Développement de modèles augmentés par machine-learning pour la cfd en aéronautique et énergie // development of machine-learning-augmented models for cfd in aeronautics and energy

Topic description

Cette thèse s'inscrit dans le cadre du projet franco-allemand DREAM-Turbulence, qui associe côté français Sorbonne Université et l'UPPA, et côté allemand, les universités de Darmstadt et Erlangen-Nurnberg, ainsi que l'institut de recherche aérospatiale DLR. Le projet est cofinancé par l'ANR (Agence Nationale pour la Recherche) et son équivalent allemand, le DFG. Elle se déroulera principalement dans les locaux de l'UPPA à Pau, en collaboration étroite avec Sorbonne Université, et bénéficiera du contexte global du projet qui inclue différentes thèses portant sur la génération de données, la modélisation et la simulation.

Les délais nécessaires à la phase de conception des systèmes industriels, qu'ils soient aéronautiques ou énergétiques, exigent des modèles CFD (computational Fluid Dynamics) avec une fidélité améliorée afin d'atteindre les objectifs européens ambitieux. Les modèles de turbulence utilisés très majoritairement dans l'industrie sont des modèles à viscosité turbulente (de type Spalart-Allmaras, k-epsilon ou k-omega) incapables de représenter pleinement la physique de la turbulence, en particulier son anisotropie. Pour améliorer les prévisions des modèles, l'équipe de recherche CAGIRE de l'UPPA développe depuis des années des modèles (Manceau, Sporschill) dits au second ordre ou RSM (Reynolds-Stress Models) qui sont aujourd'hui déjà déployés dans certains codes industriels (codes commerciaux StarCCM+ et EZNSS ; code open-source OpenFOAM ; code_Saturne d'EDF ; code CEDRE de l'ONERA ; code AETHER de Dassault) et validés dans de nombreux types d'applications différentes, allant de l'aéronautique au nucléaire, en passant par la Formule 1, le naval ou l'éolien.

Cependant, malgré la richesse de la représentation des phénomènes physiques par ces modèles, ils montrent encore des limites dans certaines situations (régions d'impact, gradients de pression adverses, séparation/recollement, etc.). L'amélioration des modèles passe aujourd'hui par la nécessité de rendre variables les coefficients du modèle en fonction de l'état local de l'écoulement. Ces variations sont alors des fonctions inconnues d'un nombre limité de paramètres, ce qui se prête particulièrement bien à l'utilisation de machine-learning pour identifier ces fonctions à partir des bases de données disponibles. Ce type d'approches, développées depuis des années par Sorbonne Université (Cinnella) dans le cadre des modèles à viscosité turbulente, permettra d'améliorer la représentation des écoulements complexes rencontrés notamment dans les domaines de l'aéronautique et de l'énergie.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis is part of the Franco-German DREAM-Turbulence project, which brings together Sorbonne University and UPPA on the French side, and the universities of Darmstadt and Erlangen-Nuremberg, as well as the DLR aerospace research institute on the German side. The project is co-funded by the ANR (Agence Nationale pour la Recherche) and its German equivalent, the DFG. It will mainly take place at UPPA in Pau, in close collaboration with Sorbonne University, and will benefit from the overall context of the project, which includes various theses on data generation, modeling, and simulation.

The time required for the design phase of industrial systems, whether aeronautical or energy-related, requires CFD (computational fluid dynamics) models with improved accuracy in order to meet ambitious European targets. The turbulence models most widely used in industry are eddy-viscosity models (such as Spalart-Allmaras, k-epsilon or k-omega) that are unable to fully represent the physics of turbulence, particularly its anisotropy. To improve model predictions, the CAGIRE research team at UPPA has been developing (Manceau, Sporschill) models known as second-moment closures or RSM (Reynolds-Stress Models) for several years, which are already being deployed in certain industrial codes (commercial codes StarCCM+ and EZNSS; open-source code OpenFOAM; EDF's Saturne code; ONERA's CEDRE code; Dassault's AETHER code) and validated in many different types of applications, ranging from aeronautics to nuclear power, Formula 1, naval and wind power.

However, despite the richness of the representation of physical phenomena by these models, they still show limitations in certain situations (impingement regions, adverse pressure gradients, separation/re-attachment, etc.). Improving the models now requires making the model coefficients variable depending on the local state of the flow. These variations are then unknown functions of a limited number of parameters, which lends itself particularly well to the use of machine learning to identify these functions from available databases. This type of approaches, developed over many years by Sorbonne University (Cinnella) in the context of turbulent viscosity models, will improve the representation of complex flows encountered in particular in the fields of aeronautics and energy.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/01/
WEB :

Funding category

Other public funding

Funding further details

ANR Financement d'Agences de financement de la recherche