Modélisation et simulation de la combustion de gaz sidérurgiques

Numerical modeling and simulation of steel gases combustion under flameless combustion

• Auteur / Autrice : Huu-Tri Nguyen
• Direction : Luc Vervisch, Pascale Domingo
• Type : Thèse de doctorat
• Discipline(s) : Énergétique
• Date : Soutenance le 16/12/2022
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale physique, sciences de l’ingénieur, matériaux, énergie (Saint-Etienne du Rouvray, Seine Maritime)
• Partenaire(s) de recherche : Établissement de préparation : Institut national des sciences appliquées Rouen Normandie (Saint-Etienne-du-Rouvray ; 1985-....)
• Partenaire(s) de recherche : Laboratoire : Complexe de recherche interprofessionnel en aérothermochimie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1967-....)
• Jury : Président / Présidente : Abdellah Hadjadj
• Jury : Examinateurs / Examinatrices : Luc Vervisch, Pascale Domingo, Jun Xia, Alessandro Parente, Phuc Danh Nguyen
• Jury : Rapporteurs / Rapporteuses : Jun Xia, Alessandro Parente

Mots clés

Mots clés contrôlés

Réduction (chimie)

Turbulence

Apprentissage automatique

Réseaux neuronaux (informatique)

Modélisation CFD

Combustion

Mots clés libres

Combustion diluée

Réseaux de neurones

Apprentissage machine

Modélisation combustion turbulente

Flameless combustion

CFD

Neural network

Machine learning

Turbulent combustion modeling

Reduction (Chemistry)

Résumé

ArcelorMittal exploite et modernise des systèmes de combustion comportant de multiples injections de carburant et d'oxydants sous divers régimes de combustion. Dans ces fours, l'enthalpie (température) et la composition chimique sont spécifiques à chaque injection, couvrant ainsi une large gamme de conditions thermochimiques. L'objectif de cette thèse est de développer un cadre/outil pour aborder la modélisation numérique de tels problèmes d'entrées multiples en régime de combustion sans flamme. L’apprentissage machine et la programmation de réseaux de neurones sont combinés à l’aérothermochimie pour simuler un four de combustion sans flamme et valider la boucle de modélisation à partir de données expérimentales.

ArcelorMittal is operating and upgrading combustion systems featuring multiple injections of fuel and oxidizers and various combustion regimes. In these furnaces, both the enthalpy (temperature) and the chemical composition are specific to every single injection, thus covering a large range of thermochemical conditions. The objective of this thesis is to develop a framework/tool to address the numerical modeling of such multiple inlet problems under flameless combustion regime. Machine learning and neural network programing are combined with aerothermochemistry to simulate a flameless combustion furnace and validate the numerical tools from experimental measurements.