Machine Learning appliqué au calcul des termes sources chimiques pour la simulation 3D d’écoulements réactifs

Statut
pourvu

De nombreux domaines bénéficient actuellement du développement des méthodes d’apprentissage automatique, et la simulation numérique de la mécanique des fluides (CFD) ne fait pas exception. Dans ce contexte, une opportunité importante est la possibilité d’accélérer les calculs en remplaçant de coûteux solveurs numériques par des modèles statistiques équivalent, basés sur des méthodes de machine learning. L’enjeu à la clé est la possibilité de réaliser des calculs plus précis grâce à l’inclusion de phénomènes physico-chimiques de manière plus détaillée, qui est rendue possible par le gain en temps de calcul. Un cas particulièrement problématique concerne l’inclusion d’effets chimiques complexes dans les simulations. Cela est notamment le cas lors de la simulation d’écoulements réactifs tels que pour les systèmes de combustion ou les systèmes de procédés industriels. Les réactions chimiques sont en effet décrites par un système d’équations différentielles faisant intervenir un large spectre d’échelles temporelles dont la résolution est extrêmement coûteuse. 
L’objectif de la thèse est de proposer une accélération des calculs de cinétique chimique via l’utilisation de méthodes d’apprentissage et notamment de Deep Learning. Le principe est de substituer la résolution de la chimie dans les calculs par un modèle statistique équivalent, dont l’évaluation est beaucoup plus rapide que la résolution du système d’équations différentielles. Ce modèle sera développé par apprentissage sur une base de données de points chimiques résolus avec un algorithme de résolution exact. Dans cette thèse, l’accélération des simulations des systèmes de combustion, dont le coût de calcul augmente fortement lorsque les polluants sont simulés, sera l’objectif principal. Le travail de thèse se focalisera tout d’abord sur l’étude de cas de combustion simplifiés, qui permettront une comparaison approfondie entre la résolution exacte et la résolution par modèle d’apprentissage. Les modèles d’apprentissage qui en émergeront seront ensuite testés sur un cas académique de turbine à gaz, plus proche des conditions simulées dans l’industrie et incluant notamment de la turbulence. Enfin, la méthode retenue sera appliquée à un cas industriel afin de démontrer sa viabilité dans des cas d’intérêt pratique.

Mots clefs: Cinétique chimique, Machine Learning, Deep learning, Simulation numérique, Combustion

  • Encadrant IFPEN    MEHL Cédric, département modélisation et véhicule, cedric.mehl@ifpen.fr - FANEY Thibault, département mathématiques appliquées, thibault.faney@ifpen.fr 
  • Localisation du doctorant    IFP Energies Nouvelles, Rueil-Malmaison, France
  • Durée et date de début    3 ans, début de préférence : le 1 septembre/octobre/novembre 2020
  • Employeur    IFPEN
  • Qualifications    Master incluant Machine Learning, simulation numérique ou CFD
  • Connaissances linguistique    Anglais ou Français courant, motivation pour apprendre le Français
  • Autres qualifications    Programmation (Python requis, C++ serait un plus)
Contact
Encadrant IFPEN 
MEHL Cédric
Département modélisation et véhicule
Texte libre

IFP Energies nouvelles est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement. Pour plus d’information, voir www.ifpen.fr. IFPEN met à disposition de ses chercheurs un environnement de recherche stimulant, avec des équipements de laboratoire et des moyens de calcul très performants. IFPEN a une politique salariale et de couverture sociale compétitive. Tous les doctorants participent à des séminaires et des formations qui leur sont dédiés.