Soutenance de thèse : Victor XING : »Apprentissage profond pour la modélisation de sous-maille en simulation aux grandes échelles de combustion turbulente prémélangée »
Vendredi 18 novembre 2022 à 14h00
Thèses Cerfacs Salle de Conférence - Jean-Claude André - CERFACS, Toulouse - France
Lien Youtube : https://youtu.be/IaxXKVZ2cPM
Résumé :
Dans un siècle défini par le changement climatique et l’abondance de données, la combustion se dirige vers de nouvelles opportunités créées par la révolution numérique. Les simulations aux grandes échelles (Large Eddy Simulations, LES) de systèmes de combustion à échelle réelle deviennent réalisables, mais leur capacité prédictive se base sur la précision de modèles de sous-maille (Subgrid-Scale, SGS) qui tiennent compte de l’activité de combustion turbulent non résolue. L’apprentissage automatique profond (Deep Learning, DL) a récemment été utilisé pour entraîner des modèles SGS basés sur les données qui atteignent une excellente précision lors de tests a priori. Toutefois, il n’y a toujours presque pas d’applications de modèles DL SGS à des LES de systèmes de combustion industriels. Ces travaux s’intéressent à trois éléments qui doivent être étudiés pour permettre l’adoption du DL dans des LES de combustion turbulente prémélangée : l’évaluation de modèles DL sur des cas tests à haut Reynolds, l’assurance de leur capacité à généraliser au-delà de leur configuration d’entraînement, et l’implémentation d’une intégration efficace de modèles DL à des solveurs LES haute performance. Trois modèles DL incluant graduellement chacun de ces éléments sont développés. Ils sont basés sur des réseaux de neurones convolutionnels (Convolutional Neural Networks, CNNs) U-Nets entraînés sur des instantanés filtrés et déraffinés de simulations numériques directes. Premièrement, un modèle pour la densité totale de surface de flamme est entraîné sur la flamme de jet turbulente à haut Reynolds R2. Une excellente généralisation a priori à de plus hauts nombres de Reynolds et à des instantanés LES est observée, et des aperçus sur le fonctionnement interne du modèle sont proposés. Dans un second temps, un modèle CNN pour la variance SGS de la variable de progrès est entraîné sur une flamme plane turbulente statistiquement stationnaire. Avec une formulation Pfitzner du terme source et une fermeture beta densité de probabilité, il est capable de prédire a priori avec précision la variance SGS et le taux de réaction filtré sur la flamme de jet R2, démontrant ainsi sa capacité à généraliser à de nouvelles configurations. Troisièmement, la stratégie de couplage AVBP-DL est développée pour permettre à des modèles DL d’être interrogés par le solveur AVBP avec un surcoût de calcul négligeable. Enfin, le cas test d’explosion aérée et obstruée Masri est utilisé pour tester a posteriori un modèle CNN pour le facteur de plissement SGS entraîné sur la flamme plane turbulente statistiquement stationnaire. Le modèle prédit la bonne supression maximale, mais ceci résulte d’une compensation entre un plissement excessif lors de la phase initiale laminaire et d’un plissement insuffisant durant l’étape critique de propagation turbulente. Plusieurs tentatives de correction de ce comportement sont ensuite explorées.
Jury :
Denis VEYNANTE - Directeur de recherche - EM2C- Rapporteur Antonio ATTILI - Assistant Professor - Univ. Edinburgh - Rapporteur Michael PFITZNER - Univ.-Prof. Dr. rer. nat.- UniBw - Examinateur Pascale DOMINGO - Directrice de recherche - CORIA - Examinatrice Corentin LAPEYRE - Chercheur senior - CERFACS - Directeur de thèse Thierry POINSO - Directeur de recherche - IMFT - Directeur de thèse
