Approches RBF-FD pour la modélisation de la pollution atmosphérique urbaine et l'estimation de sources

RBF-FD approaches for modelling urban air pollution and source estimation

• Auteur / Autrice : Roman Lopez Ferber
• Direction : Didier Georges, Sylvain Leirens
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance le 31/01/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'électronique et de technologie de l'information (Grenoble ; 1967-....)
• Jury : Président / Présidente : Gildas Besançon
• Jury : Examinateurs / Examinatrices : Patrick Armand
• Jury : Rapporteurs / Rapporteuses : Isabelle Calmet, Laurent Autrique

Mots clés

Mots clés contrôlés

Kalman, Filtrage de

Fonctions à base radiale

Réseaux de capteurs (technologie)

Pollution atmosphérique

Mots clés libres

Estimation de terme source

Modélisation de la pollution atmosphérique

Rbf-Fd

Réseau de capteurs

Source term estimation

Air pollution modelling

Rbf-Fd

Sensor network

Résumé

Depuis l'ère industrielle, les villes sont impactées par la pollution de l'air du fait de la densité de l'industrie, de la circulation de véhicules et de la densité d'appareils de chauffage à combustion. La pollution atmosphérique urbaine a des conséquences sur la santé auxquelles les pouvoirs publics et les citoyens s'intéressent toujours plus. Cette pollution peut entraîner l'aggravation de l'asthme ou encore de troubles cardiovasculaires.Le but de ce travail de thèse est de localiser et de quantifier des sources de pollution urbaine à l'aide d'un réseau dense de mesures bruitées. Nous avons fait le choix de développer des méthodes d'estimation de sources de pollution en se basant sur des modèles physiques de dispersion de polluants. Ainsi l'estimation de sources de pollution est contrainte par la connaissance de la physique du phénomène de dispersion.Ce travail de thèse porte ainsi sur la modélisation numérique de la dispersion de polluants en milieu urbain et sur l'estimation des termes sources.À cause des nombreuses contraintes qu'impose le bâti urbain aux flux de polluants, la physique de dispersion est représentée par des modèles numériques coûteux en calcul.Nous avons développé un modèle numérique de dispersion basé sur la méthode des Différences Finies supportées par des Fonctions de Bases Radiales (RBF-FD). Ces approches sont réputées frugales en calcul et adaptées au traitement de domaines de simulation à géométrie complexe. Notre modèle RBF-FD peut traiter des problèmes bidimensionnels (2D) et tridimensionnels (3D). Nous avons comparé cette modélisation face à un modèle analytique en 2D, et avons qualitativement comparé notre modèle en 3D à un modèle numérique de référence.Des expériences d'estimations de source ont ensuite été réalisées. Elles considèrent de nombreuses mesures bruitées pour estimer un terme source quelconque sur tout le domaine de simulation. Les différentes études effectuées mettent en oe uvre des expériences jumelles : nous générons nous-même des mesures simulées par un modèle numérique et évaluons les performances des estimations. Après avoir testé une approche d'apprentissage automatique sur un cas unidimensionnel en régime stationnaire, nous avons testé des méthodes d'estimation de terme source sur des cas tridimensionnels en régime permanent et transitoire, en considérant des géométries sans et avec présence d'obstacles. Nous avons testé des estimations en utilisant une méthode adjointe originale puis une méthode originale d'estimation inspirée de l'apprentissage automatique informé de la physique (PIML) et enfin un filtre de Kalman. L'approche inspirée du PIML pour le moment testée en régime stationnaire conduit à une qualité d'estimation comparable au filtre de Kalman (où ce dernier considère un régime transitoire de dispersion à source stationnaire). L'approche inspirée du PIML exploite directement la frugalité du modèle direct de calcul RBF-FD, ce qui en fait une méthode prometteuse pour des estimations de source sur des domaines de calcul de grande taille.

Since the industrial era, cities have been affected by air pollution due to the density of industry, vehicle traffic and the density of combustion heaters. Urban air pollution has health consequences that are of increasing concern to both public authorities and the general public. This pollution can aggravate asthma and cardiovascular problems. The aim of this thesis is to locate and quantify sources of urban pollution using a dense network of noisy measurements. We have chosen to develop methods for estimating pollution sources based on physical models of pollutant dispersion. The estimation of pollution sources is therefore constrained by knowledge of the physics of the dispersion phenomenon. This thesis therefore focuses on the numerical modelling of pollutant dispersion in an urban environment and on the estimation of source terms.Because of the many constraints imposed on pollutant flows by urban buildings, the physics of dispersion is represented by computationally expensive numerical models.We have developed a numerical dispersion model based on the Finite Difference method supported by Radial Basis Functions (RBF-FD). These approaches are known to be computationally frugal and suitable for handling simulation domains with complex geometries. Our RBF-FD model can handle both two-dimensional (2D) and three-dimensional (3D) problems. We compared this model with a 2D analytical model, and qualitatively compared our 3D model with a reference numerical model.Source estimation experiments were then carried out. They consider numerous noisy measurements in order to estimate any source term over the entire simulation domain. The various studies carried out involve twin experiments: we ourselves generate measurements simulated by a numerical model and evaluate the performance of the estimates. After testing a machine-learning approach on a one-dimensional steady-state case, we tested source term estimation methods on three-dimensional steady-state and transient cases, considering geometries without and with the presence of obstacles. We tested estimates using an original adjoint method, then an original estimation method inspired by physics-informed machine learning (PIML) and finally a Kalman filter. The PIML-inspired approach, which is currently being tested in a stationary regime, produces an estimation quality comparable to that of the Kalman filter (where the latter considers a transient dispersion regime with a stationary source). The PIML-inspired approach directly exploits the frugality of the RBF-FD direct computation model, which makes it a promising method for source estimates over large computational domains.