Méta-modèles combinant CFD et mesures pour la détection de panaches et la remontée à la source

La détection d’émissions gazeuses en provenance soit de sites de stockage industriels, soit de milieux naturels est un enjeu majeur pour le contrôle de rejets nocifs et de gaz à effet de serre. Les enjeux sont à la fois de pouvoir connaître avec précision la dispersion du panache formé par ces rejets et donc les zones exposées, mais également de pouvoir remonter à la source de ces émissions pour pouvoir y remédier. Dans ce contexte, la modélisation 3D permet d’accéder à une résolution fine des concentrations locales en tenant compte des nombreux paramètres et du comportement fortement instationnaire de ces écoulements turbulents. Parmi les différentes approches possibles l’approche LBM (Lattice Boltzmann Method) associée à des moyens de calcul haute performance s’avère très adaptée pour simuler efficacement ces situations à grande échelle qui présentent par ailleurs de nombreuses sources d’incertitudes. Pour étudier l’impact des différents paramètres (direction et force du vent, caractéristiques des sources d’émissions…) la construction de méta-modèles permet d’éviter des simulations coûteuses et difficiles à mettre en œuvre en conditions opérationnelles.
L’objectif de la thèse est de développer des modèles d’apprentissage ou métamodèles adaptés à la prise en compte d’une part de la nature fonctionnelle des quantités d’intérêt (cartes spatiales de polluants) et d’autre part des différences données de simulation disponibles, notamment par des techniques multi-fidélités permettant de prendre en compte plusieurs simulateurs à coûts de calcul et précisions différents. Des approches d’apprentissage actif seront développées afin de choisir au mieux les simulations à réaliser : niveaux de fidélité du simulateur et valeurs des variables d’entrée. Enfin, à partir de mesures locales de concentrations de polluants obtenues à l’aide de drones, le problème inverse de localisation de la source de pollution sera résolu en s’appuyant sur les métamodèles développés dans la première partie de la thèse. 

Mots clefs: Apprentissage, modèles multi-fidélités, problème inverse, CFD, Lattice Boltzmann, dispersion de polluants

• Directeur de thèse    Dr Nathalie BARTOLI, ONERA, Orcid.org/0000-0002-6451-2203  
• Ecole doctorale    ED475 MITT, Université de Toulouse 
• Encadrant IFPEN     Dr Stéphane JAY, Orcid.org/0000-0002-8637-0314
• Localisation du doctorant    IFPEN (Rueil-Malmaison) et ONERA (Toulouse), France
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2024 (4 novembre)
• Employeur    ONERA
• Qualifications    Master en mathématiques appliquées 
• Connaissances linguistiques    Anglais niveau C1 (CECR), être disposé à apprendre le français 
• Autres qualifications    Statistiques, sciences des données, optimisation, connaissances en mécanique des fluides numériques 

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