Thèse Assimilation de Données et Apprentissage Automatique pour la Prédiction d'Écoulements Moyens Tridimensionnels Autour de Profils H/F - Doctorat.Gouv.Fr

Établissement : Université de Bordeaux École doctorale : Mathématiques et Informatique Laboratoire de recherche : IMB - Institut de Mathématiques de Bordeaux Direction de la thèse : Heloïse BEAUGENDRE ORCID 0000000340374077 Début de la thèse : 2027-01-01 Date limite de candidature : 2026-11-27T23:59:59 La modélisation de la turbulence est un outil essentiel pour rendre abordable, en termes de coût de calcul, la prédiction numérique des écoulements à grand nombre de Reynolds autour de profils aérodynamiques, tels qu'on les rencontre dans les applications aéronautiques. Parmi les différentes stratégies de modélisation de la turbulence, la plus adaptée et la plus couramment utilisée pour les applications industrielles reste l'approche RANS (Reynolds-Averaged Navier-Stokes), dans laquelle tout le contenu instationnaire de l'écoulement est modélisé et où l'on ne résout que l'écoulement moyen en temps. Si les simulations RANS peuvent fournir des résultats précis pour les écoulements attachés, rencontrés par exemple en conditions de croisière d'un avion, certains phénomènes physiques, comme le décollement, le décrochage ou les écoulements de coin, entre autres, sont bien connus pour être difficiles à capturer par l'approche RANS (comme l'illustre la Figure 1). Cela limite l'utilisation de ces modèles lors des phases de conception aux limites du domaine de vol.

Si des études antérieures ont démontré le potentiel du cadre FIML pour améliorer la qualité des prédictions RANS, notamment à l'ONERA [4,5], la grande majorité d'entre elles portaient sur des configurations d'écoulement bidimensionnelles et relativement simples. Dans ce contexte, l'objectif principal du présent projet de thèse est de développer des stratégies pilotées par les données pour améliorer l'estimation RANS d'écoulements tridimensionnels autour de configurations de voilure représentatives des applications industrielles.

Pour atteindre cet objectif, le projet de thèse impliquera notamment la mise en oeuvre et l'utilisation de techniques d'inversion de champ / d'assimilation de données (Field Inversion - Machine Learning, FIML) conjointement avec les solveurs de mécanique des fluides numérique (CFD) de pointe développés à l'ONERA. Cela permettra de réaliser la reconstruction d'écoulements et l'inférence de termes correctifs à partir de données limitées pour des configurations d'écoulement complexes. Plusieurs méthodologies (fondées sur l'adjoint, sur des ensembles, ...) [6] seront comparées afin d'identifier un bon compromis entre efficacité, coût de calcul et facilité de déploiement, dans le contexte présent de configurations ambitieuses. De même, des techniques d'apprentissage automatique adaptées, capables de traiter des données limitées et transférables à des codes de CFD complexes, seront conçues.

Du point de vue de la modélisation, il sera intéressant de prendre comme base de la procédure FIML des modèles de turbulence plus avancés que ceux utilisés dans les travaux antérieurs consacrés aux configurations bidimensionnelles. En particulier, des extensions quadratiques du modèle de Spalart-Allmaras [7,1] seront envisagées afin de mieux traiter les écoulements secondaires, propres aux configurations tridimensionnelles. Les cas tests considérés correspondront à des configurations tridimensionnelles telles que l'aile ONERA M6 et la configuration dite PANDA (voir Figure 1), pour lesquelles on disposera à la fois de données expérimentales et de données numériques de référence issues d'une simulation résolvant les échelles de la turbulence.

En résumé, le présent projet de thèse sera pionnier dans le développement d'approches pilotées par les données visant à améliorer la prédiction numérique, par modélisation RANS, d'écoulements turbulents décollés, complexes et tridimensionnels. Ces travaux présenteront un intérêt à la fois du point de vue de la modélisation et pour les expérimentateurs souhaitant reconstruire des écoulements à partir de données de soufflerie éparses.

Master 2/diplôme d'ingénieur en mécaniques des fluides et/ou mathématiques appliquées. Expérience en simulation numérique pour la mécanique des fluides souhaitée.

• Machine learning