Sur une stratégie de couplage modulaire pour le calcul hautes performances de problèmes multiphysiques

On a modular coupling strategy for high-performance computing of multiphysics problems

• Auteur / Autrice : Elise Foulatier
• Direction : Pierre-Alain Boucard, David Néron, François Louf
• Type : Projet de thèse
• Discipline(s) : Mécanique des solides et des structures
• Date : Inscription en doctorat le 01/09/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : LMPS - Laboratoire de Mécanique Paris-Saclay
• Partenaire(s) de recherche : Equipe de recherche : STAN - Sciences et techniques et mécanique numérique
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Problèmes multiphysiques

Réduction de modèles

Intelligence artificielle

Données

Multiphysics problems

Model reduction

Artificial intelligence

Data

Résumé

La modélisation et la simulation des problèmes multiphysiques (couplant aspects mécaniques, fluides, thermiques, chimiques, magnétostatique...) est un défi majeur pour construire des jumeaux numériques au plus près des systèmes réels qu'ils représentent. Ces jumeaux haute-fidélité servent pour prédire le comportement, évaluer la fiabilité, réaliser des maintenances prédictives, etc. Certaines approches sont matures pour résoudre ces problèmes, mais de très nombreux challenges restent à relever : construire des jumeaux numériques dans le cas de problèmes fortement couplés, utiliser des modèles optimisés pour chacune des physiques (discrétisations en temps et en espace), enrichir les modèles par des données (ces dernières pouvant compléter ou même se substituer à une des physiques) et enfin résoudre numériquement les modèles ainsi construits dans un délai compatible avec les contraintes d'analyse. Dans ce paysage, on pressent que les outils d'intelligence artificielle pourraient également être des ingrédients de choix qui méritent d'être investigués. C'est sur ce challenge que se concentre cette thèse dans le contexte du couplage de la mécanique des solides avec d'autres physiques, avec l'utilisation de réseaux de neurones potentiellement enrichis par la physique, fort des méthodes développées au LMPS qui arrivent à maturité et qui permettent de se confronter à un tel challenge. De plus, la thèse est en lien avec les enjeux de la transition écologique pour le développement soutenable (TEDS) en proposant de développer des outils de simulations multiphysiques ayant pour but de réduire l'impact environnemental de la conception et de la maintenance des systèmes mettant en œuvre plusieurs physiques fortement couplées.

Modeling and simulating multiphysics problems (involving mechanical, fluid, thermal, chemical and magnetostatic aspects, etc.) is a major challenge when it comes to building digital twins that are as close as possible to the real systems they represent. These high-fidelity twins are used to predict behavior, assess reliability, perform predictive maintenance, etc. Some approaches to solving these problems are now mature, but many challenges remain: constructing numerical twins in the case of strongly coupled problems, using models optimized for each of the physics (discretizations in time and space), enriching the models with data (the latter may complement or even substitute for one of the physics) and finally, numerically solving the models thus constructed within a timeframe compatible with analysis constraints. Artificial intelligence tools are also likely to be an ingredient of choice in this landscape, and deserve to be investigated. This is the challenge that this thesis focuses on in the context of coupling solid mechanics with other physics, with the use of neural networks potentially enriched by physics, on the strength of the methods developed at the LMPS which are reaching maturity and which make it possible to confront such a challenge. In addition, the thesis is in line with the challenges of the ecological transition for sustainable development (ETSD) by proposing to develop multiphysics simulation tools with the aim of reducing the environmental impact of the design and maintenance of systems implementing several strongly coupled physics.