Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones.

Turbulent atmospheric dispersion modelling on an industrial site using cellular automata and neural networks.

• Auteur / Autrice : Pierre Lauret
• Direction : Gilles Dusserre
• Type : Thèse de doctorat
• Discipline(s) : Génie de l'Environnement
• Date : Soutenance le 18/06/2014
• Etablissement(s) : Saint-Etienne, EMSE
• Ecole(s) doctorale(s) : ED SIS 488
• Jury : Président / Présidente : Didier Graillot
• Jury : Examinateurs / Examinatrices : Gilles Dusserre, Didier Graillot, Richard Saurel, Nicolas Lecysyn, Jean-Marc Ricaud, Anne Johannet
• Jury : Rapporteur / Rapporteuse : Richard Saurel, Claude Touzet

Mots clés

Mots clés contrôlés

Risques industriels

Gestion du risque

Réseaux neuronaux (informatique)

Diffusion atmosphérique

Mots clés libres

Dispersion atmosphérique

Réseau de neurones

Automates cellulaires

Coefficient de diffusion turbulente

Ecoulement autour d’un cylindre

Champ obstrué

Mécanique des fluides

Modèle k-ϵ

Atmospheric dispersion

Artificial neural networks

Cellular automata

Turbulent diffusion coefficient

Fluid mechanics

Flow around a cylinder

Résumé

La dispersion atmosphérique de substances dangereuses est un évènement susceptible d’entrainer de graves conséquences. Sa modélisation est primordiale pour anticiper des situations accidentelles. L’objectif de ce travail fut de développer un modèle opérationnel, à la fois rapide et précis, prenant en compte la dispersion en champ proche sur un site industriel. L’approche développée s’appuie sur des modèles issus de l’intelligence artificielle : les réseaux de neurones et les automates cellulaires. L’utilisation des réseaux de neurones requiert l’apprentissage d’une base de données de dispersion : des simulations CFD k-ϵ dans ce travail. Différents paramètres sont évalués lors de l’apprentissage : échantillonnage et architecture du réseau. Trois méthodologies sont développées :La première méthode permet d’estimer la dispersion continue en champ libre, par réseaux de neurones seuls.La deuxième méthode utilise le réseau de neurones en tant que règle de transition de l’automate cellulaire pour le suivi de l’évolution d’une bouffée en champ libre.La troisième méthode sépare la problématique : le calcul de l’écoulement est effectué par les réseaux de neurones alors que le calcul de la dispersion est réalisé par la résolution de l’équation d’advection diffusion pour le suivi de l’évolution d’un nuage autour d’un obstacle cylindrique. La simulation de cas tests non-appris avec des simulations CFD permet de valider les méthodes développées. Les temps de calcul mis en œuvre pour réaliser la dispersion sont en accord avec la cinétique d’une situation de crise. L’application à des données réelles doit être développée dans la perspective de rendre les modèles opérationnels.

Atmospheric dispersion of hazardous materials is an event that could lead to serious consequences. Atmospheric dispersion is studied in particular in this work. Modeling of atmospheric dispersion is an important tool to anticipate industrial accidents. The objective of this work was to develop a model that is both fast and accurate, considering the dispersion in the near field on an industrial site. The approach developed is based on models from artificial intelligence: neural networks and cellular automata. Using neural networks requires training a database typical of the phenomenon, CFD k-ϵ simulations in this work. Training the neural network is carried out by identifying the important parameters: database sampling and network architecture. Three methodologies are developed:The first method estimates the continuous dispersion in free field by neural networks.The second method uses the neural network as a transition rule of the cellular automaton to estimate puff evolution in the free field.The third method divides the problem: the flow calculation is performed by the neural network and the calculation of the dispersion is realized by solving the advection diffusion equation to estimate the evolution of a cloud around a cylindrical obstacle. For the three methods, assessment of the generalization capabilities of the neural network has been validated on a test database and on unlearned cases. A comparison between developed method and CFD simulations is done on unlearned cases in order to validate them. Simulations computing time are low according to crisis duration. Application to real data should be developed to make these models operational.