Développement d’une méthode de régression symbolique pour la formulation de lois de paroi en CFD

L’utilisation de l’Intelligence Artificielle en mécanique des fluides numérique (CFD) s’avère très prometteuse pour proposer de nouveaux modèles physiques. Peu de travaux se sont jusqu’à présent penchés sur la modélisation des écoulements turbulents pariétaux, pour lesquels les modèles physiques disponibles sont confrontés à de grandes difficultés pour être applicables et prédictifs. Des travaux de thèse récents à IFPEN ont montré la capacité d’un réseau de neurones entraîné sur des données haute-fidélité résolues à la paroi à reproduire la physique d’une couche limite turbulente hors-équilibre, en inférant avec précision le frottement pariétal à partir des variables de l’écoulement à une distance correspondant à la résolution pariétale de maillages grossiers typiques du RANS. La présente thèse vise à poursuivre ces travaux pour inclure la prédiction du flux de chaleur pariétal, un élément clef pour de nombreux domaines d’application à IFPEN impliquant des aspects thermiques et de refroidissement. On cherchera en particulier à formuler des lois de paroi thermiques analytiques à travers le développement d’une méthode de type Gene Expression Programming (GEP) adaptée. Cette approche de régression symbolique permet en effet de former des modèles analytiques interprétables, plus régulier et plus robustes que les méthodes basées sur des réseaux de neurones. Cette nouvelle approche aura également l’avantage d’être plus aisément implémentable dans tout type de code CFD. Dans un premier temps, on s’intéressera à la mise en place d’une méthodologie GEP avec une première validation en termes de prédiction du frottement pariétal sur des écoulements canoniques turbulents monophasiques, et les résultats seront comparés avec ceux obtenus avec des réseaux de neurones. L’approche sera ensuite étendue à la prédiction du flux de chaleur pariétal à partir de cas-tests haute-résolution représentatifs du refroidissement liquide de composants de chaîne de traction électrique. Ce sujet de recherche, à la croisée de la modélisation en mécanique des fluides et des techniques avancées d’Intelligence Artificielle, sera encadré par une équipe pluridisciplinaire de chercheurs d’IFPEN et du LISN.

Mots clefs: mécanique des fluides numérique, modélisation, machine learning, régression symbolique

• Directeurs de thèse    Dr Christian ANGELBERGER (IFPEN), Dr Anne SERGENT (LISN) & Dr Lionel MATHELIN (LISN)
• Ecole doctorale    ED579 - SMEMaG, Université Paris Saclay
• Encadrants IFPEN    Dr Adèle POUBEAU & Dr Thibault FANEY
• Localisation du doctorant    IFPEN, Rueil-Malmaison, France
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2024 (4 novembre)
• Employeur    IFPEN
• Qualifications    Master en mécanique des fluides numériques ou mathématiques & statistiques (et intérêt pour l’autre matière)
• Connaissances linguistique    Anglais niveau B2 (CECR)    
• Autres qualifications    Simulations numériques et programmation (LINUX, Python)

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous