Apprentissage automatique appliqué au calcul des termes sources chimiques pour la simulation d'écoulements réactifs

Machine learning applied to the computation of chemical source terms in reacting flows

• Auteur / Autrice : Xi Chen
• Direction : Florent Di Meglio
• Type : Thèse de doctorat
• Discipline(s) : Mathématique et automatique
• Date : Soutenance le 22/01/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre automatique et systèmes (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Mathilde Mougeot
• Jury : Examinateurs / Examinatrices : Florent Di Meglio, Alessandro Parente, Luc Vervisch, Cédric Mehl, Luis Fernando Figueira da Silva
• Jury : Rapporteur / Rapporteuse : Alessandro Parente, Luc Vervisch

Mots clés

Mots clés contrôlés

Modélisation CFD

Apprentissage automatique

Cinétique chimique

Combustion

Mots clés libres

Apprentissage automatique

Cinétique chimique

CFD

Combustion

Chemical kinetics

Combustion

Machine Learning

CFD

Résumé

Cette thèse porte sur l'accélération des calculs de cinétique chimique dans les simulations de CFD en s'appuyant sur des méthodes d'apprentissage automatique. Le principe consiste à remplacer la résolution de la chimie dans les calculs par un modèle d'apprentissage équivalent, dont l'évaluation est beaucoup plus rapide que la résolution du système original d'équations différentielles. Les travaux de thèse se concentrent d'abord sur l'étude de cas de combustion simplifiés (système 0-dimensionnel sans termes de transport). Nous proposons un cadre de traitement des données permettant la construction d'un modèle substitutif précis. Nous fournissons une comparaison approfondie entre la résolution de base et la résolution reposant sur le modèle appris. Ensuite, des modèles combinés à des techniques de réduction de dimension sont développés et appliqués à des cas de chimie complexe, constituant une première étape vers des approches de réduction de dimension plus avancées. Enfin, notre approche est appliquée à un cas multidimensionnel avec des termes de transport, incluant notamment la turbulence.

This thesis deals with the acceleration of chemical kinetics calculations in CFD simulations by relying of machine learning methods. The principle is to replace the resolution of the chemistry in the calculations by an equivalent machine learning model, whose evaluation is much faster than the resolution of the original system of differential equations. The thesis work first focuses on the study of simplified combustion cases (0-dimensional system without transport terms). We propose a data processing framework enabling the construction of an accurate surrogate model. We provide an in-depth comparison between the baseline resolution and the resolution relying on the learned model. Then, models combined with dimension reduction technique are developed and applied to complex chemistry cases, providing a first step towards more advanced dimension reduction approaches. Finally, our approach is applied to a multidimensional case with transport terms, notably including turbulence.