Soutenance de thèse de Lianfa Wang

Amélioration de la confiance dans les résultats CFD par apprentissage profond

Lianfa Wang a réalisé sa recherche doctorale sous la direction de Youssef Mesri. Il soutient sa thèse de doctorat en spécialité “Mathématiques Numériques, Calcul Intensif et Données” le 18 juillet 2024 devant le jury suivant :

M. Fabien CASENAVE Safran Tech | Digital Sciences and Technologies, Rapporteur
M. Guillaume HOUZEAUX Barcelona Supercomputing Center-Centro Nacional de Supercomputación, RapporteurM. Yvan FOURNIER Département MFEE, EDF Lab Chatou, Examinateur
M. Hervé GUILLARD Inria Sophia Antipolis Méditerranée, Examinateur
M. Damien TROMEUR-DERVOUT Claude Bernard University Lyon 1 | UCBL · Institut Camille Jordan, Examinateur
Mme Luisa SILVA RESEARCH INSTITUTE IN CIVIL AND MECHANICAL ENGINEERING (GEM) Centrale Nantes, Examinatrice
M. Charles MOULINEC UK Reasearch and Innovation – Science and Technology Facilities Council, Examinateur
M. Youssef MESRI Cemef Mines Paris-PSL, Examinateur
M. Jean-François WALD Département MFEE, EDF Lab Chatou, Invité

Résumé :

La dynamique des fluides numérique (CFD) s’est imposée depuis plusieurs années comme un outil indispensable pour l’étude des phénomènes d’écoulement complexes en recherche et en industrie. La précision des simulations CFD dépend de plusieurs paramètres – géométrie, maillage, schémas, solveurs, etc. – ainsi que de connaissances phénoménologiques que seul un ingénieur expert en CFD peut configurer et optimiser.

L’objectif de ce travail de thèse est de proposer un assistant IA pour aider les utilisateurs, qu’ils soient experts ou non, à mieux choisir les options de simulation et à garantir la fiabilité des résultats pour un phénomène d’écoulement cible. Dans ce cadre, des algorithmes d’apprentissage profond sont explorés pour identifier les caractéristiques des écoulements calculés sur des maillages structurés et non structurés de géométries complexes.

Dans un premier temps, des réseaux de neurones convolutifs (CNN), réputés pour leur capacité à extraire des motifs sur des images, sont utilisés pour identifier des phénomènes d’écoulement tels que les tourbillons et la stratification thermique sur des maillages structurés en 2D. Bien que les résultats obtenus sur maillages structurés soient satisfaisants, les réseaux CNN ne peuvent être appliqués qu’à ce type de maillage. Pour surmonter cette limitation, un cadre de réseau neuronal basé sur les graphes (GNN) est proposé. Ce cadre utilise l’architecture U-Net et une hiérarchie de graphes successivement déraffinés grâce à la mise en oeuvre d’une méthode multigrille (AMG) inspirée de celle utilisée dans le code de simulation Code_Saturne.

Par la suite, une étude approfondie des fonctions à noyau a été menée selon des critères de précision d’identification et d’efficacité d’entraînement pour mieux filtrer les différents phénomènes sur maillages non structurés. Après avoir comparé des fonctions à noyau disponibles dans la littérature, une nouvelle fonction à noyau basée sur le modèle de mélange gaussien a été proposée. Cette fonction est mieux adaptée à l’identification de phénomènes d’écoulement sur des maillages non structurés. La supériorité de l’architecture et de la fonction à noyau proposées est démontrée par plusieurs expériences numériques d’identification des tourbillons en 2D, ainsi que par son adaptabilité à l’identification des caractéristiques d’un écoulement en 3D.

Un cadre de réseau neuronal à base de graphe (GNN) efficace s’appuyant sur l’architecture U-Net et une hiérarchie de graphes successivement déraffinés au moyen de la méthode algébrique multigrille (AMG) du code de résolution CFD open source code_saturne est proposé pour l’identification de phénomènes d’écoulement sur des maillages CFD non structurés

Mots-clés : Identification des phénomènes d’écoulement, Réseau neuronal convolutif, Réseau neuronal en graphes, Méthode algébrique multigrille