Simulation et contrôle d'écoulements bistables par de l'intelligence artificielle

Simulation and control of bistable flows with AI

• Auteur / Autrice : Nicolas Lepage
• Direction : Iraj Mortazavi, Nicolas Thome
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Mathématiques appliquées
• Date : Inscription en doctorat le 10/10/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : M2N - Modélisation mathématique et numérique
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France)

Mots clés

Mots clés libres

Apprentissage profond

Apprentissage par renforcement

Mécanique des fluides numérique

Méthode des éléments finis

Réduction de modèle

Deep learning

Reinforcement learning

Computational fluid dynamics

Finite element method

Reduced order model

Résumé

De nombreuses applications en aérodynamique présentent des bifurcations en fourche qui peuvent être préjudiciables à l'objet étudié en raison de l'apparition d'états d'écoulement bistables asymétriques. Par exemple, dans le secteur de la construction de camions, un sillage dissymétrique induit une augmentation de la traînée. Sur un avion de chasse, à des angles d'attaque élevés, un état tourbillonnaire dissymétrique au niveau du nez peut déclencher un moment de lacet qui peut déstabiliser l'avion. L'écoulement sur le pont d'un porte-hélicoptères présente des états tourbillonnaires dissymétriques qui peuvent poser des problèmes de sécurité à l'atterrissage et au décollage. Il est donc très intéressant de développer des outils avancés qui estiment la symétrie de l'écoulement à partir de mesures de parois éparses et qui déclenchent un état symétrique en contrôlant les structures d'écoulement turbulent asymétriques à grande échelle. Une configuration académique simple qui reproduit les principales caractéristiques des applications mentionnées ci-dessus est un écoulement de diffuseur soumis à un bruit en amont. Cet écoulement subit des commutations erratiques à basse fréquence de solutions de haut en bas. L'objectif est de maintenir l'écoulement dans l'état symétrique avec un capteur de paroi et un actionneur. L'objectif de la thèse est de développer des outils d'apprentissage automatique pour modéliser, réduire et contrôler de telles configurations d'écoulement. La dynamique est fortement non linéaire en raison des fluctuations de grande amplitude, ce qui exclut les approches linéaires de modélisation et de contrôle. Les stratégies d'apprentissage automatique basées sur les données sont de bons candidats pour s'attaquer à de tels problèmes, en particulier les techniques d'apprentissage par renforcement (RL). La littérature montre que l'apprentissage par renforcement peut fournir des performances impressionnantes pour contrôler des systèmes dynamiques de faible dimension (par exemple dans le domaine de la robotique, voir par exemple). Les stratégies d'apprentissage par renforcement ont également été appliquées avec succès à des problèmes de fluides simples.

Many applications in aerodynamics exhibit pitchfork bifurcations that may be detrimental to the object due to the appearance of asymmetric bistable flow states. For example, a dissymmetric wake induces increased drag in the truck building industry. On a fighter aircraft at high angles of attack, a dissymmetric vortex state at the nose may trigger a yawing moment that can destabilize the aircraft. The flow on a helicopter carrier deck exhibits dissymmetric vortical states that may pose security issues at landing/take-off. It is therefore of high interest to develop advanced tools that estimate the symmetry of the flow from sparse wall measurements and that trigger a symmetric state by controlling the large-scale turbulent asymmetric flow structures. A simple academic configuration that reproduces the main characteristics of the above-mentioned applications is a diffuser flow subject to upstream noise. This flow undergoes erratic low-frequency switches from top to bottom solutions. The objective is to maintain the flow in a symmetric state with a wall sensor and an actuator. The objective of the thesis is to develop machine learning tools to model, reduce and control such flow configurations. The dynamics are strongly nonlinear due to the large amplitude fluctuations, which rules out linear modelling and control approaches. Data-driven machine-learning strategies are good candidates to tackle such problems, in particular Reinforcement Learning (RL) techniques. The literature shows that RL may provide impressive performances to control low-dimensional dynamical systems (e.g. in the field of robotics, see for instance). RL strategies have also been successfully applied to simple fluid problems.