSD)
pour un noyau Gaussien et λ = (0.5, 0.5, 0.5) avec un taux de remplissage Rf = 2.

en bosse, identifié précédemment sur la Figure 3.18. De plus, la transformée de Fourier est
une application linéaire de L1 (R) dans l’espace des fonctions :

∀(f1 , f2 ) ∈ L1 (R), ∀(b1 , b2 ) ∈ C F[b1 f1 + b2 f2 ] = b1 F[f1 ] + b2 F[f2 ]. (3.28)

Ainsi, le spectre obtenu dans le domaine fréquentiel peut être vu comme la composée
de plusieurs transformations de Fourier de fonction de forme. C’est d’ailleurs pour cette
raison que deux simulations paramétrées de la même façon ne donnent pas deux spectres
identiques. En effet, le caractère aléatoire du modèle se manifeste dans le placement et
l’intensité des structures, c’est-à-dire que deux points de mesures identiques ne "verront"
pas passer les mêmes structures. Le même raisonnement s’applique pour les fonctions de
forme polynomiale, sinusoïdales et gaussienne afin d’expliquer la décroissance "en bosse"
obtenue pour un écart type σ(λ) nul.

77
3.3. Étude spectrale du champ de vitesse

102
Rf = 0.01
0
Rf = 0.1
10 Rf = 0.5
Rf = 1
10−2 Rf = 2
Rf = 3

Sxx(f )
10−4

10−6

10−8

10−10 −4
10 10−3 10−2 10−1 100 101 102 103
f [Hz]

Figure 3.21 – Influence du taux de remplissage Rf sur la densité spectrale de puissance

(PSD) pour un noyau Gaussien et λ = (0.5, 0.5, 0.5) avec un écart type σ(λ) = 50%.

3.3.4 Cas de structures turbulentes à tailles variables

Dans cette section, une étude de l’influence des différents paramètres du modèle de
turbulence ambiante sur la densité spectrale de puissance est proposée. La Figure 3.20
montre que l’introduction de structures de tailles variables, et donc d’un paramètre σ(λ)
non nul, a un impact très important sur l’allure de la PSD. En effet, l’ajout de variations
dans les tailles de structures permet de lisser la courbe de PSD et de faire disparaitre le
phénomène de décroissance "en bosse". De plus, la courbe de densité spectrale de puissance
semble finir par converger quand l’écart type σ(λ) augmente. Ainsi pour des valeurs de
σ(λ) supérieur ou égale à 50% on peut raisonnablement considérer que la densité spectrale
de puissance est stabilisée. Ainsi, pour les prochaines courbes de PSD, on fixe le paramètre
σ(λ) à 50%.
Le second paramètre étudié ici est le taux de remplissage Rf défini précédemment
(cf. section 3.2.2). Les résultats de cette étude pour une taille de structure moyenne λ =
(0.5, 0.5, 0.5) sont présentés dans la Figure 3.21. Les différentes courbes de densité spectrale
de puissance de la Figure 3.21 montrent que pour de très faibles taux de remplissage Rf ,
à savoir 0.01 et 0.1, les courbes de PSD présentent à nouveau une allure "en bosse" pour
les hautes fréquences. Pour les taux de remplissage plus élevés (Rf ≥ 0.5), les courbes de
PSD sont très similaires. Il est ainsi raisonnable d’affirmer que tant que le domaine Dσ
n’est pas "trop vide" de structures turbulentes le taux de remplissage Rf n’a pas vraiment
s’influence sur la densité spectrale de puissance.
Dans la section 3.1.3 précédente, quatre noyaux pour la fonction de forme intervenant
dans le modèle ont été présentés. C’est pourquoi, la Figure 3.22 présente les courbes de
densité spectrale de puissance obtenues pour chacun des quatre noyaux utilisés. Ainsi, les
résultats présentés dans cette Figure 3.22 mettent en évidence l’indépendance entre les
courbes de PSD et le noyau choisi quand celles-ci sont lissées par le paramètre σ(λ).

3.3.5 Comparaison avec les données expérimentales

Correctement paramétré, le modèle numérique permet d’obtenir une densité spectrale
de puissance présentant une cascade énergétique "classique". Il faut à présent comparer les
résultats numériques ainsi obtenus avec les données expérimentales. La Figure 3.23 montre
une comparaison entre la densité spectrale de puissance obtenue par Medina et al. [62]

78
3.4. Étude des macros échelles de Taylor

102
Noyau triangulaire
0
Noyau cosinus
10 Noyau polynomiale
Noyau Gaussien
10−2

Sxx(f )
10−4

10−6

10−8

10−10 −4
10 10−3 10−2 10−1 100 101 102 103
f [Hz]

Figure 3.22 – Influence du noyau utilisé sur la densité spectrale de puissance (PSD) pour
λ = (0.5, 0.5, 0.5) avec un écart type σ(λ) = 50% et un taux de remplissage Rf de 2.

102
Mesures en bassin [62]
λ = 0.25
λ = 0.5
100 λ = 0.75

10−2
Sxx(f )

10−4

10−6

10−8

10−10
10−4 10−3 10−2 10−1 100 101 102 103
f [Hz]

Figure 3.23 – Comparaison entre les données expérimentales et numériques avec σ(λ) =
100%, I∞ = 15% et U∞ = 0.8[m.s−1 ].

dans le bassin de l’IFREMER de Boulogne-sur-mer et les densités spectrales de puissances

générées par la Synthetic-Eddy-Method. Cette Figure 3.23 montre que les cascades énergé-
tiques générées par le modèle numérique se rapproche des données expérimentales même si
elles présentes une pente légèrement plus importante. Le modèle de turbulence ambiante
est donc en mesure de reproduire une densité spectrale de puissance se rapprochant de
données réelles.

3.4 Étude des macros échelles de Taylor

3.4.1 Notion d’échelles de turbulence
"Il existe de nombreuses échelles spatiales et temporelles, élaborées au cours du siè-
cle dernier, qui dépeignent la grande variété des mouvements de turbulence. Celles-ci se
basent sur l’idée d’une organisation hiérarchique de la turbulence où des mécanismes in-
ternes d’échanges d’énergie assurent la création et le maintien de toute une gamme de
mouvements chaotiques répartis continûment sur une large gamme d’échelles. Par exem-
ple, pour un nuage dans la couche atmosphérique, la plus large échelle caractéristique de

79
3.4. Étude des macros échelles de Taylor

E(k)

Production
Cascade Énergétique Dissipation

k
Grandes Échelles Échelles inertielles Petites Échelles

Figure 3.24 – Comportement énergétique d’un écoulement turbulent

celui-ci peut être de l’ordre du kilomètre sur une importante période de temps, mais à
l’intérieur de celui-ci, les processus de mélange de l’air sec et humide peuvent se produire
à une échelle de l’ordre de quelques millimètres sur des instants très courts. Ces échelles
spatiales sont à mettre en lien avec la notion de tourbillon de turbulence, -d’eddy-, utilisée
pour qualifier les mouvements turbulents. Un eddy est un concept physique qui peut être
assimilé à une structure porteuse d’un mouvement tourbillonnaire localisé dans une région
et dont la taille maximale est limité par les frontières physiques de l’écoulement" [82].
Un écoulement turbulent pleinement développé à haut nombre de Reynolds est com-
posé de structures tourbillonnaires de différentes tailles. La plus grande échelle est fixée
par l’écoulement moyen et la plus petite par la dynamique inhérente de l’agitation turbu-
lente, qui dépend fortement de la viscosité du fluide. Comme illustré sur la Figure 3.24,
entre ces deux échelles, ce sont les effets inertiels du mouvement qui dominent.

3.4.2 Macro échelle spatiale de Taylor

A partir des relevés des fluctuations de vitesse dans l’axe de la turbine uσx , il est possible
de calculer la macro échelle spatiale de Taylor, noté L. Cette échelle intégrale spatiale est
définie classiquement à l’aide de la fonction de corrélation des fluctuations de vitesses en
deux points voisins de l’écoulement R(τ ) :
Z ∞
L= u∞
x R(τ )dτ. (3.29)
0

Cette grandeur est une évaluation grossière de la distance en deçà de laquelle la vitesse
fluctuante est parfaitement corrélée avec elle même et totalement décorrélée au-delà. La
fonction d’autocorrélation d’une variable u(t) à deux instants t1 et t2 est définie par :

R(t1 , t2 ) = hu(t1 ) u(t2 )i. (3.30)

80
3.4. Étude des macros échelles de Taylor

1.2
Fonction d’autocorrélation
1

0.8

0.6
R(τ )
0.4

0.2

0
0 0.5 1 1.5 2
τ [s]

Figure 3.25 – Exemple de tracé d’une fonction d’autocorrélation R(τ ) calculée à partir
d’un champ de vitesse généré par le modèle.

Rf 3 1 1/2 1/10 1/100

L (λ = 0.25) 0.165 0.162 0.161 0.168 0.175
L (λ = 0.5) 0.323 0.310 0.325 0.337 0.267
L (λ = 0.75) 0.489 0.474 0.475 0.505 0.548

Table 3.3 – Influence du taux de remplissage Rf sur le calcul de la macro échelle spatiale
de Taylor L avec σ(λ) = 50% et un noyau Gaussien.

L’autocorrélation est un outil mathématique : il s’agit de la corrélation croisée d’un signal

par lui-même. C’est la mesure de la similitude entre deux signaux. Dans le cas d’un proces-
sus statistique stationnaire (processus stochastique dont la distribution de probabilité ne
varie pas au cours du temps), la fonction d’autocorrélation ne dépend que de la différence
τ = t2 − t1 , et ainsi on a :

R(τ ) = hu(t) u(t + τ )i, (3.31)

et la fonction d’autocorrélation normalisée s’exprime alors :

hu(t) u(t + τ )i
R(τ ) = . (3.32)
hu2 i
Comme illustré sur la Figure 3.25 lorsque τ = 0, l’autocorrélation vaut 1 et elle décroit
lorsque τ augmente. La fonction d’autocorrélation converge vers 0 car la turbulence est
considérée comme un phénomène aléatoire. La macro échelle L est donc calculée comme
x par le résultat de l’intégration de la
le produit de la vitesse moyenne de l’écoulement u∞
fonction d’autocorrélation sur un intervalle de temps fini [0 : T ]. En pratique, la borne
supérieure T est approchée au point où R(τ ) = 0 pour la première fois.

3.4.3 Résultats numériques

Dans cette section une étude paramétrique des macros échelles spatiales de Taylor
obtenues à l’aide du modèle de turbulence ambiante est présentée. Les paramètres ainsi
étudiés sont le taux de remplissage Rf , la taille des structures λ =(λ,λ,λ), l’écart type
σ(λ) et le noyau.

81
3.4. Étude des macros échelles de Taylor

σ(λ) (%) 0 25 50 75 100

L (λ = 0.25) 0.163 0.163 0.162 0.162 0.169
L (λ = 0.5) 0.330 0.336 0.310 0.327 0.328
L (λ = 0.75) 0.496 0.478 0.474 0.486 0.518

Table 3.4 – Influence de l’écart type σ(λ) sur le calcul de la macro échelle spatiale de
Taylor L avec Rf = 1 et un noyau Gaussien.

0.8 0.8
Noyau triangulaire, a = 0.746 Noyau cosinus, a = 0.669
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
L

L
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
λ λ

(a) Noyau triangulaire (b) Noyau cosinus

0.8 0.8
Noyau polynomial, a = 0.694 Noyau Gaussien, a = 0.654
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
L

0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
λ λ

(c) Noyau polynomial (d) Noyau Gaussien

Figure 3.26 – Relation entre la macro échelle spatiale de Taylor L calculée et la taille de
structure prescrite λ pour les différents noyaux utilisés à Rf = 1 et σ(λ) = 10%.

L’influence du taux de remplissage Rf sur la macro échelle spatiale de Taylor L est

tout d’abord étudiée. Les résultats de cette étude sont présentés dans le tableau 3.3.
Ainsi, lorsque Rf > 1/100, les valeurs de L obtenues sont similaires quelque-soit le taux
de remplissage choisi. À l’image de l’étude spectrale de la section 3.3.4, la convergence
statistique du modèle est assurée si les structures fictives sont présentes en nombre suffisant
dans le milieu étudié. Les résultats du tableau 3.3 montrent donc une indépendance entre
le taux de remplissage Rf et la macro échelle de Taylor L tant que celle-ci est suffisante
pour assurer la convergence statistique du modèle.
Le tableau 3.4 présente les valeurs de L obtenues quand on ne fait varier que le
paramètre d’écart type σ(λ). Ces valeurs montrent à nouveau ici une indépendance entre
le paramètre étudié, à savoir la disparité des tailles de structures fictives utilisées, et la
macro échelle de Taylor L.
Les résultats présentés dans les tableaux 3.3 et 3.4 montrent également une forte dépen-
dance entre la taille de structure prescrite λ et l’échelle de turbulence L. La Figure 3.26
présente ainsi la dépendance entre λ et L pour les quatre noyaux proposés dans cette

82
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

étude. De plus, il apparait très clairement que cette relation est linéaire (donc de la forme
L = a × λ) pour chacun des noyaux considérés. En effet, les valeurs du coefficient de cor-
rélation sont comprises entre 0.98 et 1, signe de qualité de la régression linéaire obtenue
pour chacun des noyaux. En revanche, les valeurs du coefficient a obtenues varient suivant
le noyau choisi, indiquant une dépendance entre la macro échelle de Taylor L et le noyau
utilisé. Cette dépendance avec le noyau choisi n’est pas une surprise étant donné que le
noyau permet de calculer la fonction de forme de la structure turbulente et définit donc
d’une certaine façon sa forme générale au même titre de la taille λ. Les résultats obtenus
indiquent donc qu’il existe une fonction de transfert linéaire entre la macro échelle de
Taylor L et le paramètre de taille prescrit λ pour chacun des noyaux considérés. Ainsi,
dans le cas où cette macro échelle est connue pour l’écoulement à reproduire, il est alors
possible d’estimer la taille λ à prescrire pour retrouver cette échelle caractéristique L. Une
fois le modèle turbulence ambiante caractérisé sans turbine il est maintenant nécessaire
de la tester en présence d’une hydrolienne.

3.5 Influence de la Synthetic-Eddy-Method sur une hydroli-

enne
Cette section se concentre sur l’utilisation de la Synthetic-Eddy-Method dans le cadre
de simulations numériques d’hydroliennes. Pour ce faire, le couplage entre le modèle de
turbulence ambiante et la méthode Vortex est tout d’abord présenté. Ensuite, la méthode
de filtrage utilisée pour améliorer la lisibilité des sillages des machines est expliquée. Puis,
l’influence du modèle de turbulence ambiante sur le sillage d’une hydrolienne est étudiée
au travers de plusieurs simulations numériques à différents taux de turbulence I∞ . Et
enfin, une comparaison entre les résultats numériques et les résultats expérimentaux de
Mycek et al. [24] est effectuée.

3.5.1 Intégration du modèle de turbulence ambiante dans le code Vortex

La méthode numérique utilisée pour représenter le sillage est une méthode Lagrangi-
enne et instationnaire (cf. Chapitre 1). Par définition, cette méthode s’applique pour des
domaines fluides infinis. De plus, au cours des simulation les particules sont présentes
dans l’écoulement, occupent une zone de plus en plus importante. Or, la Synthetic-Eddy-
Method présentée dans le chapitre 3 nécessite la définition d’un domaine fluide fini D où
la turbulence ambiante s’applique et un second domaine Dσ contenant toute les structures
turbulentes utilisées. Le domaine fluide D est choisi identique au domaine d’étude défini
dans la section 2.3.1 pour l’utilisation de la dissipation artificielle.
Une fois le domaine d’étude choisi, l’espace Dσ de volume Vσ peut être construit. Afin
d’aboutir à des fluctuations de vitesse vérifiant les caractéristiques statistiques voulues
sur tout le domaine d’étude D, certaines conditions sur l’espace Dσ sont nécessaires, en
particulier pour éviter des problèmes aux limites du domaine D. Ainsi, il est indispensable
de construire un espace Dσ un peu plus grand que le domaine d’étude D :
(
min (xi ∈ Dσ ) ≤ min (xi ∈ DS ) − 2λi ∀i ∈ {1, 2, 3} (3.33a)
max (xi ∈ Dσ ) ≥ max (xi ∈ DS ) + 2λi ∀i ∈ {1, 2, 3} (3.33b)
avec x en vecteur position et λ = λi , (i = 1, 3) le vecteur définissant la taille moyenne
des structures turbulentes utilisées. Ces conditions assurent simplement que l’ensemble du
domaine d’étude D est influencé par les structures turbulentes. Un schéma récapitulatif

83
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

2λ1 2λ1

2λ2
D

u∞

Ek−

Ek+ 2λ2
Dσ

Figure 3.27 – Schéma récapitulatif de l’intégration du modèle de turbulence ambiante au

code de calcul

du couplage du modèle de turbulence ambiante avec la méthode vortex est donné Figure
3.27.
Une fois l’espace Dσ défini, les structures turbulentes peuvent être générées à l’intérieur
de celui-ci comme décrit précédemment dans la section 3.1. Au cours d’une simulation les
structures turbulentes doivent être advectées dans l’écoulement. Pour ce faire deux straté-
gies sont possibles : utiliser la vitesse u∞ ou bien utiliser la vitesse réelle u définie par
l’équation (1.5). Dans ces travaux, la première option est choisie et donc les structures
turbulentes sont déplacées à la vitesse u∞ . Avec cette approche, le modèle de turbulence
ambiante fonctionne comme une sous-couche du programme, de telle sorte que les struc-
tures turbulentes influencent les turbines et les particules mais ne sont pas influencées par
celles-ci.

3.5.2 Fluctuation à moyenne nulle de la turbulence ambiante

L’utilisation du modèle de turbulence ambiante lors de simulation avec hydrolienne
nécessite des simulations sur des temps physiques plus longs afin d’obtenir des cartes
de vitesses moyennes exploitables. En effet, le temps physique total de simulation de
60s utilisé précédemment permettant d’obtenir des vitesses moyennées sur 20s, est très
largement insuffisant pour des simulations avec un taux de turbulence ambiante I∞ non
nul. Des temps physique de simulation plus importants sont ici nécessaire afin de masquer
sur les champs moyennés, les fortes variations de vitesse instantanée, liées à la turbulence
ambiante (cf. section 3.2.2).
Une étude préliminaire sans turbine est donc réalisée afin de définir le temps physique
nécessaire pour "gommer" les variations de vitesse instantanée liées à la turbulence am-
biante et obtenir une carte vitesse moyenne exploitable. Les résultats de cette étude sont
présentés Figure 3.28 pour un taux de turbulence de 15%. La Figure 3.28a confirme tout
d’abord qu’une moyenne temporelle sur 20s est insuffisante pour les simulations avec ce
taux de turbulence ambiante. Une moyenne sur 25s présente encore des variations de
vitesse supérieures à 0.4 autour de la vitesse moyenne u∞ = 1. Cette étude montre qu’il
faut finalement effectuer une moyenne sur 800s pour gommer ces variations de vitesse in-
stantanée en dessus de 0.1 autour de la vitesse moyenne u∞ = 1. Partant de ce constat on
peut estimer que pour obtenir une carte de vitesse moyenne du sillage d’une hydrolienne
en présence d’un fort taux de turbulence un temps physique total de simulation de 840s

84
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

2 1.4 2 1.4
1.5 1.3 1.5 1.3
1 1.2 1 1.2
0.5 1.1 0.5 1.1
0 1 0 1
y∗

y∗
-0.5 0.9 -0.5 0.9
-1 0.8 -1 0.8
-1.5 0.7 -1.5 0.7
-2 0.6 -2 0.6
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) Moyenne sur 25s (b) Moyenne sur 50s

2 1.4 2 1.4
1.5 1.3 1.5 1.3
1 1.2 1 1.2
0.5 1.1 0.5 1.1
0 1 0 1
y∗

y∗
-0.5 0.9 -0.5 0.9
-1 0.8 -1 0.8
-1.5 0.7 -1.5 0.7
-2 0.6 -2 0.6
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(c) Moyenne sur 200s (d) Moyenne sur 800s

Figure 3.28 – Cartes de vitesse sans hydrolienne, moyennées sur des temps différents avec
I∞ = 15% et λ = (0.25, 0.25, 0.25).

est nécessaire. Or, une simulation de 90s physique sur une hydrolienne en présence de tur-
bulence ambiante s’effectue en approximativement 24H sur 256 processeurs, on peut donc
estimer qu’une simulation des 840s physique prendrait un temps de calcul très important
de 223.2H, soit 9.3 jours, à s’exécuter.
Afin de réduire les temps de calcul nécessaire à l’obtention d’un sillage complet d’hy-
drolienne en présence de turbulence ambiante on se propose ici d’effectuer les simulations
sur 90s de temps physique et de filtrer la turbulence ambiante dans le sillage de la turbine.
Pour ce faire, le champ de vitesse u(x, t) est décomposé en combinant les équations (1.5)
et (3.1) de la manière suivante :

u(x, t) = uψ (x, t) + uφ (x, t) + u∞ + uσ (x, t). (3.34)

Or, par construction de la Synthetic-Eddy-Method [26, 27] on a :

1
Z T
lim uσ (x, t)dt = 0. (3.35)
T →+∞ T 0
On utilise ainsi la propriété (3.35) au moment du post-traitement pour filtrer la com-
posante uσ de la vitesse, en présupposant que uσ = 0, au moment d’effectuer les moyennes
temporelles. Permettant ainsi d’obtenir des cartes de sillage exploitable pour des simula-
tions sur des temps physiques beaucoup plus courts (90s ici). La Figure 3.29 illustre le
filtrage de la turbulence ambiante sur le cas d’une turbine à TSR = 3.67 et I∞ = 15%.
Ainsi la carte de sillage brute (Figure 3.29a) peut être décomposée en deux nouvelles
cartes de vitesse, une première représentant le sillage de la turbine sans la composante
uσ représentant la turbulence ambiante, et une seconde, représentant l’écoulement sans
la turbine. L’avantage ici est d’extraire l’effet de la turbulence ambiante sur le sillage et
ainsi de comparer un sillage ayant subi ou pas l’effet de la turbulence.
Dans la suite de ce chapitre toutes les cartes numériques de vitesse sont obtenues après
application du filtrage de la vitesse uσ . Ce qui revient à la non prise en compte de uσ dans
l’équation (3.34). Ces simulations sont effectuées sur 90s de temps physique et les cartes

85
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

2 1.1
1.5 1
1 0.9
0.5 0.8
0 0.7

y∗
-0.5 0.6
-1 0.5
-1.5 0.4
-2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗
x∗
(a) Vitesse moyennée u(x, t)

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(b) Vitesse filtrée uψ (x, t) + uφ (x, t) + u∞ (c) Vitesse de l’écoulement sans machine u∞ +
uσ (x, t)

Figure 3.29 – Illustration du filtrage de la turbulence ambiante sur des cartes de vitesse
axiale numérique à TSR = 3.67, I∞ = 15% et λ = (0.25, 0.25, 0.25).

de vitesse présentent des vitesses moyennées sur 50s. De plus, ces simulations utilisent
également tous les développements présentés dans le Chapitre 2, à savoir une dissipation
artificielle à partir de 12.5D en aval de la machine (cf. section 2.3.1), une limitation à 2
sous-itérations de l’émission (cf. section 2.3.2) et le Treecode pour le calcul de la vitesse
potentielle (cf. section 2.5).

3.5.3 Influence de la turbulence ambiante sur le sillage d’une hydroli-

enne
On cherche maintenant à mettre en évidence l’influence du modèle de turbulence am-
biante présenté précédemment (cf. Chapitre 3) sur le sillage d’une hydrolienne. Pour
ce faire, des simulations à différents taux de turbulence ambiante I∞ sont réalisées à
TSR = 3.67 afin de correspondre aux données expérimentales de Mycek et al. [24, 25].
Des structures turbulentes de rayon moyen λ = (0.25, 0.25, 0.25) sont ici utilisées car
cette taille est de l’ordre de grandeur du rayon de la machine, ce qui permet de travailler
avec de échelles de Taylor similaires à celles mesurées dans le bassin de l’IFREMER à
I∞ = 15% [61, 62].
Pour cette étude, quatre taux de turbulence ambiante I∞ différents sont utilisés, à
savoir I∞ = 0% (donc sans turbulence ambiante), I∞ = 3 et 15% (correspondant aux taux
de turbulence présents dans le bassin) et I∞ = 7% afin d’avoir une valeur intermédiaire.
Les cartes de sillages filtrées ainsi obtenues sont présentées Figure 3.30 et montrent que le
modèle de turbulence ambiante a l’effet escompté sur le sillage de l’hydrolienne. En effet,
plus le taux de turbulence ambiante I∞ augmente plus le sillage est rapidement dissipé
dans l’écoulement aval de la machine. Ainsi, on peut constater sur la Figure 3.31 que
pour chacun des profils de vitesse présentés, plus le taux de turbulence ambiante I∞ est
important , plus la vitesse dans le sillage présente un déficit de vitesse faible et donc plus
le sillage se dissipe rapidement. L’effet recherché d’une diminution du déficit de vitesse
dans le sillage avec l’augmentation du taux de turbulence ambiante est mise en évidence

86
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) I∞ = 0% (b) I∞ = 3%

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7 0 0.7
y∗

y∗
-0.5 0.6 -0.5 0.6
-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
1 2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(c) I∞ = 7% (d) I∞ = 15%

Figure 3.30 – Comparaison des cartes de vitesse axiale numérique à TSR = 3.67 pour
différents taux de turbulence ambiante I∞ et des structures de tailles moyennes λ =
(0.25, 0.25, 0.25).

par les déficits de vitesse intégré (cf. équation (1.90)) présentés Figure 3.32.

3.5.4 Comparaison numérique/expérimental

Les résultats de la section précédente montrent que qualitativement le modèle de tur-
bulence ambiante implémenté a le bon impact sur le sillage d’une hydrolienne. Dans cette
section l’aspect quantitatif est étudié. Pour ce faire, les résultats numériques sont comparés
aux résultats expérimentaux obtenus au bassin de l’IFREMER de Boulogne-sur-mer par
Mycek et al. [24] pour des taux de turbulence ambiante de 3 et 15%.
Les résultats pour une turbulence ambiante de 3% sont d’abord présentés. Pour ce taux
de turbulence, des structures turbulentes plus petites que précédemment sont utilisées afin
de se rapprocher des conditions expérimentales où les échelles de Taylor mesurées sont
plus faible à 3% qu’à 15%. Dans cette section, des structures turbulentes de rayon moyen
λ = (0.1, 0.1, 0.1) sont donc utilisées pour les simulation avec une turbulence ambiante I∞
de 3%. Les sillages ainsi obtenus sont présentés Figure 3.33. Ces cartes de sillage montrent
que le sillage numérique est dissipé plus rapidement que le sillage expérimental, indiquant
que le modèle de turbulence ambiante est dans ce cas trop dissipatif. Néanmoins, les profils
de vitesses de la Figure 3.34 est les courbes de déficit intégré de la Figure 3.35 indique que
même sans utilisation du modèle de turbulence ambiante le déficit de vitesse présent dans
le sillage de la turbine est sous estimé par les simulations numériques. Ce déficit de vitesse
plus faible dans le sillage de la turbine dans les simulations numériques a déjà été observé
dans la section 1.3.4 du Chapitre 1. Le modèle de turbulence ambiante ayant pour objectif
de dissiper le sillage de l’hydrolienne il est donc normal que dans le cas d’une simulation à
3% de turbulence ambiante le sillage numérique présente un dissipation trop importante.
Pour les simulations avec un taux de turbulence ambiante de 15% les paramètres
présentés dans les sections 3.5.2 et 3.5.3 sont utilisés. Le sillage expérimental et le sillage
numérique ainsi obtenus sont présentés Figure 3.36. Ces deux sillages montrent que le
sillage numérique obtenu en utilisant la Synthetic-Eddy-Method est très proche du sillage

87
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Num. I∞ = 0%
1.5 Num. I∞ = 3%
1 Num. I∞ = 7%
Num. I∞ = 15%
0.5

0
y∗

-0.5

-1

-1.5

-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 5
u∗

Figure 3.31 – Comparaison de profils de vitesse axiale numérique à TSR = 3.67

pour différent taux de turbulence ambiante I∞ et des structures de tailles moyennes
λ = (0.25, 0.25, 0.25).

45
Num., I∞ = 0%
40 Num., I∞ = 3%
Num., I∞ = 7%
Num., I∞ = 15%
35
Deficit de vitesse [%]

30

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10
x∗

Figure 3.32 – Comparaisons des déficits de vitesses intégrés numériques pour différents
taux de turbulence ambiante I∞ et des structures de tailles moyennes λ = (0.25, 0.25, 0.25).

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7
y∗

0 0.7
y∗

-0.5 0.6 -0.5 0.6

-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) Expérimental I∞ = 3% (b) Numérique I∞ = 3%

Figure 3.33 – Comparaison des cartes de vitesse axiale numérique et expérimental à

TSR = 3.67 et I∞ = 3% et des structures de tailles moyennes λ = (0.1, 0.1, 0.1).

88
3.5. Influence de la Synthetic-Eddy-Method sur une hydrolienne

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Exp.
1.5 Num. I∞ = 0%
1 Num. I∞ = 3%

0.5

0
y∗

-0.5

-1

-1.5

-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 3.34 – Comparaison de profils de vitesse axiale numérique et expérimentale à

TSR = 3.67 et I∞ = 3% et des structures de tailles moyennes λ = (0.1, 0.1, 0.1).

45
Exp., I∞ = 3%
40 Num., I∞ = 0%
Num., I∞ = 3%
35
Deficit de vitesse [%]

30

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10
x∗

Figure 3.35 – Comparaisons des déficits de vitesses intégrés numériques et expérimentaux

à TSR = 3.67 et I∞ = 3% et des structures de tailles moyennes λ = (0.1, 0.1, 0.1).

2 1.1 2 1.1
1.5 1 1.5 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0 0.7
y∗

0 0.7
y∗

-0.5 0.6 -0.5 0.6

-1 0.5 -1 0.5
-1.5 0.4 -1.5 0.4
-2 0.3 -2 0.3
2 3 4 5 6 7 8 9 10 ū∗ 1 2 3 4 5 6 7 8 9 10 ū∗
x∗ x∗
(a) Expérimental (b) Numérique

Figure 3.36 – Comparaison des cartes de vitesse axiale numériques et expérimentales à

TSR = 3.67 et I∞ = 15% et des structures de tailles moyennes λ = (0.25, 0.25, 0.25).

89
3.6. Bilan

x∗ = 2D x∗ = 4D x∗ = 6D x∗ = 8D x∗ = 10D
2
Exp.
1.5 Num.
1

0.5

0
y∗

-0.5

-1

-1.5

-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 3.37 – Comparaison de profils de vitesse axiale numérique et expérimentale à

TSR = 3.67 et I∞ = 15% et des structures de tailles moyennes λ = (0.25, 0.25, 0.25).

35
Exp., I∞ = 15%
Num., I∞ = 15%
30

25
Deficit de vitesse [%]

20

15

10

0
1 2 3 4 5 6 7 8 9 10
x∗

Figure 3.38 – Comparaisons des déficits de vitesses intégrés numériques et expérimentaux

à TSR = 3.67 et I∞ = 15% et des structures de tailles moyennes λ = (0.25, 0.25, 0.25).

expérimental. Les profils de vitesse axiale de la Figure 3.37 montrent un très bon accord
entre les valeurs numériques est expérimentales. En effet, les profils numériques sont tou-
jours dans les limites des écart-types des mesures expérimentales. En ce qui concerne les
déficits de vitesse intégrée, la Figure 3.38 montre que le déficit de vitesse présent dans les
sillages numériques et expérimentaux sont très proches hormis pour le sillage très proche
(x∗ ≤ 2) où la simulation numérique sous évalue le déficit de vitesse.

3.6 Bilan
Pour conclure, le modèle de turbulence reposant sur la Synthetic-Eddy-Method présenté
dans ce chapitre permet de générer des fluctuations de vitesse induisant une intensité tur-
bulente I∞ donnée. De plus, les perturbations de vitesse générées par le modèle vérifient
le tenseur de Reynolds prescrit. L’étude de la densité spectrale de puissance (PSD) mon-
tre que l’introduction de structures turbulentes à tailles variables, caractérisées par le
paramètre d’écart type σ(λ), permet de "lisser" la courbe de PSD de l’écoulement. Il est
ainsi possible de générer un écoulement présentant une cascade énergétique dont la forme

90
3.6. Bilan

est proche de celle d’un écoulement réel [61,62]. Finalement, l’étude de la macro échelle de
Taylor dans l’écoulement générée par le modèle montre que les seuls paramètres influant
véritablement sur cette échelle de turbulence sont la taille moyenne des structures turbu-
lentes et dans une moindre mesure le noyau choisi. De plus, il existe pour chaque noyau
présenté une loi de commande linéaire entre la taille des structures et la macro échelle de
Taylor.
Le modèle de turbulence ambiante basé sur la Synthetic-Eddy-Method présenté dans
ce chapitre a également été testé dans le cadre de simulation avec une hydrolienne. Ces
simulations montrent que le modèle de turbulence ambiante a l’effet souhaité sur le sillage
d’une turbine, à savoir la dissipation (réduction) du sillage. De plus, une comparaison avec
des données expérimentales a été réalisée pour des taux de turbulence ambiante de 3 et
15%. Les résultats numériques pour I∞ = 3% présentent néanmoins une dissipation trop
importante du sillage. En revanche, les résultats numériques pour un taux de turbulence
ambiante de 15% montrent un bon accord avec les données expérimentales.
L’utilisation de la Synthetic-Eddy-Method dans le code de calcul pour la simulation
d’hydrolienne présenté dans ce chapitre ne représente qu’une première étape de développe-
ment. En effet, le couplage entre la méthode Vortex et la Synthetic-Eddy-Method est ici
simplifiée et devra probablement être amélioré dans de futurs travaux. Ainsi, il serait in-
téressant de prendre en compte les fluctuations de vitesse uσ dans le calcul du terme de
déformation. Ou encore utiliser un modèle de Smagorinsky pour traiter la diffusion turbu-
lente afin de pouvoir également utiliser la composante uσ dans son évaluation. Une autre
amélioration possible du couplage entre la méthode Vortex et la Synthetic-Eddy-Method
serait d’utiliser la vitesse réelle u pour déplacer les structures turbulentes Ek au lieu de la
vitesse moyenne de l’écoulement amont u∞ . Mais cette dernière possibilité d’amélioration
pose plusieurs interrogations. En effet, la Synthetic-Eddy-Method repose entre autre sur
le placement aléatoire des structures turbulentes Ek , et il n’est donc pas certain qu’une
advection des structures turbulentes par la vitesse u conserve les propriétés statistique de
la méthode et notamment sa faculté à reproduire un tenseur de Reynolds prescrit.

91
Chapitre 4

Caractérisation du comportement
de trois hydroliennes en
interaction

Dans ce chapitre, une étude des effets d’interactions entre les différentes turbines d’un
parc hydrolien est proposée. Pour ce faire, les interactions entre les machines sont divisées
en interaction unitaire entre deux ou trois machines et non le parc complet. La Figure 4.1
présente des exemples d’interaction unitaire (à deux ou trois machines) au sein d’un même
champ d’hydrolienne.

b2
b1
U∞
I∞

ey
ex a3 a2
a1

Figure 4.1 – Vue schématique d’un champ d’hydrolienne.

La première configuration (en rouge dans la Figure 4.1), a été étudiée numériquement
et expérimentalement par Mycek et al. [25,83]. Elle est composée de deux machines alignées
avec le courant incident. La deuxième configuration, en vert, et la troisième configuration
en bleu dans cette même Figure 4.1 ont été partiellement étudiées par Kervella et al. [59].
Il s’agissait principalement d’une étude sur les performances des machines et d’un point
de vue expérimental. Ces deux configurations sont composées de deux rangées, chacune
comportant une ou deux turbines.

93
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

Dans cette étude, nous souhaitons aussi tester la capacité du code de calcul à représen-
ter les effets d’interactions entre trois machines disposées sur deux rangées. La configu-
ration présentée consiste en deux turbines en amont et une en avale, c’est à dire la con-
figuration verte sur la Figure 4.1. En guise de validation, nous souhaitons comparer les
résultats numériques avec les données expérimentales obtenues sur le même cas test. Ainsi,
une campagne d’essais expérimentaux a été réalisée au cours de ces travaux de thèse au
bassin à houle et courant de l’IFREMER de Boulogne-sur-Mer. Ces essais expérimentaux
ont permis de construire la base de données expérimentales pour cette configuration à
trois turbines.
La première partie de ce chapitre porte tout naturellement sur la présentation des essais
expérimentaux sur trois hydroliennes en interaction. Il s’agit d’extrait d’un article en cours
de finalisation. La seconde partie concerne quant à elle les résultats numériques obtenus
avec le code de calcul ainsi que leurs comparaisons avec les données expérimentales.

4.1 Three tidal turbines in interaction : an experimental

study with the account of two turbulence intensities
4.1.1 Context of the study
4.1.1.1 Motivations

U∞
I∞
b2 = 1D
I∞
b1 = 2D
1D
U∞

ey ey
ex a = 4D ex

(a) Trials configurations (b) Motivation

Figure 4.2 – Left : Schematic top view of the three tested configurations with a = 4D,
b1 = 2D and different values for b2 ∈ [1D; 0.75D; 0.5D] as a lateral spacing. Right :
Schematic representation of the motivations that lead to the present study.

The present study deals with the characterisation of the interaction effects between
marine current turbines. Following the previous work of Mycek et al. dealing with a single
turbine [24] and two interacting turbines axially aligned with the flow direction [25], this
paper focuses on 3 turbines in interaction. The concerned configuration is two upstream
turbines perpendicular to the upstream flow direction and a third turbine downstream,
as shown on Figure 4.2a. This precise configuration for 3 interacting turbines is rather
popular in the literature [84]. This configuration, with the third turbine downstream ex-
actly positioned at the centre of the bypass between the two upstream turbines will also
be studied here. This will consist of the reference configuration and will be referred to as

94
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

Config. 1, as presented in Fig. 4.2a. In that case, parameter b2 would be equal to 1.0D
with b1 = 2.0D.
However, the main interest here is the study of the interaction effects of an upstream
wake impinging a downstream turbine. It is anticipated that, with the previous config-
uration (Config. 1), this kind of interactions will be reasonably low. However, several
industrial turbines are equipped with a yaw device. So, in the case of sites which are not
exactly bi-directional, already referred in the literature [85] ; interactions may be enhanced
as depicted on Figure 4.2b. In such an event, the upstream velocity may be inclined with
a certain angle (see the green U∞ vector on Fig. 4.2b) and then enhanced interaction will
take place.

Configuration a b1 b2
Config. 1 4D 2D 1D
Config. 2 4D 2D 0.75D
Config. 3 4D 2D 0.5D

Table 4.1 – Summary of the geometrical configuration

For that reason, two additional configurations were tested, by varying the lateral posi-
tion of the downstream turbine, with respect to the ey -direction. In fact, in all the tested
configurations, the two upstream turbines are fixed, perpendicular to the incoming flow
and with a fixed lateral bypass of 1.0D. In other words, the two upstream turbine centres
are laterally spaced with a distance b1 = 2.0D. Only the third turbine will move. In all
the tested configurations, the third turbine will be placed 4.0 diameters downstream of
two upstream ones. Only the lateral position will differ : Config. 1 consists of a centred
position as already mentioned (b2 = 1.0D, black line on Fig. 4.2a), Config. 2 consists of an
off-centred position (b2 = 0.75D, red line on Fig. 4.2a) and Config. 3 consists of an even
more off-centred position (b2 = 0.5D, green line on Fig. 4.2a). Config. 2 should show in-
creased interactions of the downstream turbine with the upstream flow, interactions even
more increased in the case of the third configuration (Config. 3). All these geometrical
configuration are summarised in Table 4.1.

4.1.1.2 Flume tank description and experimental set-up

The trials have been carried out in the IFREMER (French Research Institute for
Exploitation of the Sea) wave and current flume tank, depicted in Figure 4.3. The flume
tank working section is 18m long by 4m large and 2m deep. The stream-wise flow velocity
range is 0.1 to 2.2 m · s−1 . More details about the flume tank can be found in [86].
The experimental set-up is illustrated in Fig. 4.2a for a top view and Fig. 4.4 for a side
view. Two pictures of the experimental set-up are presented in Fig. 4.5. The Cartesian
coordinate system is considered here, with the origin O(0, 0, 0) exactly positioned at the
centre of the two upstream turbine and ex , ey and ez as unit vectors (see Fig. 4.2a).
With such a definition, the axial distance from the upstream turbine is denoted by x, the
downstream turbine is placed at x = a = 4D in all the trials presented here. Lengths being
made dimension-free by the rotor diameter D, let us define a∗ as a∗ = a/D.
Each turbine model is fixed to a lengthwise I-beam by means of a mast (see pictures
of Fig. 4.5). The three masts are of equal length. The I-beams are placed over the flume
tank, parallel to the upstream current and at equal distances from both sides for the first
row of turbines, as show the schematic top and side-view depicted on Figures 4.2a and 4.4
respectively. Figure 4.5 also depicts a picture of the three turbines in the water.

95
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

Travelling crane (6T) Window

Honeycombs Conveyor belt Pumps

18m Working section:

Length: 18m
Width: 4m
Height: 2m
4m
Capacity: 700m3

Fluid velocity: 0.1 to 2.2m/s

Mobile trolleys

Figure 4.3 – IFREMER’s Boulogne-sur-Mer flume tank description.

lengthwise beams

crosswise beam

load cell

LDV

U∞
I∞ R
ey
O ex H

ez torque sensor

H/2

a x+

Figure 4.4 – Schematic side-view of the three turbines configurations equivalent to the
picture presented in Fig. 4.5. The origin O(0, 0, 0) is chosen at the upstream turbine rotor
centre, in the middle of the bypass.

The position x and velocity components u are respectively denoted by x, y, z, and u,

v, w :
x = xex + yey + zez = (x, y, z) (4.1)
u = uex + vey + wez = (u, v, w) (4.2)
For convenience, those components may as well be referred to in their indicial notation

96
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

Figure 4.5 – Photography of the three turbines setup with a = 4D, b1 = 2D and b2 = 1D.
Top view of the assembly and side view with the 2D LDV system.

as xi and ui respectively, with i from 1 to 3. Here, a constant mean velocity profile will
be considered so that u = U∞ ex . To be more precise, as in the previous work [24], the
upstream infinity velocity profiles were measured for both ambient turbulence conditions.
This aspect of velocity measurements and upstream velocity conditions will be discussed
in the following of the paper at Section 4.1.3. First, a precise description of the turbines
used for the trials will be presented and discussed, together with the force and torque
measurement techniques.

4.1.2 An improved turbine model

4.1.2.1 Turbine model
The three turbines used for this work are all identical, in terms of geometry (blades,
hub and nacelle). However, in this new set of experiments, the turbines are slightly different
from those used in the former study of Mycel etal [24, 25]. In fact, two major improve-
ments were performed on the turbines : first, all the blades were re-manufactured with a
much higher precision and seconds, the blade binding or fastening device to the shaft was
improved in terms of pitch angle accuracy and rigidity.
The blades were all re-manufactured in order to improve the reliability of the obtained
measurements. In fact, the former blades although all supposed to be identical, were not
as exactly similar due to manufacturing imprecisions. For the new ones, all the blades were
manufactured from the same mould and therefore all have the same weight. They are made
from carbon. To summarise, the manufacturing precision was largely increased. Seconds,
the blade binding device to the shaft was improved in terms of pitch angle accuracy. With
the new device, the blade pitch angle is prescribed with an accuracy of less than 0.5°.

97
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

Additionally, the fixation rigidity was improved even for the higher rotation speeds or
incoming velocities. These two improvements will have an effect on the force and torque
measurements as presented in the next Sub-section 4.1.2.2. Finally, the rotation speed in
now measured directly in RPM, without any conversion which also improve the accuracy
of the measurement. The rotor is still connected to a motor-gearbox assembly consisting
of a gearbox, a DC motor, a ballast load and a motor speed control unit [86], providing
an active rotor speed control. All these new improvements will increase the quality of the
measurements.
As a consequence, some differences were observed if compared to the previous results
presented in [24,25]. In that respect, comparisons of power and thrust coefficients between
the new and the former turbine are presented in sub-section 4.1.2.2 for a single turbine
configuration. As a reminder, Table 4.2 describes major parameters of the turbine together
with a picture given in Fig. 4.6. The blades profile is still designed based on a NACA 63418
and the global pitch angle is set to 0°. A complete definition of the blade geometry is given
in Annexe A. For instance, the blade chord and pitch angles variations along the radius is
given in Table A.1. And a technical drawing of the turbine is presented in Figure A.1.

Description IFREMER-LOMC
Profile NACA 63418
Rotor Radius (R) 350 mm
Hub Radius 46 mm
Hub length 720 mm
Pitch (set angle) 0°
Studied TSR [0−10]
Sense of rotation counter-clockwise
Reynolds (Re∞ ) ≈ 280 · 103

Table 4.2 – Turbine model general description.

Figure 4.6 – Picture of the new turbine model.

The blockage ratio α is defined as the ratio between the two upstream rotors cross-

98
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

sectional area S = 2 × πR2 and the flume tank transverse area A = W · H :

S 2 × πR2
α= = , (4.3)
A W ·H
where W = 4 m and H = 2 m respectively denote the flume tank width and depth. In
the present study, taking into account the two upstream rotors with the updated sizes,
the blockage ratio is now around α ≈ 9.6%. This blockage ratio is increased with respect
to the previous study [24, 25] but stays around a fairly reasonable value. The Tip Speed
Ratio (TSR) is classically defined as the ratio between the tip velocity and the upstream
flow velocity as follows :
|Ω| R |Ωx | R
TSR = = , (4.4)
U∞ U∞
where Ω is the rotor angular velocity and Ωx is the axial rotation speed, R is the rotor
radius and U∞ is the upstream flow velocity. In our study, the turbine TSR varies from 0
to 10.
Physical parameters Scale 1 : 1 Scale 1 : 25 Scaling Similitude
Radius R 8.75 m 0.35 m 1:λ
Water depth H 50 m 2m 1 :√λ
Flow velocity U ∞ 4 m.s−1 0.8 m.s−1 1: λ F r∞ ≈ 0.18
Rotational velocity Ωx 16 rpm 80 rpm 1 : λ−1/2
√ TSR ≈ 3.5
Reynolds Re∞ ≈ 3.5 × 107 ≈ 2.8 × 105 1:λ λ

Table 4.3 – Scaling between the prototype scale (1 : 1) and le model scale (1 : 25).

In terms of model scaling, the radius-based Reynolds number is given by :

U∞ R
Re∞ = (4.5)
ν
where ν denotes the fluid kinematic viscosity and is approximately ν ≈ 10−6 m2 · s−1 . At
prototype scale (see Table 4.3, scale 1 :1), the Reynolds number is close to ≈ 3.5 × 107 ,
a value that cannot be obtained with this experimental set-up. Due to the necessity to
take into account the in-situ characteristics, such as wave, velocity profiles and turbulence
intensity level, the Froude scaling was preferred to the Reynolds scaling. The Froude
number is defined as :
U∞
Fr∞ = √ , (4.6)
gH
where g = 9.81m.s−2 is the gravitational acceleration and H is the flume tank height. The
in-situ Froude value is basically around F r∞ ≈ 0.18, which lead to the choice of a 1 : 25
scaled turbine. At model scale, the Reynolds number range is then directly deduced from
the U∞ ≈ 0.8m.s−1 mentioned above, which gives Re∞ ≈ 280,000.

4.1.2.2 Force and torque measurements, comparisons of power and thrust

coefficients
During these tests, only the downstream turbine is instrumented in order to quantify
the interaction effects in terms of CP and CT with the use of a torque sensor, as described
in Mycek et al. [25]. The measurements (and thus the averaging) duration is T = 180
seconds. This duration is increased with respect to the previous study [24, 25], where 100

99
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

seconds measurements were performed. T = 100 seconds were already sufficient for most
of the studied configurations but it was decided to increase this duration in order to have
a better confidence in the obtained results when interacting effects must be taken into
account. This was justified by the convergence of various measured quantities, especially
for the higher turbulence intensity level, as already discussed in [24] and also more recently
in [87]. Additionally, Blackmore et al. [88] mentioned that an estimated value of T = 800
seconds would be necessary for even higher ambient turbulence intensities than the ones
considered here.
The definition of downstream indicators such as the TSR or the thrust and power coeffi-
cients is a delicate matter. Unlike the previous work of Mycek et al. [25], only the reference
incoming velocity U∞ will be used here. In fact, in the former study, the turbines were
aligned with the flow directions. Therefore, it was possible to evaluate a disc-integrated
velocity perceived by the downstream turbine without too much experimental bias owing
to the axi-symmetrical configuration. In the present configuration, assessing such a quan-
tity for the downstream turbine is not possible as the axi-symmetrical configuration is
broken. Therefore, the only reference velocity that will be used is U∞ .
Following this, the downstream TSR, based on the velocity value U∞ , is defined as :

|Ωdown
x |R
TSRdown
U∞ = , (4.7)
U∞

where Ωdown
x denotes the axial rotation speed of the downstream rotor. Likewise, the
downstream power coefficient based on U∞ is given by :

P down Mdown Ωdown

down
CP,U = = 1x 2
x
3
, (4.8)
∞
PU∞ 2 ρπR U∞

where P down denotes the power retrieved by the downstream turbine and Mdown x denotes
its axial torque. Finally, the downstream thrust coefficient is defined as follows :

down Fxdown
CT,U = 1 2 2
, (4.9)
2 ρπR U∞
∞

where Fxdown denotes the axial force on the downstream device. Fxdown actually measures
the axial force on the blades. The thrust of the hub and mast are not considered. However,
the previous modification regarding the blade manufacturing and the new blade binding
device to the shaft will generate modifications in the power and thrust value, even for the
single configuration case. The new values are depicted in Figure 4.7 and are going to be
discussed in the following.
First for the lower turbulence intensity I∞ it can be noticed that the power coefficient
curve of the new turbine, Figure 4.7(a), is very similar to the one of the previous work of
Mycek et al. [25] except for the latter part of the curve. Indeed, the new CP curve start
decreasing for a lower TSR than for the previous work (around TSR = 4.5 in the present
study against TSR = 5.5 previously). As for the thrust coefficient curve, Figure 4.7(c), the
one obtain with the new turbine has many differences with the one of the previous work.
For the lower TSR (up to 3) the thrust coefficient for the new turbine in lower than for the
previous one, but with a greater increase rate. For higher value of TSR (from 4.5 onward)
the CT value keep increasing with the TSR for the new turbine where it was stagnating
for the previous one. Theese new values of power and thrust coefficients are the same as
those measured previously by Gaurier et al. [89].

100
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

0.6 0.6
Mycek et al. [24] Mycek et al. [24]
Present study Present study
0.5 0.5

0.4 0.4

0.3 0.3
CP

CP
0.2 0.2

0.1 0.1

0 0

0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSR TSR

(a) CP , lower I∞ value (b) CP , higher I∞ value

1.2 Mycek et al. [24] 1.2 Mycek et al. [24]

Present study Present study
1 1

0.8 0.8
CT

CT
0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSR TSR

(c) CT , lower I∞ value (d) CT , higher I∞ value

Figure 4.7 – Comparison of power and thrust coefficients between the turbine used in
Mycek et al. [24, 25] and the present improved turbine.

Secondly for the higher turbulence intensity I∞ the power coefficient CP curve of the
new turbine, Figure 4.7(b), is very similar to the one obtained for the old one except for
the peak value which is higher in the nominal working range of the turbine. Moreover if
the curves for the two turbulence intensity are compared it can be noticed that the new
turbine show better CP values for the higher turbulence intensity rate than for the lower
one, when it is the opposite for the turbine used in the previous work of Mycek et al. [25].
As for the thrust coefficient CT curve, Figure 4.7(d), the and keep increasing with the
TSR, where the previous one stagnate for the high T SR value.

4.1.3 Velocity measurements

In order to obtain the fluctuating velocities, the flow velocity field can be expressed
using the Reynolds decomposition :

u(x, t) = ū(x) + u′ (x, t), (4.10)

where ū is the time average of u, defined by :

1
Z T
ū(x) = u(x, t) dt, (4.11)
T 0

where [0; T ] is the averaging period. Thus, ū represents the steady part of the velocity,
while u′ represents its fluctuating part. The components Rij of the Reynolds stress tensor
R are defined as follows :

Rij = u′i u′j = (ui − ūi )(uj − ūj ) i, j = 1, . . . , 3. (4.12)

101
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

The diagonal elements Rii = u′2 2 2 2

i are denoted by σ (u), σ (v) and σ (w) in analogy with
the variance in statistics.

4.1.3.1 LDV measurements

The flow velocity measurements are performed by means of a Laser Doppler Velocime-
try (LDV) system described in [24,90,91]. The laser used for the measurements is described
in Table 4.4.
Description DANTEC FiberFlow 60X41
x-wavelength 488 nm
y-wavelength 514.5 nm
Focal length (in water) 500 mm
Measurement area δx × δy 0.1 × 2.5 mm2

Table 4.4 – Description of the DANTEC FiberFlow 60X41 laser used for LDV measure-
ments.

The discrete time-averaged velocity, corresponding to the discrete version of equa-

tion (4.11), is basically computed as follows :
N
1 X
ū(x) ≈ u(x, tk ), (4.13)
N k=1

where tk denotes the measurement instants and N denotes the total number of measure-
ments during the averaging period [0; T ]. As a consequence, the Reynolds stress terms are
approximated by :
N
1 X   
Rij ≈ ui (x, tk ) − ūi (x) uj (x, tk ) − ūj (x) , (4.14)
N k=1

with each ūi (x) approximated using equation (4.13). The measurement duration on each
point is T = 180 seconds with a data-rate of 27 Hz. This duration is also increased with
respect to the previous study [24, 25], where 100 seconds measurements were performed.
This was justified by the convergence of various measured quantities, especially for the
higher turbulence intensity level, as already discussed in [24].
The LDV measurements are performed on a grid whose points (Xi , Yi ) are arranged
as follows between the upstream row and the downstream turbine :
— X1 = 1.2D, X2 = 2D and X3 = 3D ;
— Yi = −1.8 + (i − 1) × 0.2 m for i = 1, . . . , 19, for the less refine profile ;
— Yi = −1.8 + (i − 1) × 0.2 m for i = 1, . . . , 9, Yi = (i − 10) × 0.1 m for i = 10, . . . , 20,
and Yi = −1.8 + (i − 1) × 0.2 m for i = 21, . . . , 24, for the most refine profile ;
and behind the downstream turbine :
— X5 = 5.2D and Xi = i × D for i = 6, . . . , 11 ;
— Yi = −1.8 + (i − 1) × 0.2 m for i = 1, . . . , 19, for the less refine profile ;
— Yi = −1.8 + (i − 1) × 0.2 m for i = 1, . . . , 9, Yi = (i − 10) × 0.1 m for i = 10, . . . , 20,
and Yi = −1.8 + (i − 1) × 0.2 m for i = 21, . . . , 24, for the most refine profile ;
In the lateral direction, it is important to notice that the discretisation was refined between
y ∗ = 0 and 1D in order to have a precise description of the velocity gradients encountered
in the interaction zone. These refinement zones will be of great help, especially for the
velocity profiles presented in B.1 and B.2.

102
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

4.1.3.2 Upstream velocity conditions

Another improvement with respect to the previous work [24,25] concerns the upstream
conditions. As already mentioned, in the present study, two different ambient turbulence
conditions are considered. The turbulence in the flume tank is induced by the current
generation system. As a matter of fact, without the use of a honeycomb, the natural
ambient turbulence intensity of the flow is about I∞ = 15%. A smoother flow may be
obtained by the use of honeycombs and grid reducing the turbulence intensity rate to
about I∞ = 3%. The upstream turbulence intensity rate I∞ is defined by :
s
1
3 [σ 2 (u∞ ) + σ 2 (v∞ ) + σ 2 (w∞ )]
I∞ = 100 (4.15)
ū2∞ + v̄∞2 + w̄ 2
∞

where the velocity components u∞ , v∞ , w∞ are those of the upstream velocity u∞ .

Case U∞ [m · s−1 ] I∞ [%] σ(u∞ ) σ(v∞ ) σ(w∞ ) T, [s]

I∞ = 3% [24] 0.81 2.791 0.035 0.014 0.014 100
I∞ = 3% [24] 1.012 2.741 0.042 0.018 0.019 100
I∞ ≈ 1.3% present study 0.79
I∞ = 1.3% present study 1.001 1.263 0.017 0.009 0.011 10800
I∞ = 15% [24] 0.83 14.695 0.119 0.112 0.134 300
I∞ = 15% [24] 1.041 14.747 0.153 0.146 0.164 300
I∞ ≈ 12.7% present study 0.83
I∞ = 12.7% present study 1.065 12.715 0.130 0.141 0.134 10800

Table 4.5 – Measured values of σ(u∞ ), σ(v∞ ) and σ(w∞ ) and obtained I∞ for the in-
dicative turbulence conditions I∞ = 3% and I∞ = 15%, together with different upstream
velocity conditions. These values were obtained by LDV measurements at one point, placed
approximately at the location of the turbine. The measurement duration were 10800 sec-
onds (3 hours).

Table 4.5 gives all the information regarding the turbulence intensities measurements
for different upstream flow conditions. The values given in this Table are divided into two
part, namely the lower turbulent intensity rate and the higher one. For the lower turbulent
intensity, the value measured here is 1.3% which is different from the value of 3% given
in the previous work of Mycek et al. [24, 25]. This difference in value exist because in this
study a new grid is used on top of the honeycombs in order to correct the asymmetry of
the upstream velocity in the flume tank when the honeycombs are used. But this new grid
have the tendency of reducing the turbulence intensity rate. Moreover, the measurement
duration used for the present study is far longer than the one used in the previous work of
Mycek et al. [24,25]. Indeed, in the previous work of Mycek et al. [24,25] the measurement
duration for I∞ = 3% and I∞ = 15% were only 100 and 300 seconds respectfully, which
is probably to short in order to obtain perfectly converged value, especially in the case of
high turbulence intensity rate. Thus the measurement of lower turbulence intensity rate
in this study can be explain by the long measurement duration that induce values with a
better convergence. In the sequel, the two turbulence conditions will simply be referred to
as I∞ = 15% (without honeycombs) and I∞ = 3% (with the honeycombs and new grid)
to be consistent with the previous work [24, 25].
On the contrary to what was presented in the the previous paper [24, 25] where 4
incoming infinite velocities were considered, only one upstream velocity is considered for
both ambient turbulence, namely U∞ = 0.79 m/s for I∞ = 3% and U∞ = 0.83 m/s for

103
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

I∞ = 15%. The mean upstream axial velocity ū∞ may be simply denoted by U∞ . Figure 4.8
gives the profiles of the u∞ and v∞ upstream velocity components across the tank, in terms
of mean value and standard deviation, for both considered turbulence intensity rates.

1 1

0.9 0.9
u∞ [m/s]

u∞ [m/s]
0.8 0.8

0.7 0.7

0.6 0.6
0.2 0.2

0.1 0.1
v∞ [m/s]

v∞ [m/s]
0 0

−0.1 −0.1

−0.2 −0.2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
y/D y/D

(a) I∞ = 1.3%, U∞ = 0.79 m · s−1 (b) I∞ = 12.7%, U∞ = 0.83 m · s−1

Figure 4.8 – Upstream u∞ and v∞ velocity profiles across the tank, for I∞ = ...%
with U∞ = 0.79 m · s−1 (left), and I∞ = 15% with U∞ = 0.83 m · s−1 (right). Symbols
 represent the mean value ū∞ (top) or v̄∞ (bottom), while error bars represent the
corresponding standard deviation σ(u∞ ) or σ(v∞ ).

Now that all the trials configurations and measurements techniques are defined, the
results concerning wakes (Section 4.1.4) power and thrust coefficients (Section 4.1.5) can
now be presented and discussed.

4.1.4 Wake characterisation

In this section, the wake velocity maps of the three configurations are going to be
presented and discussed. For each configuration, a figure of 4 plots is presented showing
the axial velocity (ū∗x ) at the upper part of the figure and wake turbulence intensities maps
(I) at the lower part and thus for each ambient turbulence (I∞ = 3% and I∞ = 15%).
As a matter of indication, Figure 4.9 is dedicated to Config. 1, Figure 4.10 to Config. 2
and finally Figure 4.11 to the third configuration. In order to encourage and facilitate
comparisons of these experimental results with the numerical ones, all the velocity profiles
used to generate the maps are given in B.1 for I∞ = 3% and B.2 for I∞ = 15%. On
these latter plots, the reader will observe that the discretisation of the velocity records
is refined for 0 ≤ y ∗ ≤ 1 corresponding to the zone of interest. In fact, huge velocity
gradients are present in this zone, which motivated such a refinement. This was important
first, between the two turbines in order to have an accurate incoming velocity profile for
the downstream turbine. And then, it was also important to have such a refinement in the
wake of the third turbine (T3) to capture the complex interaction between the upstream
and downstream turbines wakes. Finally, a white zone is present on the map between
3 ≤ x∗ ≤ 5.2, corresponding to the presence of the downstream turbine. In fact, as a
LDV technique is used to measure the velocity, it was experimentally very complicated to
measure the velocity around the turbine. Therefore, it was decided to shadow this zone
instead of leaving the post-processing interpolation of result, which would have probably
lead to erroneous velocity patterns.
To start with, Figure 4.9 presents all the results for the first configuration. As expected,
the 3 wakes are well marked and identified for the I∞ = 3% ambient turbulence case (see
Fig. 4.9(a)). A close look to the map 4.9(a) shows that from x∗ ≥ 6 or 7, the upstream
wakes seems to merge with the downstream one. It is as if the lateral expansion of the

104
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

2 1.2 2 1.2
1.5 1.1 1.5 1.1
1 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0.7 0.7
y∗

y∗
0 0.6 0 0.6
-0.5 0.5 -0.5 0.5
-1 0.4 -1 0.4
0.3 0.3
-1.5 0.2 -1.5 0.2
-2 0.1 -2 0.1
2 4 6 8 10 ū∗ 2 4 6 8 10 ū∗
x∗ x∗
(a) ū∗x map for I∞ = 3% (b) ū∗x map for I∞ = 15%

2 45 2 45
1.5 40 1.5 40
1 35 1 35
0.5 30 0.5 30
25 25
y∗

y∗
0 20 0 20
-0.5 15 -0.5 15
-1 10 -1 10
-1.5 5 -1.5 5
-2 0 -2 0
2 4 6 8 10 I [%] 2 4 6 8 10 I [%]
x∗ x∗
(c) I map for I∞ = 3% (d) I map for I∞ = 15%

Figure 4.9 – Axial velocity (ū∗x ) and turbulence intensity (I) maps around the three
turbines with a = 4D, b2 = 1D and T SR1;2;3 = 3.5.

downstream wake would deviate the upstream ones and finally make them merge together.
This phenomenon is more visible on the upper part of the image presented in Fig. 4.9(a)
than in the lower part. This was also observed in the numerical computations performed on
the same configuration by Mycek et al. [92], more or less at the same location 5 ≤ x∗ ≤ 7
(see Fig. 14 of Ref. [92]) but for an I∞ = 0% and at different TSR. Further comparisons
on that point would be necessary in the near future.
For the higher ambient turbulence case ( Fig. 4.9(b)), the situation is completely
different and it is really like there were 3 independent and individual wakes. Maybe the
downstream wake depicts a larger or faster lateral expansion but this is not striking. For
the higher ambient turbulence case, the previous study of Mycek et al. [24,25] showed that
the single turbine wake nearly recover after 6 turbine diameters, with a ū∗x ≈ 0.85 or 0.9.
And this situation is nearly recovered for the downstream turbine (T3) on map 4.9(b),
the value of ū∗x being around 0.8. But the perceived velocity of this downstream turbine
is also slightly lower than U∞ , as depicted on Fig. B.7 for x∗ = 3.0.
Following these observations, the CP curve of the downstream turbine will probably
be similar to the single reference case for I∞ = 15%. And it may be slightly better for
I∞ = 3% as a small velocity increase is observed between the two upstream turbines on
Fig. 4.9(a) and B.1. But this will be discussed more into details in Section 4.1.5.
In terms of turbulence intensity in the wakes, the same comments can be drawn as
for the velocity for both ambient turbulence intensities. No real interaction between the
wakes can be identified on Fig. 4.9(d), it is as if the 3 wakes are independent. Only a higher
turbulence value is observed in the close wake of the downstream turbine (T3), around
the coordinate (x∗ , y ∗ ) = (5.2, 0).
So far Config. 2 and Config. 3 are concerned, these two configurations are going to
be treated together. In fact, more complex interactions are observed. Figures 4.10(a)
and 4.11(a) depicts the velocity map for I∞ = 3% of both configurations. Naturally,
the velocities between the upstream and downstream turbines (1.2 ≤ x∗ ≤ 3.0) are quasi
unchanged, whatever the configuration is. However, the downstream wake is completely
modified. Indeed, the interactions between the wakes of the three turbines are totally dif-

105
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

2 1.2 2 1.2
1.5 1.1 1.5 1.1
1 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0.7 0.7
y∗

y∗
0 0.6 0 0.6
-0.5 0.5 -0.5 0.5
-1 0.4 -1 0.4
0.3 0.3
-1.5 0.2 -1.5 0.2
-2 0.1 -2 0.1
2 4 6 8 10 ū∗ 2 4 6 8 10 ū∗
x∗ x∗
(a) ū∗x map for I∞ = 3% (b) ū∗x map for I∞ = 15%

2 45 2 45
1.5 40 1.5 40
1 35 1 35
0.5 30 0.5 30
25 25
y∗

y∗
0 20 0 20
-0.5 15 -0.5 15
-1 10 -1 10
-1.5 5 -1.5 5
-2 0 -2 0
2 4 6 8 10 I [%] 2 4 6 8 10 I [%]
x∗ x∗
(c) I map for I∞ = 3% (d) I map for I∞ = 15%

Figure 4.10 – Axial velocity (ū∗x ) and turbulence intensity (I) maps around the three
turbines with a = 4D, b2 = 0.75D and T SR1;2;3 = 3.5.

2 1.2 2 1.2
1.5 1.1 1.5 1.1
1 1
1 0.9 1 0.9
0.5 0.8 0.5 0.8
0.7 0.7
y∗

y∗

0 0.6 0 0.6
-0.5 0.5 -0.5 0.5
-1 0.4 -1 0.4
0.3 0.3
-1.5 0.2 -1.5 0.2
-2 0.1 -2 0.1
2 4 6 8 10 ū∗ 2 4 6 8 10 ū∗
x∗ x∗
(a) ū∗x map for I∞ = 3% (b) ū∗x map for I∞ = 15%

2 45 2 45
1.5 40 1.5 40
1 35 1 35
0.5 30 0.5 30
25 25
y∗

y∗

0 20 0 20
-0.5 15 -0.5 15
-1 10 -1 10
-1.5 5 -1.5 5
-2 0 -2 0
2 4 6 8 10 I [%] 2 4 6 8 10 I [%]
x∗ x∗
(c) I map for I∞ = 3% (d) I map for I∞ = 15%

Figure 4.11 – Axial velocity (ū∗x ) and turbulence intensity (I) maps around the three
turbines with a = 4D, b2 = 0.5D and T SR1;2;3 = 3.5.

ferent. Firstly, the wake of the turbine T1 (upstream turbine center in y ∗ = −1) does not
appear to interact at all with the wakes of turbines T2 and T3. Secondly, for those two
configurations the wake of the turbines T2 and T3 merge almost completely around x∗ = 6
creating a new wake that resemble the one of a bigger unique turbine. This new merged
wake is not centered on any of the two turbines but somewhere in between (cf. Figures
B.3 and B.5). In terms of velocity deficit both Config. 2 and Config. 3 present a higher
deficit than Config. 1 downstream the third turbine. But the two of them present also
some differences. Indeed, in the near wake of turbine T3 (5 < x∗ < 8) Config. 3 present a
higher velocity deficit than Config. 2, whereas it is the opposite for the far wake (8 < x∗ ).
Thus, the wake downstream the third turbine of Config. 3 dissipate faster than the one of

106
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

Config. 2. An explanation for this phenomenon can be the presence of a higher turbulence
intensity (I) in the wake of the third turbine for Config. 3.
Figures 4.10(a) and 4.11(a) depicts the velocity map for I∞ = 15% of both Config. 2
and Config. 3. For this turbulence intensity rate the behavior of the wake of the three
machines is quite similar to the one of Config. 1 described previously. Indeed, the high
turbulence intensity I∞ induces a fast dissipation of the wake of the two upstream turbines
leading to a flow that almost restore the initial condition when reaching the third turbine.
That is why, the wake of the turbine T3 present almost no interaction with the wake of
the turbines T1 and T2.

4.1.5 Performance evaluation

4.1.5.1 Power and thrust coefficients
One of the main concern when assessing turbines in a farm is the power loss due
to turbine interaction with upstream wake. And sometimes, power improvement/increase
is expected when the downstream turbine is placed in a Venturi-like configuration, as
suggested by [93,94]. But this very precise configuration is rather complicated to reach and
any change in the flow direction may lead to negative interaction in term of downstream
turbine efficiency. In the following, the downstream turbine efficiency is evaluated for each
of the 3 configurations and for the two ambient turbulence intensities. Figure 4.12 presents
the results in terms of power coefficient and Figure 4.13 those for the thrust coefficient.

0.6 0.6
Single Single
Config 1 Config 1
0.5 Config 2 0.5 Config 2
Config 3 Config 3
0.4 0.4

0.3 0.3
CP

CP

0.2 0.2

0.1 0.1

0 0

0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSR TSR

(a) I∞ = 3% (b) I∞ = 15%

Figure 4.12 – CP,U 3 3

of the downstream device function of its T SRU with T SR1,2 = 3.5,
∞ ∞
−1 −1
U∞ = 0.79 ms , I∞ = 3% (left) and U∞ = 0.83 ms , I∞ = 15% (right), compared to
the CPsingle of a single turbine shown in Section 4.1.2.

From the first graph of Figure 4.12, for the lower ambient turbulence, a power increase
is well observed for Config. 1. This was anticipated owing to the velocity increase between
the two upstream turbines. And the power increase of 14 % is related to the velocity
increase (see Figures 4.9 and B.1) by a power of 3, which was anticipated by the theory.
However, it is very surprising that this phenomenon is absolutely not reproduced for the
higher ambient turbulence case. In fact, Figure 4.12(b) depicts a power curve which is
generally slightly lower than reference turbine (Single) for the downstream turbine in
Config. 1. For the TSR = 3.67, this downstream CP is very close to the reference value,
which is not surprising as the velocity profile depicted in Figure B.7 shows a velocity profile
at x∗ = 3 which tends to come back to a constant U∞ -value. For higher TSR values, the
CP curve slightly drops. As a conclusion, this Venturi effect often studied and looked for
in the literature, as it is supposed to enhance the downstream power retrieval, may reveal

107
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

to be beneficial for some hypothetical configuration. But it can also be at least neutral or
even negative for some configuration with a high ambient turbulence level. Following the
velocity profiles presented in B.1 and B.2 , only a downstream turbine placed at x∗ = 1
could give a CP increase for this higher ambient turbulence case of I∞ = 15%. But on the
contrary, such a configuration with a∗ = 1 may reveal catastrophic in case of flow miss-
alignment, and large power losses could be recorded. Even worth than those for Config. 2
and 3 for a∗ = 4.
So far as these configurations Config. 2 and 3 are concerned, Figure 4.12(a) shows
that Config. 2 is, at first sight, nearly neutral with respect to the reference case whereas
Config. 3 depicts large power deficit. This later case was completely expected as nearly half
of the turbine percieves a huge velocity deficit, even lower than 0.5U∞ at the blade tip (see
Figure annex B.5). Nevertheless, the nearly neutral behaviour of Config. 2 is surprising.
The only explanation would be that the downstream turbine (T3) perceives a sheared flow,
with a velocity deficit at one side of the blade tip nearly equal and opposite to the velocity
increase due to the Venturi at the other tip side. This shear flow will for sure generate
CP fluctuation much larger that in the Config. 1 or even reference case. Unless for some
imperative obligations, these two (Config. 2 and Config. 3) should be avoided for real farm
settlement. At this moment of the paper, it is just reminded that these configurations were
chosen to highlight wake-turbine interactions in order to make reference test-configuration
for numerical tools validations. The 3 different downstream CP -curves of Figure 4.12(a) is
interesting in that sense.
Finally, the CP -curves of Figure 4.12(b) are also a little surprising. In fact, a power
deficit is encountered but much lower than one could have hypothesised. But the x∗ = 3-
velocity profiles of B.2 do not depict large velocity deficits. The fact that the CP -curves
of Config. 2 and Config. 3 are nearly equivalent for this higher ambient turbulence, still is
surprising. Config. 3 is slightly lower, which is coherent, but the difference is tiny.

Single Single
1.2 Config 1 1.2 Config 1
Config 2 Config 2
1 Config 3 1 Config 3

0.8 0.8
CT

CT

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSR TSR

(a) I∞ = 3% (b) I∞ = 15%

Figure 4.13 – CT,U 3 3

of the downstream device function of its T SRU with T SR1,2 = 3.5,
∞ ∞
U∞ = 0.79 ms−1 , I∞ = 3% (left) and U∞ = 0.83 ms−1 , I∞ = 15% (right), compared to
the CTsingle of a single turbine shown in Section 4.1.2.

Another important issue is the thrust coefficient. In fact, assessing the thrust is of
major importance in term of design for the foundation and hence, for the price of the tur-
bine/farm. Thrust evaluation for a single turbine in a flow is now well studied and some
references can be consulted such as [24]. Now, thrust modifications due to turbine inter-
action is not very commonly evaluated. Mycek et al. [25] evaluated the CT modification
for a downstream turbine, exactly aligned with the flow. In all the studied configurations
(depending on the distance between the turbines a), the CT values were always lower

108
4.1. Three tidal turbines in interaction : an experimental study with the
account of two turbulence intensities

that for the reference single configuration. The CT curves tend to recover to the refer-
ence configuration with increasing the inter-device distance a and more rapidly for the
higher ambient turbulence configuration. This phenomenon could easily be explained by
the velocity deficit always encountered by the downstream turbine. However, for all the
configurations with I∞ = 3%, the standard deviation for the CT was largely increased to
reach the values that were already recorded for the I∞ = 15% cases. And the CT values
for I∞ = 15% kept the same whatever the configuration was, reference single turbine or
downstream turbine, and whatever the inter-device distance.

4.1.5.2 Standard deviation of the CP and the CT coefficients

0.14 Single 0.14 Single

Config 1 Config 1
Config 2 Config 2
0.12 Config 3 0.12 Config 3

0.1 0.1
sigmaCP

sigmaCP
0.08 0.08

0.06 0.06

0.04 0.04

0.02 0.02

0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSR TSR

(a) I∞ = 3% (b) I∞ = 15%

3
Figure 4.14 – Standard deviation of the CP,U of the downstream device function of
∞
3
its T SRU∞ with T SR = 3.5, U∞ = 0.79 ms , I∞ = 3% (left) and U∞ = 0.83 ms−1 ,
1,2 −1

I∞ = 15% (right), compared to the single turbine configuration shown in Section 4.1.2.

0.25 Single 0.25 Single

Config 1 Config 1
Config 2 Config 2
Config 3 Config 3
0.2 0.2

0.15 0.15
sigmaCT

sigmaCT

0.1 0.1

0.05 0.05

0 0
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
TSR TSR

(a) I∞ = 3% (b) I∞ = 15%

Figure 4.15 – Standard deviation of the Ct,U3 of the downstream device function of
∞
its T SRU∞ with T SR = 3.5, U∞ = 0.79 ms , I∞ = 3% (left) and U∞ = 0.83 ms−1 ,
3 up −1

I∞ = 15% (right), compared to the single turbine configuration shown in Section 4.1.2.

The Figures 4.14a and 4.15b show that the standard deviation of the power and thrust
coefficient for the turbulence rate of 3% for a downstream turbine are as expected far higher
than those of a single turbine. Indeed the influence of the two upstream turbines create
perturbation in the flow perceived by the downstream one. Moreover, the Config. 3 shows
higher standard deviation than Config. 2 which also shows higher values than Config. 1.
This means that the more the downstream turbine is in the wake of the upstream turbine,

109
4.2. Caractérisation numérique de trois hydroliennes en interaction

the more its performances are perturbed. In addition, as predicted previously the standard
deviation measured for Config. 2 is far higher than the one of a single turbine (almost
three times) despite a similar average value. On contrary for the turbulence rate of 15%
the Figures 4.14a and 4.15b show standard deviation of the power and thrust coefficient
similar but slightly higher to the one of a single turbine. This can be explain by the
quick dissipation of the wake of the upstream turbines for this turbulence rate (cf. Figures
4.9(b), 4.10(b) and 4.11(b)), thus reducing the influence of the upstream turbines over the
downstream one in comparison to the lower intensity rate.

4.2 Caractérisation numérique de trois hydroliennes en in-

teraction
Les essais en bassin effectués à Boulogne-sur-Mer ont permis la constitution d’une
base de données solide pour des interactions entre trois hydroliennes. L’étape suivante
est donc de tester l’outil numérique sur une telle configuration. Cette section présente les
premiers résultats numériques obtenus sur une configuration à trois turbines. La configu-
ration étudiée ici est la configuration 1 décrite dans la section 4.1.1.1, à savoir, une rangée
de deux turbines espacées de deux diamètres en amont et la troisième machine centrée
entre les deux turbines amonts et à quatre diamètres en aval. Les simulations numériques
présentées dans cette section sont réalisées avec les trois machines à TSR = 3.5 et sur un
temps physique de 120 secondes. Les vitesses ainsi obtenues sont ensuite moyennées sur
les 60 dernières seconde de simulation afin d’obtenir des cartes de vitesses. De plus, seuls
les résultats obtenus en terme de sillages seront présentés car une étude numérique des
performances des machines serait prématurée dans ce cas. En effet, les données expérimen-
tales utilisées comme référence sont des données portant sur des machines à TSR = 3.5.
Or les résultats de la section 1.3.3 montrent que l’outil numérique actuel ne permet pas
de modéliser les performances des machines au delà de TSR = 3.

4.2.1 Simulation sans turbulence ambiante

2 1.1
1
1 0.9
0.8
0
y∗

0.7
-1 0.6
0.5
-2 0.4
2 3 4 5 6 7 8 9 10 11 0.3
ū∗
x∗
Figure 4.16 – Carte de vitesse axiale numérique pour une configuration à trois turbines
avec a = 4D, b2 = 1D, I∞ = 0%, et T SR1;2;3 = 3.5.

La Figure 4.16 présente le sillage numérique obtenu pour une simulation à trois hydroli-
ennes sans prise en compte de la turbulence ambiante (I∞ = 0%). On remarque ainsi que
les sillages des deux turbines amonts sont très similaires au sillage obtenu précédemment

110
4.2. Caractérisation numérique de trois hydroliennes en interaction

pour une unique turbine (cf. Figure 1.16b de la section 1.3.4). En revanche, le sillage de
la turbine avale présente un comportement inattendu. En effet, le sillage de la troisième
machine se dissipe très rapidement aux alentours de x∗ = 7, soit uniquement 3 diamètres
en aval de la troisième machine. Pour mieux comprendre les causes de ce phénomène une
carte de vorticité instantanée à T = 120s est présentée Figure 4.17. Cette carte de vorticité
montre que les tourbillons de bout de pale émis par les deux turbines situées à l’amont
génèrent une enveloppe autour du sillage de celle-ci. Les tourbillons de bout de pale émis
par l’hydrolienne avale quant à eux sont perturbés par ceux des hydroliennes de l’amont à
environ x∗ = 7, prévenant ainsi la création de l’enveloppe autour du sillage de la turbine
avale.

2 3
2.5
1
2
0
y∗

1.5
-1 1
-2 0.5
2 3 4 5 6 7 8 9 10 11 0
||ω||
x∗
Figure 4.17 – Carte numérique de vorticité instantanée pour une configuration à trois
turbines à T = 120s avec a = 4D, b2 = 1D, I∞ = 0%, et T SR1;2;3 = 3.5.

4.2.2 Simulation avec un taux de turbulence ambiante à 3%

2 1.1
1
1 0.9
0.8
0
y∗

0.7
-1 0.6
0.5
-2 0.4
2 3 4 5 6 7 8 9 10 11 0.3
ū∗
x∗
Figure 4.18 – Carte de vitesse axiale numérique pour une configuration à trois turbines
avec a = 4D, b2 = 1D, I∞ = 3%, et T SR1;2;3 = 3.5.

La Figure 4.18 présente le sillage numérique obtenu pour une simulation à trois hy-
droliennes avec utilisation de la turbulence ambiante, avec un taux de turbulence de 3%.
On remarque ainsi que les sillages des deux turbines amonts sont très similaires au sillage
obtenu précédemment pour une unique turbine à un tel taux de turbulence (cf. Figure
3.33b de la section 3.5.4). Le sillage de la turbine avale quant à lui présente également un

111
4.2. Caractérisation numérique de trois hydroliennes en interaction

comportement similaire même s’il se dissipe un peu plus rapidement. De plus, la Figure
4.18 montre un mélange entre les sillages des trois turbines à partir de 9 diamètres en
aval de la première rangée de machine. Un tel mélange n’est pas présent dans le cas de la
simulation sans turbulence ambiante.

4.2.3 Comparaison entre les résultats numériques et expérimentaux

2 1.2 2 1.2
1.1 1.1
1 1
1 0.9 1 0.9
0.8 0.8
0 0
y∗

y∗
0.7 0.7
0.6 0.6
-1 0.5 -1 0.5
0.4 0.4
-2 0.3 -2 0.3
0.2 0.2
2 3 4 5 6 7 8 9 10 11 0.1 2 3 4 5 6 7 8 9 10 11 0.1
ū∗ ū∗
x∗ x∗
(a) Numérique I∞ = 0% (b) Numérique I∞ = 3%

2 1.2
1.5 1.1
1
1 0.9
0.5 0.8
0.7
y∗

0 0.6
-0.5 0.5
-1 0.4
0.3
-1.5 0.2
-2 0.1
2 4 6 8 10 ū∗
x∗
(c) Expérimentale I∞ = 3%

Figure 4.19 – Comparaison entre les cartes de vitesse axiale numériques et expérimentales
pour une configuration à trois turbines avec a = 4D, b2 = 1D, et T SR1;2;3 = 3.5.

La Figure 4.19 met en comparaison les résultats numériques avec et sans turbulence
ambiante avec les résultats expérimentaux précédents. Premièrement, ces cartes de sillage
montrent que les simulations numériques sous-évaluent le déficit de vitesse généré par le
sillage des turbines avec ou sans turbulence ambiante et ce tout particulièrement pour la
turbine avale. Deuxièmement, la carte de vitesse expérimentale de la Figure 4.19c montre
un mélange entre les sillages des trois machines dans le sillage lointain, à partir de 9
diamètres en aval de la première rangée de machine. Un tel comportement se retrouve
également dans le cas de la simulation avec un taux de turbulence ambiante de 3% (Figure
4.19), en revanche il est totalement absent de la simulation sans turbulence ambiante.
Ainsi, l’ajout de la turbulence ambiante dans les simulations numériques semble favoriser
le mélange entre les sillages des différentes machines dans le cadre d’interaction. Mais
l’utilisation du modèle de turbulence ambiante génère néanmoins une dissipation trop
importante du sillage des machines, pour le moment du moins.
La Figure 4.20 présente une comparaison de profils de vitesse axiale entre les don-
nées expérimentales et les deux simulations numériques proposées. Ces profils de vitesse
montrent que les simulations numériques sous-évaluent le déficit de vitesse présent dans
le sillage des machines, et ce tout particulièrement dans le cas avec turbulence ambiante.
Cette tendance de l’outil numérique à sous-évaluer le déficit de vitesse dans le sillage a
déjà été évoquée précédemment. De plus, dans le cadre de cette configuration à trois hy-
droliennes la sous-évaluation du déficit de vitesse dans le sillage est très probablement

112
4.3. Bilan

x∗ = 2D x∗ = 3D x∗ = 6D x∗ = 8D x∗ = 10D
4 Exp.
Num I = 0%
3 Num I∞ = 3%
∞
2
y∗

1
0
-1
-2
0 0.5 1 0.5 1 0.5 1 0.5 1 0.5 1
u∗

Figure 4.20 – Comparaisons de profils de vitesse axiale numériques et expérimentaux

pour une configuration à trois turbines avec a = 4D, b2 = 1D, et T SR1;2;3 = 3.5.

accentuée par le phénomène de blocage présent lors des essais expérimentaux en raison
de la taille limitée du bassin. On rappelle que le domaine fluide utilisé numériquement est
infini et donc sans blocage. Dans un second temps, la Figure 4.20 montre également que
l’outil numérique permet de bien reproduire la forme globale du sillage des turbines pour
la simulation avec turbulence ambiante. Pour la simulation sans turbulence ambiante le
comportement globale des sillages est bien reproduit jusqu’à 6 diamètres en aval des pre-
mières machines. Mais ce n’est plus tout à fait le cas après, comme évoqué précédemment
dans la section 4.2.1.

4.3 Bilan
Pour conclure, une étude expérimentale d’interactions élémentaires entre trois hydroli-
ennes a été réalisée sur trois configurations et deux taux de turbulence ambiante. Ce travail
a permis de générer une base de données solide pour de futures comparaisons numériques,
pour l’étude des effets d’interaction entre machines. Les premiers résultats numériques
obtenus en terme de sillage avec le code de calcul, ont également été présentés pour la
première configuration de l’étude expérimentale pour des taux de turbulence ambiante nul
et de 3%. Ces premiers résultats numériques ont permis de démontrer que l’utilisation du
modèle de turbulence ambiante permettait une meilleure représentation du comportement
global du sillage des turbines dans le cadre de ces interactions à trois hydroliennes. Néan-
moins, il est à noter une nouvelle fois que l’utilisation du modèle de turbulence ambiante
à 3% engendre une dissipation du sillage des turbines encore trop importante.

113
Conclusion

Les développements numériques réalisés lors de ces travaux de thèse ont permis de
franchir un cap dans la modélisation d’hydroliennes dans un environnement donné. La
modification du schéma d’émission pour prendre en compte avec plus de précision les
pieds des pales de l’hydrolienne permet un bien meilleur mélange dans le sillage proche
de la machine. Ainsi une représentation plus fidèle du sillage est possible. Cette meilleure
représentation du sillage proche de l’hydrolienne est une avancée importante dans le cadre
de futurs travaux sur des machines en interactions très proches.
Par ailleurs, dans l’optique d’effectuer des simulations à une plus grande échelle, et
donc comportant plusieurs turbines en interaction, l’implémentation de quatre éléments
d’optimisation a été réalisée. Ces quatre développements sont : l’introduction d’une dissi-
pation artificielle en dehors de l’espace d’étude, la réduction du nombre de sous-itération
d’émission, l’utilisation d’un solveur itératif pour les simulations à plusieurs turbines ainsi
qu’une nouvelle méthode de calcul de l’influence des turbines sur les particules. L’utilisa-
tion combinée des ces différents éléments d’optimisations permet une réduction finale de
51% du temps de calcul (passage de 13 à 6.40 heures sur 256 processeurs) pour la simulation
du comportement d’une hydrolienne pendant 60 secondes. L’utilisation du solveur itératif
basé sur la méthode du Bi-Gradient Conjugué Stabilisé avec le pré-conditionnement de
Jacobi par blocs a permis de lever un verrou important pour les simulations comportant
de multiples hydroliennes en interaction. En effet, auparavant le coût en temps de calcul
très important de la résolution du système linéaire nécessaire à l’évaluation de la distribu-
tion de doublets normaux µp représentait un frein majeur pour les simulations à plusieurs
machines. L’introduction d’une méthode de type Treecode pour le calcul de l’influence
des turbines sur les particules permet quant à elle, un gain de temps de calcul de plus en
plus importants quand le nombre de turbines augmente. Par exemple, le gain en temps de
calcul n’est que de 6% pour une simulation mono turbine, mais il est de 21.2% pour une
simulation à trois turbines.
En parallèle des travaux d’optimisation du code de calcul, un module visant à simuler
l’influence de la turbulence ambiante a été développé. L’implémentation d’un tel module de
turbulence ambiante a fait suite aux travaux expérimentaux de Mycek et al. [24,25,39] qui
ont mis en évidence l’importance de la turbulence sur le comportement des hydroliennes.
C’est pour répondre à cette problématique qu’un modèle reposant sur la Synthetic-Eddy-
Method a été ajouté au code de calcul. Ce modèle permet de générer des fluctuations de
vitesse induisant une intensité turbulente I∞ donnée. De plus, les perturbations de vitesse
générées par le modèle vérifient également tout type de tenseur de Reynolds prescrit. La
Synthetic-Eddy-Method étant un modèle statistique ne reposant pas sur des lois physiques,
une étude plus poussée du modèle a été proposée. Ainsi, les densités spectrales de puis-
sance et les macro-échelles de Taylor associées aux champs de vitesse générés par le modèle
ont été étudiées. Cette étude a montré que la densité spectrale de puissance (PSD) d’un
écoulement généré utilisant des structures turbulentes de taille unique présente une struc-

115
Conclusion

ture en "bosse" qui s’éloigne d’une densité spectrale de puissance (PSD) d’un écoulement
réel. En revanche, l’introduction de structures turbulentes de tailles variables, caractérisées
par le paramètre d’écart type σ(λ), permet de "lisser" la densité spectrale de puissance
(PSD) de l’écoulement. Il est ainsi possible de générer un écoulement présentant une cas-
cade énergétique dont la forme est proche de celle d’un écoulement réel [61, 62]. L’étude
des macro-échelles de Taylor dans l’écoulement généré par le modèle montre que les seuls
paramètres influant véritablement sur ces échelles de turbulences sont la taille moyenne
des structures turbulentes et dans une moindre mesure le noyau choisi. De plus, il existe
pour chaque noyau présenté une loi de commande linéaire entre la taille des structures et
la macro échelle de Taylor calculée. Les premières simulations d’hydroliennes utilisant le
modèle de turbulence ambiante ont également été réalisées au cours de ces travaux. Elles
ont montré que l’ajout de la Synthetic-Eddy-Method dans le code de calcul permet une
dissipation du sillage plus rapide avec l’augmentation du taux de turbulence ambiante
utilisé. De plus, des comparaisons avec les données expérimentales à 3 et 15% de tur-
bulence ambiante ont été effectuées. Ces comparaisons ont montré que pour un taux de
turbulence ambiante de 15% les résultats numériques sont en bon accord avec les données
expérimentales. En revanche, pour I∞ = 3% les résultats numériques présentent encore
une dissipation trop importante du sillage.
La dernière partie de ces travaux de thèse porte sur l’étude des interactions entre
trois turbines. Pour ce faire, une étude expérimentale d’interaction élémentaire entre trois
hydroliennes a été réalisée sur trois configurations différentes à 3 et 15% de turbulence
ambiante. Cette étude expérimentale a pour objectif de servir de base de données de
référence pour les futurs comparaisons numériques et expérimentales. Les premières simu-
lations d’interaction entre trois turbines ont également été réalisées. Ces premiers résultats
numériques ont permis de démontrer que l’utilisation du modèle de turbulence ambiante
permettait une meilleur représentation du comportement globale du sillage des turbines
dans le cadre de ces interactions à trois hydroliennes. Néanmoins, l’utilisation du modèle
de turbulence ambiante à 3% engendre de nouveau une dissipation du sillage des turbines
trop importante.
Ainsi, de nombreux développements numériques sont encore nécessaire afin d’améliorer
les résultats obtenus avec le code de calcul. Les premiers développements à réaliser concer-
nent les performances des turbines. En effet, il semble impératif de compléter les courbes
de coefficients de puissance et de traînée (CP et CT ) pour les hauts TSR. Pour répondre à
cette problématique, plusieurs pistes sont envisagées. Une première piste serait le passage
d’un profil mince à un profil épais pour la représentation des pales de turbines. En effet,
l’outil numérique, dans sa version actuelle, représente les pales des hydroliennes par un
profil mince, négligeant ainsi l’influence de l’épaisseur des pales. C’est pourquoi, le pas-
sage à un modèle de profil épais devrait permettre une amélioration de l’évaluation des
coefficients de puissance et de traînée. De plus, l’utilisation d’un modèle de profil épais
devrait également réduire les problèmes liés aux pieds de pales des machines évoqués dans
la section 1.1.5. Une seconde possibilité pourrait être d’ajouter une distribution de source
sur les maillages des turbines (en plus de la répartition de doublet déjà utilisée). Une telle
approche a déjà été utilisée en 2D dans les travaux de Voutsinas et al. [54,55] notamment.
Les développements numériques sur la turbulence ambiante effectués durant cette thèse
ne représentent qu’une première étape de développement. En effet, le modèle de turbu-
lence ambiante dans sa forme actuelle génère une dissipation encore trop rapide du sillage
des machines pour les faibles taux de turbulence ambiante. Pour palier à ce problème,
une augmentation du couplage entre la méthode Vortex et la Synthetic-Eddy-Method est
envisagée. Pour ce faire, il est par exemple envisageable d’utiliser les fluctuations de vitesse

116
Conclusion

uσ dans le calcul du terme de déformation. Ou encore de développer/modifier le modèle

de sous maille de type Smagorinsky pour traiter la diffusion turbulente afin d’utiliser la
composante uσ dans son évaluation. Ces deux développements permettraient d’augmenter
l’influence du modèle de turbulence ambiante sur la méthode Vortex, mais il est également
envisagé d’augmenter l’influence de la méthode Vortex sur la turbulence ambiante. En effet
dans ces travaux, le modèle de turbulence ambiante fonctionne comme une sous-couche
dans le code de calcul. Et n’est pas influencé par la présence de l’écoulement généré par
l’hydrolienne ; il est donc envisagé de modifier cela. Pour ce faire, il suffirait d’utiliser la
vitesse réelle u pour déplacer les structures turbulentes Ek au lieu de la vitesse moyenne de
l’écoulement amont u∞ . Finalement, modifier la Synthetic-Eddy-Method elle-même pour-
rait être une bonne solution car celle-ci présente un défaut important : elle ne génère pas
un champ de vitesse à divergence nulle (∇·uσ 6= 0). Pour palier à ce problème, l’utilisation
des modifications de la méthode proposée par Poletto et al. [95] pourrait être pertinente.

117
Bibliographie

[1] République Française. Plan d’action national en faveur des énergies renouvelables,
Période 2009-2020, 2009.
[2] Résultats Techniques du Secteur électrique en France 2005. Technical report, Réseau
de Transport d’Électricité (RTE), 2006.
[3] Bilan électrique 2011. Technical report, Réseau de Transport d’Électricité (RTE),
2012.
[4] Bilan électrique 2015. Technical report, Réseau de Transport d’Électricité (RTE),
2016.
[5] Iain Fairley, Paul Evans, Chris Wooldridge, Miles Willis, and Ian Masters. Evaluation
of tidal stream resource in a potential array area via direct measurements. Renewable
Energy, 57 :70–78, 2013.
[6] Abdessalem Bouferrouk, Jonathan P. Hardwick, Antonella M. Colucci, and Lars Jo-
hanning. Quantifying turbulence from field measurements at a mixed low tidal energy
site. Renewable Energy, 87(1) :478–492, 2016.
[7] A.S. Bahaj, A.F. Molland, J.R. Chaplin, and W.M.J. Batten. Power and thrust
measurements of marine current turbines under various hydrodynamic flow conditions
in a cavitation tunnel and a towing tank. Renewable Energy, 32(3) :407 – 426, 2007.
[8] James McNaughton, Simon Harper, Rognvald Sinclair, and Brian Sellar. Measuring
and modeling the power curve of a commercial-scale tidal turbine. In 11th European
Wave and Tidal Energy Conference (EWTEC), September 2015. Nante, France.
[9] B.K. Kirke. Tests on ducted and bare helical and straight blade darrieus hydrokinetic
turbines. Renewable Energy, 36 :3013–3022, 2011.
[10] Astrid Déporte, Martin Träsch, Grégory Germain, Alan Artaux, Jean-Baptiste
Drevet, and Peter Davies. Performance of a flexible membrane tidal energy con-
verter. In 11th European Wave and Tidal Energy Conference (EWTEC), September
2015. Nante, France.
[11] Astrid Déporte. Caractérisation du fonctionnement d’une hydrolienne à membrane
ondulante pour la récuperation de l’énergie des courants marins. PhD thesis, Univer-
sité de Bretagne occidentale, 2016.
[12] A.S. Bahaj, W.M.J. Batten, and G. McCann. Experimental verifications of numeri-
cal predictions for the hydrodynamic performance of horizontal axis marine current
turbines. Renewable Energy, 32(15) :2479–2490, 2007.
[13] W.M.J Batten, A.S. Bahaj, A.F. Molland, and J.R. Chaplin. Experimentally vali-
dated numerical method for the hydrodynamic design of horizontal axis tidal turbines.
Ocean Engineering, 34 :1013 – 1020, 2007.

119
Bibliographie

[14] W.M.J. Batten, A.S. Bahaj, A.F. Molland, and J.R. Chaplin. The prediction of the hy-
drodynamic performance of marine current turbines. Renewable Energy, 33(5) :1085–
1096, 2008.
[15] R. Malki, A. Williams, T. Croft, M. Togneri, and I. Masters. A coupled blade element
momentum–computational fluid dynamics model for evaluating tidal stream turbine
performance. Applied Mathematical Modelling, 37 :3006–3020, 2013.
[16] B. Elie, G. Oger, P.-E. Guillerm, and B. Alessandrini. Simulation of horizontal axis
tidal turbine wakes using a weakly-compressible cartesian hydrodynamic solver with
local mesh refinement. Renewable Energy, 108 :336–354, 2017.
[17] Baptiste Elie. Modélisation Numérique de sillages lointains d’hydroliennes par une
approche volumes finis faiblement compressible. PhD thesis, École Centrale de Nantes,
2015.
[18] X. Sun, J.P. Chick, and I.G. Bryden. Laboratory-scale simulation of energy extraction
from tidal currents. Renewable Energy, 33(6) :1267–1274, 2008.
[19] M.E. Harrison, W.M.J. Batten, L.E. Myers, and A.S. Bahaj. Comparison between
CFD simulations and experiments for predicting the far wake of horizontal axis tidal
turbines. IET Renewable Power Generation, 4(6) :613–627, 2010.
[20] L. Myers, A.S. Bahaj, C. Retzler, P. Ricci, and J.-F. Dhedin. Inter-device spacing
issues within wave and tidal energy converter arrays. In 3rd International Conference
on Ocean Energy, October 2010.
[21] C. Rehbach. Calcul numérique d’écoulements tridimensionnels instationnaires avec
nappes tourbillonaires. La Recherche Aérospatiale, 5 :289–298, 1977.
[22] A. Leonard. Vortex methods for flow simulation. J. Comp. Phys., 37 :289–335, 1980.
[23] I. A. Milne, R. N. Sharma, R. G. J. Flay, and S. Bickerton. Characteristics of the
turbulence in the flow at a tidal stream power site. Philosophical Transactions of the
Royal Society A : Mathematical, Physical and Engineering Sciences, 371(1985) :pp,
February 2013.
[24] Paul Mycek, Benoît Gaurier, Grégory Germain, Grégory Pinon, and Elie Rivoalen.
Experimental study of the turbulence intensity effects on marine current turbines
behaviour. part I : One single turbine. Renewable Energy, 66(0) :729 – 746, 2014.
[25] Paul Mycek, Benoît Gaurier, Grégory Germain, Grégory Pinon, and Elie Rivoalen.
Experimental study of the turbulence intensity effects on marine current turbines
behaviour. part II : Two interacting turbines. Renewable Energy, 68(0) :876 – 892,
2014.
[26] N. Jarrin, S. Benhamadouche, D. Laurence, and R. Prosser. A synthetic-eddy-method
for generating inflow conditions for large-eddy simulations. International Journal of
Heat and Fluid Flow, 27 :585–593, 2006.
[27] Nicolas Jarrin. Synthetic Inflow boundary conditions for the numerical simulation of
turbulence. PhD thesis, University of Manchester, 2008.
[28] L. Rosenhead. The formation of vortices from a surface of discontinuity. Proc. Roy.
Soc. London, A(134) :170–192, 1931.
[29] J. Bousquet. Méthode des singularités. Cépaduès - Editions, 1990.
[30] Elie Rivoalen, Serge Huberson, and Frédéric Hauville. Simulation numérique des
équations de Navier-Stokes 3D par une méthode particulaire. Comptes Rendus
de l’Académie des Sciences - Series IIB - Mechanics-Physics-Chemistry-Astronomy,
324(9) :543–549, 1997.

120
Bibliographie

[31] E Rivoalen and S Huberson. Numerical simulation of axisymmetric viscous flows by

means of a particle method. Journal of Computational Physics, 152(1) :1 – 31, 1999.
[32] Frédéric Hauville. Optimisation des méthodes de calculs d’écoulements tourbillon-
naires instationnaires. PhD thesis, Université du Havre, January 1996.
[33] O. Lemaitre. Contribution numérique à la résolution de problèmes d’interaction
fluide-structure non linéaires. PhD thesis, Université du Havre, 1996.
[34] O. Le Maître, S. Huberson, and E. Souza De Cursi. Unsteady model of sail and flow
interaction. Journal of Fluids and Structures, 13 :37–59, 1999.
[35] F. Hauville and Y. Roux. Réglage dynamique d’une voile par une méthode d’intérac-
tion fluide/structure. In 9èmes Journées de l’Hydrodynamique, 2003.
[36] G. Pinon. Modélisation numérique de jets transverses : Application au cas des in-
verseurs de poussée d’un avion en phase d’atterrissage. PhD thesis, Université du
Havre, 2005.
[37] G. Pinon, H. Bratec, S. Huberson, G. Pignot, and E. Rivoalen. Vortex method for
simulation of a 3D round jet in a cross-stream. Journal of Turbulence, 6(18) :1–25,
2005.
[38] Grégory Pinon, Paul Mycek, Grégory Germain, and Elie Rivoalen. Numerical sim-
ulation of the wake of marine current turbines with a particle method. Renewable
Energy, 46(0) :111 – 126, 2012.
[39] Paul Mycek. Étude numérique et expérimentale du comportement d’hydroliennes.
PhD thesis, Université du Havre, 2013.
[40] J.L. Hess. Calculation of potential flow about arbitrary three dimensional lifting
bodies. Technical report, Final Technical Report, McDonnel Douglas Report No.
MDC J5679-01 - Also AD 755 480, 1972.
[41] G. Coulmy. Fomulation des effets de singularités - première partie : Singularités en
domaine bidimensionnel. Technical Report 85-5, LIMSI, 1988.
[42] G. Coulmy. Fomulation des effets de singularités - seconde partie : Singularités en
domaine tridimensionnel. Technical Report 85-6, LIMSI, 1988.
[43] J.P. Choquin and S. Huberson. Particles simulation of viscous flow. Computers and
Fluids, 17(2) :397 – 410, 1989.
[44] G. S. Winckelmans and A. Leonard. Contributions to vortex particle methods for the
computation of three-dimensional incompressible unsteady flows. Journal of Compu-
tational Physics, 109(2) :247–273, 1993.
[45] J. T. Beale and A. Majda. High order accurate vortex methods with explicit velocity
kernels. Journal of Computational Physics, 58 :188–208, 1985.
[46] G. K. Batchelor. An introduction to fluid dynamics. Cambridge University Press,
UK, 1967.
[47] B. Cantaloube and S. Huberson. Calcul d’écoulements de fluide incompressible non
visqueux autour de voilures tournantes par une méthode particulaire. La Recherche
Aérospatiale, 6 :403–415, 1986.
[48] J.-P. Choquin and G.-H. Cottet. Sur l’analyse d’une classe de méthodes de vortex
tridimensionnelles. C. R. Acad. Sci., 306(17) :739–742, May 1988. Série I.
[49] E. Rivoalen. Etude numérique et experimentale de tourbillons de sillage proches d’une
surface libre. PhD thesis, Université du Havre, 1994.

121
Bibliographie

[50] P. Degond and S. Mas-Gallic. The weighted particle method for convection-diffusion
equations. Part I : The case of an isotropic viscosity. Math. Comp., 53(188) :485–507,
1989.
[51] J. R. Mansfield. A dynamic lagrangian large eddy simulation scheme for the vorticity
transport equation. PhD thesis, John Hopkins University, 1997.
[52] N.N. Mansour, J.H. Ferziger, and W.C. Reynolds. Large-eddy simulation of a tur-
bulent mixing layer. Technical report, Report TF-11, Thermosciences Div., Dept. of
Mech. Eng., Stanford University, 1978.
[53] Clément Carlier, Paul Mycek, Benoît Gaurrier, Grégory Germain, Grégory Pinon, and
Elie Rivoalen. Étude expérimentale et numérique du comportement d’hydroliennes à
axe horizontale. In XIIIèmes Journées Nationales Génie Côtier – Génie Civil, Juillet
2014. Dunkerque, France.
[54] Spyros G. Voutsinas and Vasilis A. Riziotis. Dynamic stall and 3d effects. Technical
report, National Technical University of Athens - JOU2-CT93-0345, 1996.
[55] S.G. Voutsinas. Vortex methods in aeronautics : how to make things work. Interna-
tional Journal of Computational Fluid Dynamics, 20(1) :3–18, 2006.
[56] K. Lindsay and R. Krasny. A particle method and adaptive treecode for vortex sheet
motion in three-dimensional flow. J. Comput. Phys., 172 :879–907, 2001.
[57] A. Dezotti. Méthodes numériques appliquées à la simulation de sillages d’hydroli-
ennes. Master’s thesis, Université de Rennes, 2013.
[58] H. A. van der Vorst. Bi-CGSTAB : a fast and smoothly converging variant of Bi-
CG for the solution of nonsymmetric linear systems. SIAM J. Sci. Statist. Comput.,
13(2) :631–644, 1992.
[59] Youen Kervella, Grégory Germain, Benoît Gaurier, Jean-Valéry Facq, and Thomas
Bacchetti. Mise en évidence de l’importance de la turbulence aambiant sur les effets
d’interaction entre hydroliennes. In XIIIèmes Journées Nationales Génie Côtier –
Génie Civil, 2014.
[60] Tom Blackmore, William MJ Batten, Gerald U Műller, and AbuBakr S Bahaj. Influ-
ence of turbulence on the drag of solid discs and turbine simulators in a water current.
Experiments in Fluids, 55(1), 2013.
[61] O. Duran Medina, F.G. Schmitt, R. Calif, G. Germain, and B. Gaurier. Turbulence
et intermitence dans les énergies marine : mesures à haute fréquence en laboratoire
de la relation entre puissance produite par une hydrolienne et turbulence. In 14èmes
Journées de l’Hydrodynamique, Novembre 2014. Val de Reuil, France.
[62] O. Duran Medina, F.G. Schmitt, R. Calif, G. Germain, and B. Gaurier. Correlation
between synchronised power and flow measurements, a way to characterize turblence
effecs on marine current turbine. In 11th European Wave and Tidal Energy Conference
(EWTEC), September 2015. Nante, France.
[63] E. Osalusi, J. Side, and R. Harris. Structure of turbulent flow in emec’s tidal energy
test site. International Communications in Heat and Mass Transfer, 36(5) :422–431,
2009.
[64] Emmanuel Osalusi, Jonathan Side, and Robert Harris. Reynolds stress and turbulence
estimates in bottom boundary layer of fall of warness. International Communications
in Heat and Mass Transfer, 36(5) :412 – 421, 2009.
[65] J. Thomson, B. Polagye, V. Durgesh, and M.C. Richmond. Measurements of tur-
bulence at two tidal energy sites in Puget Sound, WA. IEEE Journal of Oceanic
Engineering, 37(3) :363–374, 2012.

122
Bibliographie

[66] Joseph MacEnri, Matthew Reed, and Torbjörn Thiringer. Influence of tidal param-
eters on seagen flicker performance. Philosophical Transactions of the Royal Society
A : Mathematical, Physical and Engineering Sciences, 371(1985) :pp, February 2013.
[67] Ye Li, Jonathan A. Colby, Neil Kelley, Robert Thresher, Bonnie Jonkman, and Scott
Hughes. Inflow measurement in a tidal strait for deploying tidal current turbines :
Lessons, opportunities and challenges. In ASME 2010 29th International Conference
on Ocean, Offshore and Arctic Engineering, pages 569–576, 2010.
[68] Michael Togneri and Ian Masters. Micrositing variability and mean flow scaling for
marine turbulence in ramsey sound. Journal of Ocean Engineering and Marine En-
ergy, 2(1) :35–46, 2016.
[69] Philippe Chatelain, Stéphane Backaert, Grégoire Winckelmans, and Stefan Kern.
Large eddy simulation of wind turbine wakes. Flow Turbulence and Combustion,
91 :587–605, 2013.
[70] E. Branlard, P. Mercier, E. Machefaux, M. Gaunaa, and S. Voutsinas. Impact of
a wind turbine on turbulence : Un-freezing turbulence by means of a simple vortex
particle approach. Journal of Wind Engineering and Industrial Aerodynamics, 151 :37
– 47, 2016.
[71] J. Mann. The spatial structure of neutral atmosphere surface-layer turbulence. Jour-
nal of Fluid Mechanics, 273 :141–168, 1994.
[72] C. Leroy. Développement d’une méthode Volume Finis à Flux caractéristiques pour
la simulation d’écoulements. PhD thesis, École Centrale de Nantes, 2012.
[73] Michael Togneri and Ian Masters. Parametrising turbulent marine flows for a blade
element momentum model of tidal stream turbines. In 9th European Wave and Tidal
Energy Conference (EWTEC), September 2011. Southampton, UK.
[74] Michael Togneri and Ian Masters. Synthetic turbulence generation for turbine mod-
elling with BEMT. In 3rd Oxford Tidal Energy Workshop, Oxford, UK, 7-8 April
2014.
[75] Umair Ahmed, David Apsley, Tim Stallard, Imran Afgan, and Peter Stansby. Large
eddy simulations to represent a full-scale tidal stream flow and turbine. In 4th Oxford
Tidal Energy Workshop, Oxford, UK, 23-24 March 2015.
[76] Umair Ahmed, Imran Afgan, David Apsley, Tim Stallard, and Peter Stansby. Cfd
simulations of a full-scale tidal turbine ; comparison of les and rans with field data.
In 11th European Wave and Tidal Energy Conference (EWTEC), September 2015.
Nante, France.
[77] Frédéric Archambeau, Namane Méchitoua, and Marc Sakiz. Code saturne : A fi-
nite volume code for the computation of turbulent incompressible flows - industrial
applications. International Journal on Finite Volumes, 1(1), February 2004.
[78] Thomas S. Lund, Xiaohua Wu, and Kyle D. Squires. Generation of turbulent inflow
data for spatially-developing boundary layer simulations. Journal of Computational
Physics, 140 :233–258, 1998.
[79] U. Frisch. The legacy of A.N. Kolmogorov. Cambridge University Press, 1995.
[80] A. S. Monin and A. M. Yaglom. Statistical fluid dynamics, volume I and II. MIT
Press, 1971.
[81] F. G. Schmitt and Y. Huang. Stochastic analysis of scaling time series : from turbu-
lence theory to applications. Cambridge University Press, 2016.

123
Bibliographie

[82] Arnaud Fur. Simulation numérique d’hydrolienne dans un écoulement turbulent.

Master’s thesis, Université de Rennes 1, 2015.
[83] Paul Mycek, Benoît Gaurier, Grégory Germain, Grégory Pinon, and Elie Rivoalen.
Numerical and experimental study of the interaction between two marine current
turbines. International Journal of Marine Energy, 1(0) :70 – 83, 2013.
[84] R. Malki, I. Masters, A.J. Williams, and T.N. Croft. The influence on tidal stream
turbine spacing on performance. In 9th European Wave and Tidal Energy Conference
(EWTEC), September 2011. Southampton, UK.
[85] Simon P. Neill, M. Reza Hashemi, and Matt J. Lewis. The role of tidal asymmetry
in characterizing the tidal energy resource of orkney. Renewable Energy, 68(0) :337 –
350, 2014.
[86] Grégory Germain. Marine current energy converter tank testing practices. In 2nd
International Conference on Ocean Energy (ICOE), 15th - 17th October 2008. Brest,
France.
[87] O. Duran Medina, F.G. Schmitt, R. Calif, G. Germain, and B. Gaurier. Turbulence
analysis and multiscale correlations between synchronized flow velocity and marine
turbine power production. Renewable Energy, 112 :314–327, 2017.
[88] Tom Blackmore, Benoît Gaurier, Luke Myers, Grégory Germain, and AbuBakr S
Bahaj. The effect of freestream turbulence on tidal turbines. In 11th European Wave
and Tidal Energy Conference (EWTEC), September 2015. Nante, France.
[89] B. Gaurier, G. Germain, J.V. Facq, C.M. Johnstone, A.D. Grant, A.H. Day, E. Nixon,
F. Di Felice, and M. Cosranzo. Tidal energy “round robin” tests comparisons between
towing tank and circulating tank results. International Journal of Marine Energy,
12 :87–109, 2015.
[90] G. Germain, A. S. Bahaj, C. Huxley-reynard, and P. Roberts. Facilities for marine
current energy converter characterization. In 7th European Wave and Tidal energy
Conference, 2007.
[91] F. Maganga, G. Germain, J. King, G. Pinon, and E. Rivoalen. Experimental charac-
terisation of flow effects on marine current turbine behaviour and on its wake prop-
erties. IET Renewable Power Generation, 4(6) :498–509, 2010.
[92] Paul Mycek, Grégory Pinon, Corentin Lothodé, Alexandre Dezotti, and Clément Car-
lier. Iterative solver approach for turbine interactions : application to wind or marine
current turbine farms. Applied Mathematical Modelling, 41 :331 – 349, 2017.
[93] D.M. O’Doherty, A. Mason-Jones, C. Morris, T. O’Doherty, C. Byrne, P.W. Prickett,
and R.I. Grosvenor. Interactions of marine turbines in close proximity. In 9th Euro-
pean Wave and Tidal Energy Conference (EWTEC), September 2011. Southampton,
UK.
[94] Matthew J. Churchfield, Ye Li, and Patrick J. Moriarty. A large-eddy simulation
study of wake propagation and power production in an array of tidal-current tur-
bines. Philosophical Transactions of the Royal Society A : Mathematical, Physical
and Engineering Sciences, 371(1985) :pp, February 2013.
[95] R. Poletto, T. Craft, and A. Revell. A new divergence free synthetic eddy method
for the reproduction of inlet flow conditions for les. Flow, Turb. and Combustion,
91 :519–539, 2013.
[96] Paul Mycek, Benoît Gaurier, Grégory Germain, Jean-Valéry Facq, Thomas Bachetti,
Grégory Pinon, and Élie Rivoalen. Étude des interactions entre deux hydroliennes à

124
Bibliographie

axe horizontal alignées avec l’écoulement. In 21ème Congrès Français de Mécanique,

août 2013. Bordeaux, France.

125
Annexe A

Detailed description of the turbine

r/R c/R Pitch (deg) t/c (%)

0.1333 0.0567 29.5672 80.0
0.1500 0.0567 29.5672 100.0
0.1550 0.0567 29.5672 100.0
0.1983 0.1521 25.6273 36.0
0.2417 0.2474 22.1491 21.3
0.2850 0.2375 19.3031 21.4
0.3283 0.2259 16.9737 21.7
0.3717 0.2141 15.0538 22.0
0.4150 0.2029 13.4572 22.2
0.4583 0.1925 12.1169 22.4
0.5017 0.1829 10.9815 22.5
0.5450 0.1743 10.0114 22.5
0.5883 0.1665 9.1761 22.4
0.6317 0.1594 8.4516 22.2
0.6750 0.1529 7.8191 21.9
0.7183 0.1471 7.2638 21.5
0.7617 0.1418 6.7735 20.9
0.8050 0.1370 6.3387 20.2
0.8483 0.1325 5.9514 19.5
0.8917 0.1285 5.6050 18.6
0.9350 0.1247 5.2941 18.0
0.9783 0.1213 5.0143 18.0
1.0000 0.0655 4.8743 25.0

Table A.1 – Detailed blade profile description.

127
Figure A.1 – Geometrical characteristics of the three turbines. The blades characteristics
have been given in [96].

128
Annexe B

Wake profiles

B.1 Wake profiles at I∞ = 3%

-1 0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
1 Turbines 1 1 1 Turbine 1 1 1 1 1 1
x∗ (top) Ux∗ (bottom)

Figure B.1 – Axial velocity profiles with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s,
I∞ = 3% and with a∗ = 4.

0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
Turbines 0 0 0 Turbine 0 0 0 0 0 0 0
∗
x∗ (top) and UxUx

Figure B.2 – < u′ u′ > with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s, I∞ = 3% and
with a∗ = 4.

129
B.1. Wake profiles at I∞ = 3%

-1 0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
1 Turbines 1 1 1 Turbine 1 1 1 1 1 1
x∗ (top) Ux∗ (bottom)

Figure B.3 – Axial velocity profiles with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s,
I∞ = 3% and with a∗ = 4.

0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
Turbines 0 0 0 Turbine 0 0 0 0 0 0 0
∗
x∗ (top) and UxUx

Figure B.4 – < u′ u′ > with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s, I∞ = 3% and
with a∗ = 4.

-1 0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
1 Turbines 1 1 1 Turbine 1 1 1 1 1 1
x∗ (top) Ux∗ (bottom)

Figure B.5 – Axial velocity profiles with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s,
I∞ = 3% and with a∗ = 4.

130
B.1. Wake profiles at I∞ = 3%

0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
Turbines 0 0 0 Turbine 0 0 0 0 0 0 0
∗
x∗ (top) and UxUx

Figure B.6 – < u′ u′ > with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s, I∞ = 3% and
with a∗ = 4.

131
B.2. Wake profiles at I∞ = 15%

B.2 Wake profiles at I∞ = 15%

-1 0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
1 Turbines 1 1 1 Turbine 1 1 1 1 1 1
x∗ (top) Ux∗ (bottom)

Figure B.7 – Axial velocity profiles with T SRup = T SRdown = 3.5, U∞ = 0.83 m/s,
I∞ = 15% and with a∗ = 4.

0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
Turbines 0 0 0 Turbine 0 0 0 0 0 0 0
∗
x∗ (top) and UxUx

Figure B.8 – < u′ u′ > with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s, I∞ = 3% and
with a∗ = 4.

-1 0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
1 Turbines 1 1 1 Turbine 1 1 1 1 1 1
x∗ (top) Ux∗ (bottom)

Figure B.9 – Axial velocity profiles with T SRup = T SRdown = 3.5, U∞ = 0.83 m/s,
I∞ = 15% and with a∗ = 4.

132
B.2. Wake profiles at I∞ = 15%

0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
Turbines 0 0 0 Turbine 0 0 0 0 0 0 0
∗
x∗ (top) and UxUx

Figure B.10 – < u′ u′ > with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s, I∞ = 3% and
with a∗ = 4.

-1 0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
1 Turbines 1 1 1 Turbine 1 1 1 1 1 1
x∗ (top) Ux∗ (bottom)

Figure B.11 – Axial velocity profiles with T SRup = T SRdown = 3.5, U∞ = 0.83 m/s,
I∞ = 15% and with a∗ = 4.

0 1 2 3 4 5 6 7 8 9 10 11
2
1.5
1
0.5
0
y∗

-0.5
-1
-1.5
-2
Turbines 0 0 0 Turbine 0 0 0 0 0 0 0
∗
x∗ (top) and UxUx

Figure B.12 – < u′ u′ > with T SRup = T SRdown = 3.5, U∞ = 0.79 m/s, I∞ = 3% and
with a∗ = 4.

133
B.2. Wake profiles at I∞ = 15%

2 0.3 2 0.3
1.5 1.5
1 0.225 1 0.225
0.5 0.5
y∗

y∗
0 0.15 0 0.15
-0.5 -0.5
-1 0.075 -1 0.075
-1.5 -1.5
-2 ∗0 -2 ∗0
2 4 6 8 10 u′ u′ 2 4 6 8 10 u′ u′
x∗ x∗
(a) TI3 (b) TI15

Figure B.13 – Conf 1 < u′ u′ >.

2 0.3 2 0.3
1.5 1.5
1 0.225 1 0.225
0.5 0.5
y∗

y∗
0 0.15 0 0.15
-0.5 -0.5
-1 0.075 -1 0.075
-1.5 -1.5
-2 ∗0 -2 ∗0
2 4 6 8 10 u′ u′ 2 4 6 8 10 u′ u′
x∗ x∗
(a) TI3 (b) TI15

Figure B.14 – Conf 2 < u′ u′ >.

2 0.3 2 0.3
1.5 1.5
1 0.225 1 0.225
0.5 0.5
y∗

y∗

0 0.15 0 0.15
-0.5 -0.5
-1 0.075 -1 0.075
-1.5 -1.5
-2 ∗0 -2 ∗0
2 4 6 8 10 u′ u′ 2 4 6 8 10 u′ u′
x∗ x∗
(a) TI3 (b) TI15

Figure B.15 – Conf 3 < u′ u′ >.

134