Étude du mélange de scalaires en écoulement turbulent et application à la modélisation des petites échelles

Study of Scalar Mixing in Turbulent Flow and its Application to Small-Scale Modeling

• Auteur / Autrice : Antoine Moreau
• Direction : Jean-Pierre Bertoglio
• Type : Thèse de doctorat
• Discipline(s) : Sciences. Mécanique
• Date : Soutenance en 2002
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : Ecole doctorale Mécanique, Energétique, Génie Civil, Acoustique (Villeurbanne2011-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique des fluides et acoustique (Rhône)
• Partenaire(s) de recherche : autre partenaire : École Centrale de Lyon (1857-....)
• Jury : Président / Présidente : Luc Vervisch
• Jury : Examinateurs / Examinatrices : Jean-Pierre Bertoglio, Jean-Pierre Chollet, Luc Vervisch, Jean-Noël Gence, Emmanuel Lévêque

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Champs scalaires

Turbulence

Simulation des grandes échelles

Mots clés libres

Scalaire passif

Passive scalar

Turbulence

Large eddy simulation

Neural networks

Résumé

Le problème du mélange de quantités scalaires en écoulement turbulent est abordé dans un but d'application à la modélisation des petites échelles pour la prédiction découlements réactifs. Des Simulations Numériques Directes d'un scalaire passif convecté par la turbulence ont tout d'abord été menés. Les données recueillies permettent d'étudier une situation de mélange obtenue grâce à une injection aléatoire de scalaire frais. Un comportement auto-similaire du scalaire a été mis en évidence, et la caractérisation de l'intermittence qui en découle est en bon accord avec les résultats expérimentaux disponibles. Par ailleurs, ces données permettent de souder finement la pertinence d'hypothèses en modélisation pour la Simulation des Grandes Echelles. A cet effet, la notion d'estimateur optimal est introduite et généralisé. Ces estimateurs permettent alors d'étudier séparément les conséquences des hypothèses qui peuvent sous-tendre un modèle. Le modèle de Cook et Riley est ainsi exploré, qui fait appel à des distributions bêta. L'utilisation de ces fonctions se révèle en général fondée - dans certaines conditions elle s'avère même être un choix remarquable. Il est souligné que la qualité du modèle repose sur l'estimation de la variance de sous-maille. Les estimateurs usuels de cette quantité sont comparés, et des améliorations sont proposées grâce à une démarche de minimisation systématique de l'erreur quadratique. Cette démarche conduit naturellement à introduire des réseaux de neurones simples. Il est mis en évidence que ces réseaux permettent d'approcher certains estimateurs optimaux ce qui ouvre la voie à leur utilisation comme outil pour la mise au point de Simulations des Grandes Echelles

The problem of the mixing of passive scalars in a turbulent flow has been investigated in order to model the small scales. Direct Numérical Simulations of the situation have been performed, with a periodical injection of fresh scalar. The data generated has been used to investigate the statistically stationnary situation obtained. The spectra and the structure functions of the scalar actually present a clear power-law range. The intermittent properties of the scalar have thus been computed and are in good agreement with the available experimental results. In order to take chemical reactions into account in Large Eddy Simulations, a fine modelling of the subgrid scales is required. Many assumptions are then made, which deserve to be evaluated using the DNS data. The notion of optimal estimate in the sens of the quadratic error is introduced and extended. This allows to evaluate separately the assumptions which underlie the model of Cook and Riley. This model uses beta deistributions, which is found to be well-chosen. Under some conditions, the beta distributions are even an excellent choice. The estimation of the subgrid variance then appears to be the flaw of the model. The usual estimates for this quantity are compared and imprivements are proposed, using a strategy of systematic reduction of the quadratic error. This finally leads to the use of neural networks, which are able to approach optimal estimates and thus could be used as tools in the search for a reliable Large Eddy Simulation