Lois de Paroi à Apprentissage Profond pour Simulations Aérodynamiques

Deep Wall Models for Aerodynamic Simulations

• Auteur / Autrice : Michele Romanelli
• Direction : Heloïse Beaugendre, Michel Bergmann
• Type : Projet de thèse
• Discipline(s) : Mathématiques appliquées et calcul scientifique
• Date : Inscription en doctorat le 29/10/2021
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique
• Partenaire(s) de recherche : Laboratoire : IMB - Institut de Mathématiques de Bordeaux
• Partenaire(s) de recherche : Equipe de recherche : Calcul Scientifique et Modélisation

Mots clés

Mots clés libres

Turbulence

Aérodynamique

Cfd

Apprentissage Automatique

Lois de paroi

Cfd

Turbulence

Aerodynamic

Wall models

Machine Learning

Résumé

La modélisation du comportement près des parois, et donc la recherche de modèles de paroi rapides et précis, est devenue l'un des principaux défis de la CFD moderne. La thèse se concentre sur le développement de nouveaux modèles de paroi, obtenus à partir de réseaux de neurones entraînés par des données issues de simulations résolues à la paroi. L'objectif de la thèse est d'explorer et d'implémenter différentes approches d'apprentissage automatique pour traiter ce sujet. Les nouveaux modèles obtenus visent à une meilleure modélisation des configurations à fort gradient de pression, ce qui d'avoir recours à de la WMLES ou encore aux Immersed Boundary Methods (IBM) dans des configurations qui ne le permettent pas aujourd'hui en raison du manque de précision des modèles existants.

The modeling of near-wall behavior, and thus the search for fast and accurate wall models, has become one of the main challenges of modern CFD. The thesis focuses on the development of new wall models, obtained from neural networks trained by data from wall resolved simulations. The purpose of the thesis is to explore and implement different machine learning approaches to address the subject. The new models obtained aim at a better modeling of high pressure gradient configurations, which would allow the use of WMLES or Immersed Boundary Methods (IBM) in configurations that do not allow it today due to the lack of accuracy of existing models.