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 (Manceau2015, Sporschill2022) 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 (Cinnella2024) 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.

Compétences requises

- Une solide connaissance de la mécanique des fluides, de la turbulence et de sa modélisation est nécessaire. - Une très bonne expérience des méthodes numériques et de la programmation est attendue. La maîtrise de Python est indispensable pour gérer les algorithmes d'apprentissage. L'implémentation du modèle augmenté et les calculs CFD se feront dans le solveur open-source OpenFOAM. - Une forte motivation est attendue et un goût pour les aspects tant théoriques que pratiques (modélisation et simulation). - Une bonne maîtrise de l'anglais est essentielle.

Bibliographie

Cinnella, P. (2024). “Data-driven turbulence modeling”. In: von Karman Institute/ULB Lecture Series: ”Machine Learning for Fluid Mechanics: Analysis, Modeling, Control and Closures”.
Cinnella, P. (Jan. 2025). “Symbolic regression methods”. In: Data Driven Analysis and Modeling of Turbulent Flows. Ed. by K. Duraisamy. Academic Press, pp. 355–396.
Manceau, R. (2015). “Recent progress in the development of the Elliptic Blending Reynolds-stress model”. In: Int. J. Heat Fluid Fl. 51, pp. 195–220. doi: 10.1016/j.ijheatfluidflow.2014.09.
002.
Schmelzer, M., R. P. Dwight, and P. Cinnella (2020). “Discovery of algebraic Reynolds-stress models using sparse symbolic regression”. In: Flow Turbul. Combust. 104.2, pp. 579–603.
Sporschill, G., F. Billard, M. Mallet, R. Manceau, and H. Bézard (2022). “Assessment of Reynolds-stress models for aeronautical applications”. In: Int. J. Heat Fluid Fl. 96, p. 108955.
Weatheritt, J. and R. Sandberg (2017). “The development of algebraic stress models using a novel evolutionary algorithm”. In: Int. J. Heat Fluid Fl. 68, pp. 298–318.

Mots clés

CFD, Turbulence, Modélisation, Machine-learning, Aéronautique, Energie