L'expérimentation numérique au service de la modélisation des transferts au sein d'écoulements turbulents à bulles avec changement de phase.

Numerical experiments: a tool to tackle the modelling of transfers in turbulent bubbly flows with phase change.

• Auteur / Autrice : Mathis Grosso
• Direction : Adrien Toutant
• Type : Projet de thèse
• Discipline(s) : Sciences de l'Ingénieur
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Perpignan
• Ecole(s) doctorale(s) : École doctorale Énergie environnement
• Partenaire(s) de recherche : Laboratoire : Laboratoire Procédés, matériaux et énergie solaire (Perpignan)

Mots clés

Mots clés libres

Modélisation

Turbulence

Diphasique

Bulles

Thermiques

Transferts

Modelling

Turbulent

Two-phase

Bubbly

Heat

Transfer

Résumé

Cette proposition a pour objectif de développer des modèles macroscopiques par l'assimilation de données haute-fidélité d'écoulements turbulents autour de bulles en présence de changement de phase. Les données haute-fidélité seront produites à partir de simulations diphasiques fines basées sur la méthode Front-Tracking (FT). Le succès de la démarche est illustré par l'intérêt des partenaires du projet Neptune (EdF, Framatome et IRSN). Dans la thèse d'A.Sonolet, nous envisageons d'utiliser l'apprentissage statistique (supervisé ou non, avec l'aide des compétences du STMF/LGLS au CEA Paris-Saclay) pour extraire des modèles physiques pertinents de la grande quantité de données produites par les DNS (data mining & Machine Learning). Ce projet s'inscrit dans le prolongement avec une extension des simulations vers les écoulements à changement de phase. L'espace des paramètres adimensionnels devient très grand. Il est donc indispensable de réduire le coût des DNS en introduisant des modèles sous-maille, ISS (A.Toutant, G.Bois). On s'appuiera sur nos travaux précédents en les portant à maturité afin de réaliser des simulations de référence d'écoulement turbulent avec changement de phase. Une fois la démarche validée sur des données numériques et expérimentales, ces simulations multi-échelles constitueront une base de données étendue ouverte à l'assimilation automatique et à la modélisation. Alliant simulations HPC et techniques d'apprentissage innovantes, ce projet aborde la modélisation des écoulements bouillants au cœur du secteur de l'énergie, que ce soit nucléaire, solaire ou spatiale, avec de nombreuses retombées attendues (partenariats avec les acteurs du nucléaire, la DRF, PROMES…). Il adresse précisément les 2 challenges identifiés par un fondateur du Front-Tracking (G.Tryggvason).

This proposal aims at developing macroscopic models by data-assimilation techniques applied to high-fidelity simulations of turbulent bubbly flows with phase change. The data will be produced by Direct Numerical Simulations relying on the Front-Tracking (FT) solver implemented in TrioCFD. The success of our up-scaling methodology has been proven by the continuous interest from the industrial partners of the Neptune project (EdF, Framatome and IRSN). In A.Sonolet's PhD, statistical learning (supervised or not) will help to extract relevant physical information from the massive data produced by DNS in order to build predictive models (coupling data mining & Machine Learning). This project is perfectly in line with the extension of the work towards boiling flows. The parameters' space becomes large; it is then required to reduce the cost of each high-fidelity simulation by introducing ad-hoc sub-grid models, as Interfaces and Sub-grid Scale models (ISS, A.Toutant, G.Bois). To this end, we will rely on our previous works and they will be matured to enable high-fidelity simulations of turbulent bubbly flows with phase change. Once the methodology is validated on numerical and experimental data, these multi-scale simulations will constitute an extended database on which automatic data assimilation and modelling can be performed. Coupling HPC simulations and innovative learning techniques, this project tackle the modelling of boiling flows at the core of energy applications, for solar, nuclear or space applications. Several benefits are expected (partnerships with nuclear industries, DRF, PROMES, ). It precisely fits in the 2 main challenges identified by one inventor of the Front-Tracking (G.Tryggvason).