assimilation de données pour la réduction et la calibration de modèles de transport turbulent pour la fusion par confinement magnétique

data assimilation for the reduction and the calibration of turbulent transport models for magnetic confinement fusion

• Auteur / Autrice : Louis Lamerand
• Direction : Didier Auroux, Francesca Rapetti
• Type : Projet de thèse
• Discipline(s) : Doctorat mathematiques
• Date : Inscription en doctorat le 15/09/2020
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences fondamentales et appliquées
• Partenaire(s) de recherche : Laboratoire : LJAD - Laboratoire Jean-Alexandre Dieudonné

Mots clés

Mots clés libres

Assimilation de données

Plasmas de Fusion

Identification de paramètres

Réduction de modèle

Simulation numérique

Data Assimilation

Fusion plasmas

Parameter identification

Model reduction

Numerical Simulation

Résumé

Ce projet s'inscrit dans le cadre d'un projet ANR financé à partir de 2020 en partenariat avec l'Ecole Centrale Marseille et le CEA à Cadarache, dans le cadre d'ITER. Les tokamaks sont des machines expérimentales conçues pour démontrer la faisabilité de produire de l'énergie par fusion nucléaire. ITER, en cours de construction, sera la plus grande machine de ce type au monde, avec un objectif de produire 500MW d'énergie de fusion. L'extraction de cette énergie, principalement transportée par la turbulence au sein du plasma depuis le coeur de la machine jusqu'aux parois, représente encore un défi à scientifique et technologique à surmonter pour garantir le plein succès d'ITER. La modélisation numérique et les simulations sont des outils majeurs qui devront permettre de définir les points de fonctionnement optimaux de la machine durant son opération, permettant ainsi d'atteindre les conditions de fusion thermonucléaire au coeur du plasma tout en assurant des flux de chaleur aux parois en deçà des contraintes technologiques imposées par les matériaux. Les temps de restitution courts ainsi que la très large gamme de paramètres physique à explorer nécessitent le développement de modèles réduits au sein desquels un certain nombre de paramètres libres restent à calibrer et à optimiser afin de reproduire les phénomènes physiques attendus. Ce projet de thèse consiste à utiliser des techniques d'assimilation de données, très classiques en météorologie notamment, mais novatrices dans le domaine de la fusion par confinement magnétique, afin que la simulation numérique de ces modèles réduits soit la plus prédictive possible en s'approchant des données expérimentales disponibles.

This project is part of an ANR project funded from 2020 in partnership with the Ecole Centrale Marseille and the CEA in Cadarache, as part of ITER. Tokamaks are experimental machines designed to demonstrate the feasibility of producing energy by nuclear fusion. ITER, under construction, will be the largest machine of its kind in the world, with a goal of producing 500MW of fusion energy. The extraction of this energy, mainly transported by turbulence in the plasma from the heart of the machine to the walls, still represents a scientific and technological challenge to overcome to guarantee the full success of ITER. Numerical modeling and simulations are major tools which should make it possible to define the optimal operating points of the machine during its operation, thus making it possible to reach the thermonuclear fusion conditions at the heart of the plasma while ensuring heat flows to the walls below the technological constraints imposed by the materials. The short restitution times as well as the very wide range of physical parameters to explore require the development of reduced models within which a certain number of free parameters remain to be calibrated and optimized in order to reproduce the expected physical phenomena. This thesis project consists in using data assimilation techniques, very classic in meteorology in particular, but innovative in the field of fusion by magnetic confinement, so that the numerical simulation of these reduced models is as predictive as possible, approaching available experimental data.