Modélisation du plissement de sous-maille par apprentissage automatique pour les simulations aux grandes échelles de la combustion turbulente prémélangé

La simulation aux grandes échelles (LES) est de plus en plus utilisée pour la conception de nouveaux systèmes de combustion, notamment décarbonés. Dans le cas de combustion pré-mélangée, une partie du plissement de la flamme n’est pas résolu sur le maillage LES et nécessite des modèles spécifiques. Ces modèles sont traditionnellement des modèles algébriques, basés sur des fermetures analytiques, et des modèles dynamiques, basés sur des opérations de filtrage du champ LES. Néanmoins, ces modèles ont chacun leurs limites : les modèles algébriques sont très peu généralisables et les modèles dynamiques ne permettent pas la prédiction à des tailles de filtre élevés. Une alternative qui émerge est l’utilisation de modèles à base de Machine Learning, notamment les réseaux de neurones. Construits à partir de données DNS, ces modèles ont un pouvoir prédictif important. De nombreuses études ont notamment montré la performance de réseaux de neurones convolutifs pour la prédiction de taux de réactions filtrés. Néanmoins, les modèles développés jusqu’ici le sont pour une taille de filtre fixe et relativement faible, afin de pouvoir construire une base de données DNS dans un temps convenable. Cela limite fortement leur application à des cas industriels, qui opèrent en général à taille de filtre variable. L’objectif de cette thèse est de proposer une méthodologie permettant de générer des réseaux de neurones opérants à des tailles de filtres variables et potentiellement grandes. Pour ce faire, il sera proposé de construire un modèle à une taille de filtre fixe et de développer un modèle analytique de mise à l’échelle pour des tailles de filtres plus grandes. Cette méthode sera d’abord testée sur des cas canoniques simples, tels des flammes évoluant dans une turbulence homogène, puis appliquée en fin de thèse à un cas plus complexe.

Mots clés Mécanique des fluides ; Combustion, Machine Learning, CFD