Apports de l'Intelligence Artificielle pour les écoulements gravitaires

Contribution of Artificial Intelligence to gravity flows

• Auteur / Autrice : Mickaël Delcey
• Direction : Sébastien Kiesgen de richter, Yoann Cheny
• Type : Projet de thèse
• Discipline(s) : Énergie et Mécanique
• Date : Soutenance en 2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : SIMPPÉ - SCIENCES ET INGENIERIES DES MOLECULES, DES PRODUITS, DES PROCEDES ET DE L'ÉNERGIE
• Partenaire(s) de recherche : Laboratoire : LEMTA - Laboratoire Energies & Mécanique Théorique et Appliquée
• Partenaire(s) de recherche : Equipe de recherche : Groupe Milieux Fluides Rhéophysique
• Jury : Président / Présidente : Elisabeth Lemaire
• Jury : Examinateurs / Examinatrices : Sébastien Kiesgen de richter, Paola Cinnella, Stéphane Chrétien, Yoann Cheny, Francky Luddens
• Jury : Rapporteurs / Rapporteuses : Paola Cinnella, Stéphane Chrétien

Mots clés

Mots clés libres

Courants de gravité

Apprentissage profond

Mélange turbulent

Turbulent mixing

Gravity currents

Deep learning

Résumé

Cette thèse explore l'application de l'intelligence artificielle aux écoulements gravitaires, en se concentrant sur trois types d'écoulements majeurs : les courants de gravité, le processus de sédimentation et l'effondrement d'une colonne de grains. Tous ces écoulements sont analysés en utilisant les équations de Navier-Stokes dans une approche continue. L'objectif principal de cette thèse est d'exploiter les réseaux de neurones, informés par la physique, pour reconstruire le champ hydrodynamique de ces écoulements à partir de données limitées. De manière significative, cette méthode a permis d'identifier des paramètres essentiels du modèle physique, tels que la vitesse de sédimentation. Cette recherche offre un potentiel considérable pour améliorer notre compréhension et notre capacité à prédire les écoulements gravitaires grâce à l'intégration de l'intelligence artificielle et des principes de la physique.

In this thesis, we investigate the application of artificial intelligence to gravitational flows, focusing on three primary types of flows: gravity currents, sedimentation processes, and the collapse of a column of grains. All these flows are analyzed using the Navier-Stokes equations within a continuous approach. The primary objective of this thesis is to harness physics-informed neural networks to reconstruct the hydrodynamic field of these flows from limited data. Importantly, this method has successfully identified crucial parameters of the physical model, such as the sedimentation velocity. This research holds significant potential for enhancing our understanding and predictive capabilities in gravitational flows through the integration of artificial intelligence and principles of physics.