Mots-clés de la thèse : mécanique des fluides, méthodes numériques, écoulement turbulent anisotherme, simulation numérique directe, simulation des grandes échelles, apprentissage automatique, intelligence artificielle
Encadrement de la thèse
Adrien TOUTANT – 04 68 68 27 09 – – HDR obtenu en 2013
Françoise BATAILLE – 04 68 68 22 32 – – HDR obtenu en 2000
Lionel MATHELIN –
Onofrio SEMERARO –
Contexte
Le contexte de la thèse est le développement des centrales solaires à tour de prochaine génération. On se concentre sur le composant clé des centrales : le récepteur solaire à haute température et haut flux. Une des possibilités est d’utiliser au sein du récepteur solaire un mélange gaz pressurisé comme fluide de transfert. La maîtrise des écoulements turbulents fortement anisothermes est alors un verrou scientifique pour le développement de ces centrales solaires à tour. En effet, les couplages entre la turbulence et la thermique rendent la physique particulièrement complexe. Cette thèse vise à en améliorer la compréhension et la modélisation.
Objectifs
Les objectifs de ce projet de thèse sont les suivants (ils sont présentés par ordre chronologique) :
- Réalisation de simulations numériques directes d’écoulements turbulents fortement anisothermes
- Développement de modèles de type simulation des grandes échelles en utilisant les outils d’apprentissage automatique (deep learning)
Méthode
En simulation numérique directe (SND), la bonne prise en compte du couplage vitesse/température et la résolution de toutes les échelles de la turbulence nécessite des maillages extrêmement fins. Ces simulations sont donc limitées à des cas de calculs académiques avec des tailles modestes de domaine et des géométries simples. Pour réaliser des simulations se rapprochant davantage des applications, il est indispensable de réduire le coût des SND en introduisant des modèles sous-maille (cf. figure).
A notre connaissance, il existe peu de modèle pour les termes sous-maille spécifiques aux écoulements fortement anisothermes (Dupuy et al. 2019 ; David et al. 2021). Le travail de modélisation consiste donc à adapter les modèles existants pour le tenseur de Reynolds et à développer de nouveaux modèles pour les termes spécifiques. Pour ces derniers, nous proposons d’adapter les modèles structurels qui utilisent des méthodes de déconvolution comme le modèle gradient ou le modèle de similarité d’échelles.
Pour développer un modèle de type simulation des grandes échelles SGE pour les écoulements très fortement anisothermes, le doctorant constituera une base de données étendue de SND. A partir de cette base de données, des techniques d’apprentissage automatique (machine learning, deep learning) seront mises en œuvre pour déterminer un modèle mathématique décrivant l’effet des petites échelles (non résolues) sur les plus grandes. Plus précisément, différentes architectures de réseaux de neurones (réseaux convolutionnels, réseaux à graphes, etc.) et de fonctions objectifs seront évaluées pour inférer le meilleur modèle possible. Une attention particulière sera portée à la robustesse du modèle appris vis-à-vis de la résolution du maillage et du régime de l’écoulement. Les modèles développés devront permettre de calculer avec précision les échanges thermiques fluide/paroi.
Profil recherché
Le doctorant aura une bonne formation en mécanique des fluides et en simulation numérique. Des compétences en apprentissage automatique (machine learning), mathématiques appliquées et programmation (C++, python, pytorch) seront très appréciées.
Environnement
La thèse se déroulera principalement au laboratoire PROMES (Perpignan) et inclura quelques séjours au LISN (Saclay).
Références
David M., Toutant A., Bataille F., Investigation of Thermal Large-Eddy Simulation approaches in a highly turbulent channel flow submitted to strong asymmetric heating, Physics of Fluids, vol. 33(4), 045104, 2021.
Dupuy D., Toutant A., Bataille F., Study of the large-eddy simulation subgrid terms of a low Mach number anisothermal channel flow, International Journal of Thermal Sciences, vol. 135, p. 221-234, 2019.