Identification de sources de bruit à l'aide de réseaux de neurones géométriques

Airfoil noise sources identification using geometric deep learning

• Auteur / Autrice : Enrico Foglia
• Direction : Thierry Jardin, Stéphane Moreau
• Type : Projet de thèse
• Discipline(s) : Dynamique des fluides
• Date : Inscription en doctorat le 02/10/2023
• Etablissement(s) : Toulouse, ISAE en cotutelle avec Université de Sherbrooke
• Ecole(s) doctorale(s) : École doctorale Mécanique, énergétique, génie civil et procédés
• Partenaire(s) de recherche : Laboratoire : ISAE-ONERA EDyF Energétique et Dynamique des Fluides
• Partenaire(s) de recherche : Equipe de recherche : ISAE/DAEP Département Aérodynamique Energétique Propulsion

Mots clés

Mots clés libres

Aeroacoustique

Réseaux des neurones

Apprentissage automatique

Dynamique des fluides

Aeroacousitcs

Neural networks

Machine learning

Fluid dynamics

Résumé

Les émissions sonores dans les profils aérodynamiques isolés sont dues à des phénomènes physiques complexes qui nécessitent des simulations avec un haut coût computationnel pour être correctement compris. Or, les réglementations environnementales de plus en plus strictes obligent les entreprises aérospatiales à commencer à évaluer les émissions sonores dès les premières étapes de la conception, alors que les paramètres géométriques ne sont que partiellement définis et qu'ils changent constamment, ce qui rend le coût des simulations numériques détaillées insupportable en termes de temps et de ressources. L'utilisation de techniques d'apprentissage profond (deep learning) qui exploitent les informations géométriques des données d'entrée, appelées apprentissage profond géométrique ou apprentissage sur des variétés, pourrait contribuer à résoudre ce problème tout en apportant de nouvelles perspectives sur la physique des écoulements.

Noise emissions in isolated airfoils stem from complex physical phenomena which require computationally intensive simulations to be correctly captured. However, increasing environmental regulations require aerospace companies to start introducing noise emission evaluations early on in the design stage, when geometrical parameters are only partially defined and constantly changing; this in turn renders the cost if detailed numerical simulations unbearable in terms of time and resources. The use of deep learning techniques that leverage geometric information in the input data, called geometric deep learning or learning in manifolds, could help ease this problem while at the same time provide new insight into the flow physics.