Topic description
La transition vers une économie durable et neutre en carbone repose sur le développement de carburants alternatifs, tels que les biocarburants, l'hydrogène et l'ammoniac produits à partir d'énergies renouvelables. Pour garantir une combustion propre et efficace de ces nouveaux carburants, il est nécessaire de concevoir des systèmes de combustion avancés. Les simulations numériques, notamment la simulation des grandes structures turbulentes (LES), constituent un outil clé pour modéliser ces systèmes à haute fidélité. Toutefois, leur coût computationnel élevé limite leur usage aux phases finales de conception, laissant les phases exploratoires aux modèles plus simples comme RANS, souvent moins précis.
Ce projet de thèse vise à développer une stratégie de modélisation adaptative permettant de rendre LES plus accessible et rentable pour les phases amont de conception. L'approche repose sur la réduction de la complexité du modèle en fonction des conditions thermochimiques locales, grâce à l'application de techniques d'apprentissage automatique (clustering, classification, apprentissage résiduel). Une base de données multi-fidélité (réacteurs 0D et 1D, flammes canoniques, LES du brûleur BIMER) sera construite pour entraîner et valider ces modèles.
Le brûleur BIMER, étudié au laboratoire EM2C, servira de cas test. Il s'agit d'un modèle de chambre de combustion à combustible liquide représentatif des turbines à gaz, pour lequel des données expérimentales et numériques sont disponibles. Ce brûleur présente des phénomènes complexes (bifurcations, hystérésis, instabilités thermo-acoustiques) qui ne sont que partiellement capturés par LES. L'objectif est de valider la stratégie adaptative en améliorant la prédiction de ces dynamiques tout en réduisant la charge de calcul.
L'objectif principal du doctorat est de développer une stratégie de modélisation adaptative pour la combustion, la chimie, le spray et la turbulence, dans laquelle le modèle de combustion, le mécanisme chimique, le nombre de gouttelettes et d'espèces gazeuses transportées, ainsi que le modèle de turbulence seront ajustés en fonction des conditions d'écoulement locales. Les objectifs spécifiques de la thèse sont les suivants :
1. Construire une base de données d'entraînement complète à partir de simulations multi-fidélité.
2. Utiliser le partitionnement de l'espace thermochimique pour guider la sélection et l'adaptation des modèles sous-maille.
3. Améliorer les modèles sous-maille existants à l'aide de corrections fondées sur les données, via un apprentissage résiduel respectant les lois physiques.
4. Générer une bibliothèque de mécanismes chimiques réduits.
5. Implémenter la stratégie LES adaptative dans le solveur CFD AVBP et la valider à l'aide du cas test BIMER.
Ce travail de recherche interdisciplinaire combinera dynamique des fluides, combustion, modélisation physique, simulation numérique et apprentissage automatique, et contribuera au développement de jumeaux numériques efficaces pour des systèmes de combustion durables.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
The transition toward a sustainable, carbon-neutral economy relies on the development of alternative fuels such as biofuels, hydrogen, and ammonia produced from renewable energy sources. To ensure clean and efficient combustion of these new fuels, advanced combustion systems must be designed. Numerical simulations, particularly Large Eddy Simulations (LES), are key tools for modeling such systems with high fidelity. However, their high computational cost limits their use to the final stages of design, leaving earlier stages to lower-fidelity models like RANS, which often fail to capture critical flow features.
This PhD project aims to develop an adaptive modeling strategy that makes LES more computationally efficient and suitable for early-stage combustion system design. The approach relies on reducing model complexity based on local thermochemical conditions using machine learning techniques (clustering, classification, residual learning). A multi-fidelity simulation database (0D and 1D reactors, canonical flames, LES of the BIMER burner) will be built to train and validate these models.
The BIMER burner, studied at the EM2C laboratory, will serve as a test case. It is a liquid-fueled gas turbine combustion chamber for which both experimental data and LES results are available. The burner exhibits complex phenomena (bifurcations, hysteresis, thermoacoustic instabilities) that are only partially captured by LES. The objective is to validate the adaptive strategy by improving the prediction of these dynamics while reducing computational cost.
The PhD overarching objective is to develop an adaptive modeling strategy for combustion, chemistry, spray, and turbulence, where the combustion closure, the chemical mechanism, the number of transported droplets and gas-phase species, and the turbulence model will be adjusted depending on the local flow conditions. The specific goals of the PhD include:
1. Building a comprehensive training dataset from multi-fidelity simulations.
2. Using thermochemical space partitioning to guide subgrid model selection and adaptation.
3. Improving existing physics-based subgrid models through data-driven corrections via residual learning that respect physical constraints.
4. Generating a library of reduced chemical mechanisms using rate- and state-space-based techniques.
5. Implementing the adaptive LES strategy into the AVBP CFD solver and validating it using the BIMER test case.
This interdisciplinary research will combine fluid dynamics, combustion, physical modeling, numerical simulation, and machine learning, contributing to the development of efficient digital twins for sustainable combustion systems.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Other public funding
Funding further details
ANR
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.