Quantification d’incertitudes pour la dispersion turbulente de polluants liés au trafic routier à l'échelle micro-urbaine

Uncertainty quantification for traffic-related turbulent pollutant dispersion at the urban microscale

• Auteur / Autrice : Mathis Pasquier
• Direction : Pierre Sagaut
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur : spécialité Mécanique et Physique des Fluides
• Date : Soutenance en 2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur : Mécanique, Physique, Micro et Nanoélectronique (Marseille)
• Partenaire(s) de recherche : Laboratoire : M2P2 - Laboratoire de Mécanique, Modélisation et Procédés Propres
• Partenaire(s) de recherche : Equipe de recherche : Instabilités Hydrodynamiques et Turbulence
• Jury : Président / Présidente : Lionel Soulhac
• Jury : Examinateurs / Examinatrices : Pierre Sagaut, Mathias J. Krause, Stéphane Jay, Mélanie Rochoux, Maria-Vittoria Salvetti
• Jury : Rapporteur / Rapporteuse : Mathias J. Krause, Mélanie Rochoux

Mots clés

Mots clés libres

Lattice-Boltzmann

Écoulements urbains

Émissions du trafic routier

Méta-modélisation

Analyse de sensibilité globale

Lattice-Boltzmann

Urban flows

Road traffic emissions

Metamodeling

Global sensitivity analysis

Résumé

Le trafic routier contribue significativement aux émissions urbaines de NOx et à la dégradation de la qualité de l'air, ce qui constitue un problème de santé publique. La simulation numérique est un outil stratégique pour le contrôle de la qualité de l'air, et les modèles haute-fidélité basés sur la mécanique des fluides numérique (CFD) permettent une meilleure compréhension physique de la dispersion atmosphérique de polluants, à un coût de plus en plus abordable. Cependant, les incertitudes aléatoires associées aux phénomènes naturels et humains compromettent les capacités prédictives de tels modèles. Dans cette thèse, nous abordons l'évaluation quantitative de l'importance relative des incertitudes aléatoires liées à la météorologie et au trafic dans des simulations CFD haute-fidélité de la pollution atmosphérique induite par les émissions routières à l'échelle micro-urbaine. Dans la première partie de ce travail, nous construisons une chaîne de modélisation en couplant le code open-source OpenLB, qui emploie la méthode de Boltzmann sur réseau, avec le simulateur de trafic microscopique SUMO et un modèle de moteur physique afin de calculer des émissions routières réalistes et simuler la dispersion de polluants associée dans des écoulements urbains fortement turbulents. Nous proposons une stratégie pour résoudre les problèmes de stabilité du code OpenLB pour les écoulements à haut Reynolds avec transport de scalaire passif en présentant un nouvel opérateur de collision stable pour l'advection-diffusion. Le code est validé avec succès sur des cas académiques de complexité croissante et les émissions stationnaires non-uniformes estimées avec la chaîne de modélisation complète sont utilisées pour obtenir des cartographies spatiales bidimensionelles de concentration de polluant dans un quartier urbain réaliste. Cette étude présente une des premières applications d'OpenLB à la simulation de dispersion turbulente de scalaire passif en géométrie complexe. La seconde partie de ce travail présente la construction d'un cadre de quantification d'incertitudes pour des analyses de sensibilité globales basées sur la variance des sorties fonctionnelles de la chaîne de modélisation coûteuse. Pour ce faire, nous comparons deux méthodes disponibles pour construire des modèles de substitution pour sorties fonctionnelles, une première basée sur la décomposition orthogonale propre couplée à la régression par processus gaussiens (POD-GPR) et une seconde, dénommée c-APK, appliquant la POD-GPR aux termes d'une décomposition ANOVA de la quantité d'intérêt. Nous montrons que la c-APK n'est pas robuste au bruit associé aux erreurs de convergence statistique dans les données d'entraînement obtenues avec la chaîne de modélisation. Nous utilisons donc la POD-GPR pour construire des métamodèles pour les champs de concentration moyennée temporellement et de probabilité de dépassement de seuil sur le cas de dispersion en géométrie réaliste. Enfin, ces métamodèles sont utilisés pour construire des cartes d'indices de Sobol' pour l'analyse de sensibilité avec 2 variables incertaines météorologiques et 3 variables liées au trafic routier.

Road traffic accounts for a significant part of the NOx emissions in urban areas and contributes to the degradation of air quality, which stands as a major public health issue. Numerical simulation is a strategic tool for air quality monitoring and high-fidelity models based on computational fluid dynamics (CFD) allow for a deeper physical understanding of atmospheric dispersion with increasingly affordable computational cost. However the existence of aleatory uncertainties in natural and human phenomena compromises the predictive capability of such models. In this thesis we address the quantitative evaluation of the relative importance of meteorological and traffic-related aleatory uncertainties in high-fidelity road pollution dispersion CFD simulations at the urban microscale. In the first part of this work, we construct a modeling chain coupling the Lattice-Boltzmann open-source code OpenLB with the microscopic traffic model SUMO and a physical engine emissions model to simulate highly turbulent urban flows with traffic-related pollutant dispersion. We propose a strategy to overcome the stability deficiencies of OpenLB for high-Reynolds flows with passive scalar transport and introduce a new stable recursive regularized collision kernel for the advection-diffusion equation. The code is successfully validated on academic reference cases of increasing complexity and the stationary non-uniform road emissions estimated with the full modeling chain are used to compute two-dimensional spatial pollutant concentration maps in a realistic urban neighbourhood. This study provides one of the first applications of OpenLB to highly-turbulent scalar dispersion in complex urban geometries. The second part of this work focuses on the construction of an appropriate uncertainty quantification (UQ) framework for variance-based global sensitivity analyses (GSA) applied to functional outputs obtained with the expensive CFD-based modeling chain. To this end, we compare two available surrogate modeling methods for functional outputs, the former based on proper orthogonal decomposition with gaussian process regression (POD-GPR) and the latter based on an anchored-ANOVA decomposition of the quantity of interest with POD-GPR approximation of the expansion terms, referred to as the c-APK. We show that the c-APK is not robust enough to the noise associated to convergence errors in the training data obtained with the modeling chain. Thus we apply the POD-GPR to construct metamodels for quantities of interest defined as the time-averaged concentration and level-crossing probability on the aforementioned realistic dispersion case. Last, these metamodels are used to construct Sobol' indices maps for GSA with 2 meteorological and 3 traffic-related uncertain variables.