Cerfacs Entrez dans le monde de la haute performance...

Combustion turbulente des flammes prémélangées hydrogène/air pauvres : de l’évaluation numérique des effets du nombre de Lewis à la modélisation par apprentissage profond pour la simulation aux grands échelles 

ED MEGEP – [Subject to defense authorization]

https://youtube.com/live/Z2whppkYO64?feature=share

Dans le contexte actuel de transition énergétique visant à réduire la dépendance aux combustibles fossiles, l'hydrogène est considéré comme une alternative prometteuse. Cependant, les flammes prémélangées hydrogène/air pauvres peuvent présenter des effets de synergie entre la turbulence et les instabilités de flamme intrinsèques, entraînant une accélération drastique de la flamme et posant des défis pour les simulations numériques. À ce jour, ces effets sont généralement négligés par les modèles de sous-maille pour la simulation aux grandes échelles (Large Eddy Simulations, LES) et doivent être développés car ils résultent de phénomènes diffusifs non résolus par les maillages LES. Par ailleurs, l'avènement de l'apprentissage profond (Deep Learning, DL) offre de nouvelles opportunités pour la modélisation de la combustion en permettant d'exploiter des données haute fidélité pour explorer de nouvelles stratégies de modélisation pour les calculs LES. La première partie de cette thèse propose une analyse numérique de la physique d'une flamme turbulente prémélangée hydrogène/air à mélange pauvre en conditions atmosphériques. Des simulations numériques directes (Direct Numerical Simulations, DNS) tridimensionnelles ont été réalisées avec le solveur AVBP pour étudier les effets du nombre de Lewis sur une flamme de jet thermo-diffusivement instable en comparaison avec une flamme méthane/air à mélange stoechiométrique, toutes deux partageant les mêmes propriétés de flamme laminaire non étirée et conditions turbulentes. L'analyse a révélé un impact significatif des effets d'étirement et de courbure sur la structure de la flamme d'hydrogène, avec une déviation importante des gradients et des taux de dégagement de chaleur locaux en comparaison avec ceux issus de la flamme laminaire non-étirée correspondante. En particulier, la diffusion préférentielle de l'hydrogène par rapport à la chaleur induit des variations locales de richesse et une sensibilité accrue aux taux d'étirement, ce qui conduit à une consommation de réactifs deux fois plus importante par la flamme d'hydrogène. Par ailleurs, une étude unidimensionnelle à partir de flammes laminaires à contre-courant a permis de montrer que ces flammes stagnantes et soumises uniquement à un étirement tangentiel normal au front de flamme permettent d'approximer de manière satisfaisante les taux de consommation d'hydrogène relevés dans la DNS. La seconde partie est consacrée à l'exploration de nouvelles stratégies de modélisation basée sur les données en utilisant l'apprentissage profond pour développer des modèles de sous-maille en LES. Une méthodologie de filtrage ad-hoc est proposée pour élaborer une base de données d'entraînement à partir de solutions instantanées issues de la DNS analysée dans la première partie. Ensuite, un réseau de neurones convolutifs (Convolutional Neural Network, CNN) est paramétré dans un cadre d'apprentissage supervisé pour développer deux modèles de sous-maille basés sur les taux de réaction d'hydrogène filtrés. Un modèle d'efficacité dédié au formalisme de flamme épaissie pour LES (Thickened Flame for LES, TFLES) est développé, et ses capacités prédictives sont évaluées d'abord dans un contexte statique (ou offline). Le modèle CNN est ensuite testé sur la même configuration d'entraînement dans un contexte dynamique (ou online) en utilisant AVBP-DL, une stratégie de couplage hybride entre AVBP et le solveur DL. Cependant, les calculs couplés ont indiqué des performances insuffisantes par rapport à un modèle fractal TFLES de référence, ce qui a conduit au développement d'un second modèle CNN de sous-maille visant à prédire directement le terme source d'hydrogène filtré non épaissi en LES.

Jury

Prof. Alessandro PARENTE	ULB, École Polytechnique de Bruxelles	Rapporteur
Asst. Prof. Antonio ATTILI	University of Edinburgh	Rapporteur
Dr. Cédric MEHL	IFP Energies nouvelles	Examinateur
Prof. Annafederica URBANO	ISAE-SUPAERO	Examinateur
Dr. Stéphane RICHARD	Safran Helicopter Engines	Membre invité
Dr. Thierry POINSOT	CNRS, IMFT	Directeur
Dr. Corentin LAPEYRE	Nvidia	Co-Directeur