Thèse soutenue

Exploration de l'apprentissage automatique pour le développement de fonctions pariétales RANS pour les couches-limites turbulentes hors-équilibre
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Erwan Rondeaux
Direction : Christian AngelbergerAdèle PoubeauMiguel Munoz Zuniga
Type : Thèse de doctorat
Discipline(s) : Mécanique des fluides
Date : Soutenance le 13/12/2022
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
Partenaire(s) de recherche : Laboratoire : Institut français du pétrole Énergies nouvelles (Rueil-Malmaison, Hauts-de-Seine)
référent : CentraleSupélec (2015-....)
graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
Jury : Président / Présidente : Rémi Manceau
Examinateurs / Examinatrices : Vincent Moureau, Franck Nicoud, Bérengère Podvin
Rapporteurs / Rapporteuses : Vincent Moureau, Franck Nicoud

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Cette thèse s'intéresse à la modélisation des écoulements turbulents pariétaux hors-équilibre enRANS par des approches fonctions pariétales. Les fonctions pariétales permettent de s'affranchir de la résolution d'une partie de la couche-limite et ainsi de baisser le coût de simulation. Elles sont principalement basées sur des relations algébriques dérivées de la law-of-the-wall et peuvent entraîner des erreurs dans les écoulements présentant des couches-limites hors-équilibre. Dans ce travail, des algorithmes d'apprentissage automatique sont utilisés pour étendre la validité des fonctions pariétales. Une stratégie de développement de fonctions pariétales basées sur l'apprentissage automatique (MLWF, pour Machine Learning Wall Function) est développée. L'idée de base est d'extraire la relation entre l'écoulement moyen et le frottement pariétal à partir de données haute-fidélité à l'aide d'un réseau de neurones, et d'utiliser celui-ci à la place des relations algébriques dérivées de la law-of-the-wall. Ceci permet de relaxer certaines des limitations majeures induites par la law-of-the-wall, tout en gardant la même structure globale que les fonctions pariétales standard, facilitant ainsi l'intégration dans un solveur CFD. La méthodologie est développée de sorte à permettre à l'algorithme d'une part de tenir compte des effets hors-équilibre, et d'autre part pour le rendre agnostique à la mise en données, notamment par le biais du choix et du pré-traitement des variables d'entrée et de sortie. Le potentiel de cette approche est exploré sur trois écoulements de référence : une conduite obstruée par une colline, un cas de jet impactant et une marche descendante. L'approche MLWF est appliquée pour formuler trois fonctions pariétales, spécifiques à chaque configuration. Les performances de ces modèles sont évaluées a priori à la fin de l'entraînement, mais également a posteriori, en les couplant au solveur CFD CONVERGE. Les limitations inhérentes à l'usage d'algorithmes d'apprentissage automatique en CFD sontégalement explorées, et permettent d'identifier notamment le besoin d'améliorer la consistance des variables d'entrée, ainsi que la généralisabilité de l'approche.