Couplage estimateur d'erreur, maillage et intelligence artificielle pour les écoulements multiphasiques industriels complexes

par Ali-malek Boubaya

Projet de thèse en Mathématiques numériques, Calcul intensif et Données

Sous la direction de Elie Hachem et de Aurélien Larcher.

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de SFA - Sciences Fondamentales et Appliquées , en partenariat avec Centre de mise en forme des matériaux (Sophia Antipolis, Alpes-Maritimes) (laboratoire) et de École nationale supérieure des mines (Paris) (établissement de préparation de la thèse) depuis le 15-11-2018 .


  • Résumé

    Le contexte de cette thèse est lié aux sciences du risque et en particulier aux rejets accidentels de produits chimiques. Celles-ci peuvent apparaître sur des sites industriels ou lors du transport de matières dangereuses. Les approches utilisées de la simple résolution analytique de l'équation d'advection-diffusion jusqu'aux modèles de dynamique des fluides computationnelle (CFD) (équations de Reynolds-Navier-Stokes moyennées, simulation à grande échelle ou simulation numérique directe) permettent de calculer un écoulement turbulent dans un environnement complexe. Par ailleurs, la capacité de calcul à grande vitesse d'outils d'apprentissage automatique tels que les réseaux de neurones a été couplée à des modèles CFD dans des cas spécifiques pour réduire le temps de calcul. L'objectif est de développer, tester et valider de nouvelles approches de modélisation dans lesquelles l'écoulement turbulent est formé sur de vastes ensembles de données de simulations 3D CFD.

  • Titre traduit

    Error estimator, mesh and artificial intelligence coupling for complex industrial multiphase flows


  • Résumé

    The context of this thesis is related to risk sciences and in particular to accidental chemical releases. Those can appear on industrial sites or during transport of hazardous material.Approaches used from simple analytical resolution of advection diffusion equation to computational fluid dynamics models (CFD) ( Reynolds-Averaged Navier-Stokes equations, Large Eddy-Simulation or Direct Numerical Simulation) allow to calculate the turbulent flow in complex environment. Furthermore, high speed calculation capacity of machine learning tools such as Neural Networks has been coupled to CFD models in specific cases to decrease computation time. The aim is to develop, test and validate novel modeling approaches where the turbulent flow is trained against large datasets of 3D CFD simulations.