Thèse soutenue

Application de l’apprentissage profond à la modélisation de la combustion turbulente avec prise en compte de combustibles aéronautiques réels pour la prédiction des émissions de particules

FR  |  
EN
Auteur / Autrice : Andréa Seltz
Direction : Luc VervischPascale Domingo
Type : Thèse de doctorat
Discipline(s) : Energétique
Date : Soutenance le 30/09/2020
Etablissement(s) : Normandie
Ecole(s) doctorale(s) : École doctorale physique, sciences de l’ingénieur, matériaux, énergie (Saint-Etienne du Rouvray, Seine Maritime)
Partenaire(s) de recherche : Université de préparation : Institut national des sciences appliquées Rouen Normandie (Saint-Etienne-du-Rouvray ; 1985-....)
Laboratoire : Complexe de recherche interprofessionnel en aérothermochimie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1967-....)
Jury : Président / Présidente : Frédéric Grisch
Examinateurs / Examinatrices : Luc Vervisch, Pascale Domingo, Olivier Gicquel, Olivier Colin, Alain Cayre
Rapporteurs / Rapporteuses : Olivier Gicquel, Olivier Colin

Résumé

FR  |  
EN

Face à l'urgence climatique, l’efficacité énergétique et la réduction des émissions polluantes est devenue une priorité pour l'industrie aéronautique. La précision de la modélisation des phénomènes physicochimiques joue un rôle critique dans qualité de la prédiction des émissions de suie et des gaz à effet de serre par les chambres de combustion. Dans ce contexte, des méthodes d’apprentissage profond sont utilisées pour construire des modélisations avancées des émissions de particules. Une méthode automatisée de réduction et d’optimisation de la cinétique chimique d’un combustible aéronautique réel est dans un premier temps appliquée à la simulation aux grandes échelles pour la prédiction des émissions de monoxyde de carbone. Ensuite, des réseaux de neurones sont entraînés pour simuler le comportement dynamique des suies dans la chambre de combustion et prédire la distribution de taille des particules émises.