Méthodes d'Intelligence Artificielle appliquées à l'analyse des états de mer en zone côtière

Machine Learning Methods for the Analysis of Coastal Sea States

• Auteur / Autrice : Jannik Kühn
• Direction : Stephane Abadie, Volker Roeber
• Type : Projet de thèse
• Discipline(s) : Géosciences
• Date : Inscription en doctorat le 25/08/2021
• Etablissement(s) : Pau
• Ecole(s) doctorale(s) : École doctorale sciences exactes et leurs applications (Pau, Pyrénées Atlantiques ; 1995-)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences pour l'Ingénieur Appliquées à la Mécanique et au génie électrique

Mots clés

Mots clés libres

Intelligence Artificielle

Étude des côtes

Vagues en zone côtière

Modéles numériques

Machine Learning

Coastal Engineering

Coastal Ocean Waves

Numerical modeling

Résumé

Des prévisions de vagues précises sont essentielles pour de nombreuses communautés côtières, car elles contribuent à assurer la sécurité des opérations maritimes, la prévention des risques côtiers, ou encore les activités nautiques de loisir. Bien que des prévisions fiables existent aux échelles globales à régionales, les prévisions locales de haute résolution font souvent défaut en raison de leur coût de calcul élevés. Cependant, les récentes avancées en apprentissage automatique ont permis de développer plusieurs approches prometteuses permettant de réduire considérablement le temps de calcul des prévisions. Cette thèse étudie l'une de ces approches d'apprentissage automatique, nommée super-résolution, qui a déjà été employée avec succès pour accélérer les calculs dans le domaine de la mécanique des fluides. Le concept consiste à utiliser un modèle numérique sur un maillage de basse résolution, puis à convertir les résultats en une résolution plus élevée à l'aide d'un modèle d'apprentissage automatique entraîné, évitant ainsi de lourds calculs numériques en haute résolution. Ce travail analyse la faisabilité d'une approche de super-résolution appliquée aux prévisions de vagues en zone côtière. La première partie de cette thèse présente une étude conceptuelle de la méthode de super-résolution appliquée aux résultats d'un modèle spectral de vagues avec maillage structuré. Cette étude démontre qu'une telle approche peut accélérer les prévisions jusqu'à 50 fois par rapport à un calcul direct en haute résolution, avec une erreur négligeable devant celles habituellement observées pour le modèle. La deuxième partie de cette thèse étend la méthode aux maillages non structurés, analysant l'influence des conditions bathymétriques et des régimes énergétiques différents fournis par une simulation rétrospective des états de mer au large de la côte basque. Il est constaté que les réseaux de neurones en graphes et les régressions polynomiales sont deux approches prometteuses, la première étant plus adaptée à des champs de vagues très variables et la seconde à des contextes où le critère de rapidité est essentiel. Une troisième partie de la thèse est consacrée à l'application de la méthode aux spectres de vagues. Bien qu'il soit complexe d'évaluer le meilleur des quatre modèles testés, les résultats suggèrent que la super-résolution est capable de fournir des prédictions précises et rapides des spectres simulés à haute résolution en différents point distribués à travers la zone d'étude.

Precise wave forecasts are essential for many coastal communities as they help ensuring safe maritime operations, mitigation of coastal hazards, and the enjoyment of marine recreation. While a reliable global forecast coverage does exist, local, high-resolution forecasts are often not available in many areas due to a significant computational demand. However, recent advances in machine learning have produced several promising approaches to drastically reduce forecast computation time. This thesis investigates one such machine learning approach called super-resolution, that was already successfully employed to speed up computations in fluid mechanics. The concept involves using a numerical model over a mesh with coarse resolution and then converting the results to a higher resolution using a trained machine learning model, thereby avoiding heavy computations in high resolution. This thesis examines the feasibility of the super-resolution approach for coastal wave forecasts. The first part of the thesis presents a proof-of-concept study on data-driven super-resolution, using results from a spectral wave model over a structured grid. It demonstrates that this approach can accelerate forecasts by up to 50 times compared to a direct high-resolution computation, with a negligible loss in accuracy. The second part extends this method to unstructured meshes, analyzing the influence of bathymetry and wave energy conditions through a hindcast along the Basque coast. It is found that graph neural networks and polynomial regressions are promising approaches, where the former is suited for highly variable wave fields and the latter for scenarios where speed is paramount. A third part extends the application of super-resolution to wave spectra directly. Despite challenges in evaluating the best model among four tested options, the results suggest that data-driven super-resolution can provide accurate and fast predictions of spatially distributed wave spectra with an accuracy comparable to high-resolution wave model computations.