Développement d’outils d’assimilation de données pour l’estimation augmentée d’écoulements internes

Development of Data Assimilation Tools for Augmented Estimation of Internal Flows

• Auteur / Autrice : Lucas Villanueva
• Direction : Jacques Borée, Marcello Meldi, Karine Truffin
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des milieux fluides
• Date : Soutenance le 02/12/2024
• Etablissement(s) : Chasseneuil-du-Poitou, Ecole nationale supérieure de mécanique et d'aérotechnique
• Ecole(s) doctorale(s) : Ecole doctorale Sciences et ingénierie des matériaux, mécanique, énergétique (Poitiers ; 2018-2022)
• Partenaire(s) de recherche : Laboratoire : Institut Pprime [UPR 3346] / PPrime [Poitiers]
• Jury : Examinateurs / Examinatrices : Jean-Camille Chassaing
• Jury : Rapporteurs / Rapporteuses : Dominique Heitz, Rémi Manceau

Mots clés

Mots clés contrôlés

Turbulence

Simulation des grandes échelles

Reynolds, Nombre de

Problèmes aux limites

Navier-Stokes, Équations de

Kalman, Filtrage de

Fluides incompressibles

Écoulement instationnaire (dynamique des fluides)

Assimilation de données (géophysique)

Mots clés libres

Coupling OpenFOAM with Numerical EnvironmntS (C.O.N.ES)

Calibration de conditions aux limites

Filtre de Kalman d'ensemble hyper-localisé

Coupling OpenFOAM with Numerical EnvironmntS (C.O.N.ES)

Boundary conditions calibration

Ensemble Kalman filter hyper-localized

Résumé

Dans ce travail de thèse, des outils d’assimilation de données sont utilisés pour augmenter les performances de solveurs de mécanique des fluides dédiés à la simulation des grandes échelles. L’objectif est d’améliorer la prédiction et l’étude d’évènements marginaux nuisibles à l’intégrité des systèmes physiques. Bien que difficile à caractériser et à modéliser, la compréhension détaillée de ces phénomènes physiques complexes est essentielle pour le développement d’applications plus durables. Ces objectifs s’intègrent aux activités de recherche du projet ANR ALEKCIA dans lequel ce travail de thèse s’inscrit. Plus précisément, il s’agit de répondre au besoin de couplage de calculs de mécanique des fluides numérique avec un algorithme d’assimilation de données séquentiel. L’outil CONES (Coupling OpenFOAM with Numerical EnvironmentS),qui a été développé, permet d’y apporter une réponse en s’appuyant sur le logiciel OpenFOAM et le filtre de Kalman d’ensemble. Ce dernier permet à la fois le calibrage des paramètres physiques de la simulation numérique ainsi que l’inférence de champs physiques tels que le champ de vitesse. CONES est mis à contribution pour l’inférence de trois cas d’étude à la complexité grandissante. Le premier optimise les coefficients de fermeture de modèles de turbulence de type RANS pour un écoulement incompressible via l’assimilation de données expérimentales. La calibration de ces paramètres entraîne notamment une amélioration topologique des structures de recirculation de la géométrie. Le cas démontre également l’importance de la qualité des informations de sources hétérogènes observées plutôt que leur quantité. Dans une deuxième étude, la simulation des grandes échelles est utilisée pour fournir une prédiction des caractéristiques tridimensionnelles instationnaires d’un écoulement incompressible turbulent en canal. Outre l’optimisation du modèle Smagorinsky, le champ de vitesse est partiellement synchronisé avec les données observées pour favoriser la reconstruction des structures instationnaires. L’influence de certains hyper-paramètres tels que l’inflation est mise en lumière. Enfin, une variante de l’algorithme de Kalman, le filtre de Kalman d’ensemble hyper-localisé, est développée pour le dernier cas d’étude. Cette méthode permet notamment une diminution du coût de calcul. Elle est utilisée pour l’inférence d’une LES de l’écoulement compressible d’une géométrie simplifiée de moteur. La condition d’entrée de référence pulsée est correctement calibrée et le champ de vitesse est localement synchronisé sur les simulations inférées. La correction apportée par l’algorithme montre également une amélioration de la répartition énergétique de la région inférée en adéquation avec la répartition de référence. En conclusion, le potentiel du filtre de Kalman d’ensemble pour la calibration de paramètres physiques et la reconstruction de structures locales grâce à l’observation de données haute-fidélité d’un système réel a été démontré. Ceci permettrait l’étude d’évènements extrêmes pouvant nuire à l’intégrité du système physique grâce à la simulation numérique augmentée de ces phénomènes.

In this thesis, data assimilation tools are used to increase the performance of fluid mechanics solvers dedicated to large eddy simulations. The aim is to improve the prediction and study of marginal events harmful to the integrity of physical systems. Although difficult to characterize and model, a detailed understanding of these complex physical phenomena is essential for the development of more sustainable applications. These objectives are in line with the research activities of the ANR ALEKCIA project, of which this thesis is a part. More specifically, the aim is to meet the need to couple numerical fluid mechanics calculations with a sequential data assimilation algorithm. CONES (Coupling OpenFOAM with Numerical EnvironmentS) tool has been developed to provide an answer to this need by using the OpenFOAM software and the ensemble Kalman filter. The latter can be used both to calibrate the physical parameters of the numerical simulation and to infer physical fields, such as the velocity field. CONES is used to infer three case studies of increasing complexity. The first optimizes the closure coefficients of RANS-type turbulence models for an incompressible flow by assimilating experimental data. The calibration of these parameters leads in particular to a topological improvement in the recirculation structures of the geometry. The case also demonstrates the importance of the quality of the heterogeneous source of information observed rather than its quantity. In a second study, large eddy simulation is used to provide a prediction of the unsteady three-dimensional characteristics of a turbulent incompressible flow in a channel. In addition to optimizing the Smagorinsky model, the velocity field is partially synchronized with the observed data to facilitate the reconstruction of the unsteady structures. The influence of hyper parameters such as inflation is highlighted. Finally, a variant of the Kalman algorithm, the hyper-localized ensemble Kalman filter, is developed for the last case study. In particular, this method reduces the computational cost.It is used to infer a LES of the compressible flow of a simplified engine geometry. The pulsed reference input condition is correctly calibrated and the velocity field of the inferred simulations is locally synchronized. The correction provided by the algorithm also shows an improvement in the energy distribution of the inferred region in line with the reference distribution. In conclusion, the potential of the ensemble Kalman filter for calibrating physical parameters and reconstructing local structures by observing high-fidelity data from the real system has been demonstrated. This could enable the study of extreme events that could damage the integrity of the physical system, thanks to the augmented numerical simulation of these phenomena.