Simulation du transport de particules en réalité virtuelle – Mécanique des fluides accélérée par intelligence artificielle

Particle Transport Simulation in Virtual Reality – Fluid Mechanics Accelerated by Artificial Intelligence

• Auteur / Autrice : Titouan Laot
• Direction : Sébastien Kiesgen de richter
• Type : Projet de thèse
• Discipline(s) : Énergie et Mécanique
• Date : Inscription en doctorat le 15/10/2025
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : SIMPPÉ - SCIENCES ET INGENIERIES DES MOLECULES, DES PRODUITS, DES PROCEDES ET DE L'ÉNERGIE
• Partenaire(s) de recherche : Laboratoire : LEMTA – Laboratoire Energies & Mécanique Théorique et Appliquée
• Partenaire(s) de recherche : Equipe de recherche : Groupe Energie et Transferts

Mots clés

Mots clés libres

Mécanique des fluides numérique

Apprentissage machine

Transport de particules

Jumeaux numériques

Réalité virtuelle

IA informée par la physique

Computational fluid dynamics

Machine learning

Particle transport

Digital twins

Virtual reality

Physics-informed AI

Résumé

La thèse proposée s'articulera autour de la mise en œuvre de réseaux de neurones pour la prédiction du transport de particules dans des simulations interactives de réalité virtuelle. L'objectif est de quantifier en temps réel la contamination déposée sur des équipements ou opérateurs lors de revues de scénario en réalité virtuelle, ceci dans une approche ALARA. L'émergence des méthodes de mécanique des fluides accélérée par intelligence artificielle rend possible le fait d'obtenir des résultats de CFD en temps quasi-réel et ainsi de pouvoir calculer les lignes de courant de l'air ainsi que le transport de particules. Une application est également envisagée en réalité augmentée pour l'assistance à l'exploitation notamment en boite à gants (visualisation des champs de vitesse de l'air et des zones de dépôt de poussières contaminantes). Après un état de l'art sur l'utilisation de méthodes de machine learning pour des études de CFD et un état de l'art sur l'adhérence des particules au champ fluide et sur l'arrachement de particules, une base de simulations de CFD sera construite et servira à l'entraînement d'un réseau de neurones. Ces deux dernières étapes impliqueront le recours à des moyens de calculs intensifs. Le réseau de neurones entraîné aura pour but de prédire le champ de vitesse de l'air en temps réel en réalité virtuelle, ce qui permettra de simuler le transport de particules et de quantifier la contamination déposée sur des objets d'intérêt. Une étape de validation expérimentale sera menée sur une boîte à gants instrumentée (détecteurs de particules permettant de déterminer la granulométrie et la concentration de particules) pour confronter les résultats du modèle.

The proposed thesis will focus on the implementation of neural networks to predict particle transport in interactive virtual reality simulations. The objective is to quantify, in real time, the contamination deposited on equipment or operators during scenario reviews in virtual reality, following an ALARA approach. The emergence of fluid mechanics methods accelerated by artificial intelligence now makes it possible to obtain CFD results in near real-time, thus enabling the computation of airflow streamlines and particle transport. An application in augmented reality is also envisioned to assist operations, particularly in glove boxes (visualizing airflow velocity fields and areas where contaminant dust may settle). After a literature review on the use of machine learning methods for CFD studies, as well as a review on particle adherence to fluid flows and particle detachment, a CFD simulation database will be constructed and used to train a neural network. These last two steps will require the use of high-performance computing resources. The trained neural network will aim to predict the air velocity field in real time in virtual reality, allowing the simulation of particle transport and quantification of contamination deposited on target objects. An experimental validation phase will be conducted using an instrumented glove box (equipped with particle detectors to determine particle size distribution and concentration), in order to compare the model's predictions with real measurements.