Soutenance de thèse d’Aakash Patil

Modélisation de la turbulence dans les fluides assistée par l'apprentissage profond

 

 

Aakash Patil a réalisé sa thèse sous la direction d'Elie Hachem et Jonathan Viquerat de l'équipe CFL. Il soutient sa thèse de doctorat en Mathématiques Numériques, Calcul Intensif et Données le 1er février 2023 devant le jury suivant :

Gianluigi Rozza, SISSA, Trieste, Italie

Paola Cinnela, Sorbonne Université

Ricardo Vinuesa, KTH Stockholm, Suède

Elie Hachem, Mines Paris – PSL

Jonathan Viquerat, Mines Paris – PSL

 

 

Résumé :

Malgré plusieurs avancées dans les ressources expérimentales et informatiques, et malgré les progrès des procédures théoriques et mathématiques pour aborder la fermeture des équations de Navier-Stokes, la turbulence reste un problème non résolu même après 200 ans de recherche continue. D'autre part, l'intelligence artificielle et les technologies connexes font des progrès rapides dans plusieurs domaines de la science et de l'ingénierie, nous aidant à résoudre efficacement les problèmes de modélisation et à découvrir de nouveaux phénomènes physiques. Le présent travail tente de combiner ces deux branches et d'explorer si les machines computationnelles peuvent être utilisées pour étudier efficacement la turbulence dans les fluides, et peut-être un jour nous aider dans la découverte des lois universelles manquantes. L'apprentissage profond est utilisé pour apprendre la modélisation de la turbulence et une méthode basée sur les patchs est proposée pour un apprentissage robuste. L'apprentissage de la turbulence à l'échelle de la sous-grille à partir des grandes échelles résolues est démontré, de même que l'étude de l'effet des méthodes de raffinage grossier et des raffinements successifs.  L'apprentissage spatio-temporel des flux turbulents est proposé pour apprendre les instantanés temporels et des simulations a posteriori sont effectuées.

 

 

Mots-clés : Turbulence, Apprentissage, Modélisation