Émuler la dynamique des particules ultrafines par apprentissage automatique

Emulating ultrafine particle dynamics with machine learning

• Auteur / Autrice : Oscar Jacquot
• Direction : Karine Kata sartelet
• Type : Projet de thèse
• Discipline(s) : Sciences et Techniques de l'Environnement
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement
• Partenaire(s) de recherche : Laboratoire : CEREA

Mots clés

Mots clés libres

Modelisation

Aerosols

Apprentissage automatique

Particules ultrafines

Atmosphere

Modeling

Aerosols

Machine learning

Ultrafine particles

Atmosphere

Résumé

L'objectif de cette thèse est de représenter la dynamique de la concentration en nombre des particules ultrafines en granulométrie et en temps, par le biais de méthodes d'apprentissage automatique. Le modèle déterministe SSH-aerosol servira de support à l'apprentissage, et sera utilisé pour générer des simulations qui permettront d'entrainer le nouveau modèle. Les performances de ce modèle seront un indicateur de la capacité des méthodes employées à réduire la dynamique des aérosols. Les économies en ressources numériques permises par ce modèle contribuerons à améliorer les prévisions de la qualité de l'air, à coûts numériques fixés.

This thesis aims at emulating ultrafine aerosol dynamics in both size and time domains, using machine learning techniques. SSH-aerosol, a deterministic model, will be used to generate simulations, providing the data required to train the new model. The model performances will give an indication on the ability of selected methods to reduce aerosol dynamics. Numerical ressources gains enabled by the model will contribute to improving air quality forecasting skills, at a given computing power.