| taille du texte : S-M-L |
| impression | intranet

Sujet de thèse : Méthodes «pilotées par les données» pour le développement de modèle de turbulence pour le contrôle de couche limite turbulente

[ 02-05-2017 | proposition sujet thèse ]Sujet de thèse : Méthodes «pilotées par les données» pour le développement de modèle de turbulence pour le contrôle de couche limite turbulente Ce sujet donne lieu au financement, par l'Université de Lille1, d’une allocation de recherche d’une durée de trois ans, attribuée sur concours.
Contacter le ou les Directeur(s) de thèse et préparer un dossier avant la date limite du 2 mai 2017.
Pour plus d’informations sur les conditions d'inscription en thèse, veuillez consulter le site de l’Ecole Doctorale régionale Sciences pour l'Ingénieur Lille Nord-de-France.
Directeur de thèse
Thomas Gomez

Descriptif
Cette thèse vise à appliquer les concepts et les méthodes du « machine learning » à la modélisation des couches limites turbulentes. La mise en œuvre de méthodes efficaces basées sur le «pilotage par les données » appliquées au cadre de l’étude des écoulements turbulents fait face à un certain nombre de défis; en particulier lorsque nous abordons les problèmes associés à la modélisation et au contrôle des couches limites. Nous considérerons notamment trois axes principaux:
1. Incorporer dans le processus d’apprentissage par la machine les propriétés de symétrie et d'invariance caractéristiques des écoulements turbulents.
2. Etendre le domaine d’application et l'efficacité des modèles de turbulences obtenus par machine learning, aux écoulements plus complexes, en utilisant des banques de données générées à l’aide d’expériences ou par simulations numériques, réalisées au laboratoire ou dans d’autres groupes de recherche.
3. Explorez le potentiel de l'apprentissage par machine en tant qu'amélioration ou substitution des modèles de turbulences traditionnels et, au delà, comme une méthode efficace pour contrôler les écoulements de couches limites turbulentes avec gradient de pression adverse ou, dans des cas plus complexes d’écoulements aérodynamiques avec séparation.

Mots clés : data-driven techniques; réseau de neurones; modèle de turbulence; machine learning; analyse de données; aérodynamique; séparation de couche limite; contrôle.

Contexte et objectifs
Le contrôle d’écoulement reste un enjeu majeur dans le domaine de la mécanique des fluides. Malgré les nombreuses études qui lui ont été consacrées, la compréhension de la physique et le développement de dispositifs de contrôle des couches limites, sont encore des sujets avec un potentiel en terme d’innovation très élevé, en particulier à grand nombre de Reynolds et tout particulièrement en présence de gradients de pression adverses. En effet, ces études ont notamment pour but, de minimiser la traînée et la consommation d'énergie, ou d'augmenter la maniabilité des avions, des roquettes, des navettes, etc.
L'augmentation des moyens de calcul numérique à haute performance a conduit à une production croissante des données issues de simulations numériques à haute définition effectuées à l'aide de simulations numériques directes (DNS) ou de simulations des grandes échelles (LES). Ces données offrent la possibilité d'utiliser des algorithmes développés dans le cadre du ‘machine learning’, tels que les réseaux de neurones ou les forêts aléatoires, pour développer des modèles empiriques plus précis et plus généraux. Une question clé, lors de l'utilisation d'algorithmes basés sur les données pour développer ces modèles empiriques, est la façon dont la connaissance du domaine devrait être incorporée dans le processus d'apprentissage de la machine. Cette thèse traitera spécifiquement de ce problème d'incorporation des propriétés physiques des écoulements turbulents, en termes de symétrie, de propriétés d'invariance ou de quantités invariantes, pour fournir de nouveaux modèles turbulents qui pourraient être plus efficaces pour prédire la dynamique des écoulements et qui pourraient notamment être inclus dans les boucles de contrôle pour les écoulements de couche limite turbulents.
Différentes méthodes d'apprentissage des propriétés d'invariance seront évaluées et comparées. Cela pourra être fait en construisant une base d'intrants invariables et en utilisant le modèle d'apprentissage pour s’entraîner sur cette base; ou en intégrant l'invariance dans le modèle. Dans cette deuxième approche, l'algorithme pourrait être formé sur des transformations multiples des données d'entrée brutes jusqu'à ce que le modèle découvre l'invariance à cette transformation. Le comportement de ces processus axés sur les données sera discuté dans le cas de la modélisation de la turbulence, notamment en évaluant leur performance en termes de coûts d’apprentissage et de leur capacité de modélisation.
La deuxième partie de la thèse sera consacrée à l'application des techniques de machine learning développées au cours de la thèse à des problèmes plus appliqués comme le contrôle des couches limites turbulentes avec gradient de pression adverse ou avec séparation, qui sont des configurations caractéristiques des écoulements traités par les différents thèmes («Ecoulements turbulents & Contrôle», «Métrologie et Analyse de Données», «Dynamique du vol», «Machines tournantes») du nouveau laboratoire (LMFL) construit par la fusion de l'équipe ER2 du Laboratoire de Mécanique de Lille (LML) et l'ONERA. Cette thèse peut être considérée comme un sujet d'intérêt pour toutes les différentes composantes du nouveau laboratoire et contribuera fortement à lancer les nouvelles activités communes issues de cette fusion.

Contact
Thomas Gomez, thomas.gomez@univ-lille1.fr