Parcours
Ingénieur de formation, j'ai d'abord exercé pendant deux ans comme ingénieur aérospatial chez ArianeGroup, où j'ai travaillé sur des problématiques de propulsion et acquis une culture de l'ingénierie des systèmes complexes et de la simulation numérique haute-fidélité. En novembre 2023, j'ai choisi de rejoindre le monde de la recherche en débutant une thèse à l'interface de deux domaines : l'intelligence artificielle et la combustion.
Contexte scientifique
La simulation numérique de la combustion est aujourd'hui un outil central pour la conception des systèmes propulsifs et énergétiques (moteurs, turbines, chambres de combustion). Dans une simulation 3D de type CFD (Computational Fluid Dynamics), la description de la cinétique chimique — c'est-à-dire l'évolution des dizaines à centaines d'espèces chimiques et des centaines de réactions qui gouvernent la combustion — représente l'un des postes de calcul les plus coûteux. La résolution du système d'équations différentielles raides associé (typiquement via un solveur comme CVODE) peut concentrer une part majoritaire du temps de calcul total.
Réduire ce coût sans dégrader la précision est donc un enjeu de premier plan. Historiquement, la communauté s'appuie sur des mécanismes réduits, des mécanismes optimisés, ou des méthodes de tabulation. Avec l'essor du machine learning et des réseaux de neurones, une nouvelle voie a émergé : entraîner un réseau de neurones à reproduire l'action du solveur chimique, c'est-à-dire à prédire l'état thermochimique au temps t + dt à partir de l'état au temps t. Le réseau, une fois entraîné, remplace le solveur ODE et offre un gain de temps de calcul significatif.
Travaux réalisés
1. Développement d'un environnement d'apprentissage.
J'ai développé un programme d'apprentissage sous PyTorch, conçu pour être couplé au code de simulation CFD CONVERGE. La chaîne comprend la génération d'une base de données de states chimiques (via des réacteurs 0-D stochastiques à particules et des calculs Cantera), le pré-traitement de ces données (seuillage, transformations logarithmiques, clustering, normalisation), puis l'entraînement et la validation des modèles de réseaux de neurones.
À architecture et données identiques, j'ai démontré une vitesse d'apprentissage accrue de mon implémentation PyTorch par rapport à une implémentation équivalente sous TensorFlow, ce qui facilite l'exploration d'architectures et le passage à l'échelle.
2. Méthodes de validation systématiques.
Mes recherches actuelles portent sur les méthodes de validation des mécanismes de combustion. Les différentes approches employées pour concevoir un mécanisme — réduction, optimisation, apprentissage — reposent toutes sur des fonctions d'évaluation (erreurs sur les délais d'auto-inflammation, les vitesses de flamme, les profils d'espèces, la température…) et sur des bases de données de référence. Ces choix sont aujourd'hui largement empiriques et dépendants de l'expertise de l'utilisateur. Mon objectif est de développer une méthode systématique et automatique pour cette étape de validation, afin de rendre le processus reproductible, quantifiable et transférable d'un cas d'application à l'autre.
Objectif de la thèse
L'objectif final est de mettre au point une approche hybride combinant méthodes de réduction de mécanismes et apprentissage machine : exploiter la robustesse et l'interprétabilité physique des mécanismes réduits là où elles suffisent, et la puissance d'approximation des réseaux de neurones là où le gain de coût est décisif. Cette approche hybride sera ensuite validée sur des simulations 3D représentatives, afin de démontrer à la fois le gain de performance et la fidélité physique dans des conditions d'usage réelles.
