Sur l'apprentissage Profond pour la Mécanique des Fluides Numérique

Οn deep learning fοr cοmputatiοnal fluid dynamics

• Auteur / Autrice : Fernando Adan Gonzalez
• Direction : François-Xavier Demoulin
• Type : Thèse de doctorat
• Discipline(s) : Mecanique
• Date : Soutenance le 29/11/2023
• 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 co-accrédité : Université de Rouen Normandie (1966-....)
• Partenaire(s) de recherche : Laboratoire : Complexe de recherche interprofessionnel en aérothermochimie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1967-....)
• Jury : Président / Présidente : Pierre Trontin
• Jury : Examinateurs / Examinatrices : Simon Bernard, Florian Yger, Sylvain Chevalier, Thomas Gomez
• Jury : Rapporteurs / Rapporteuses : Erwin Franquet

Mots clés

Mots clés contrôlés

Mécanique des fluides

Réseaux neuronaux (informatique)

Turbulence

Modélisation CFD

Apprentissage profond

Mots clés libres

Apprentissage profond

Mécanique des fluides numérique

Modèles de substitution

Turbulence

Opérateurs neuronaux

Deep Learning

Computational fluid dynamics

Surrogate models

Turbulence

Neural Operators

Résumé

La dynamique des fluides computationnelle (CFD) joue un rôle central dans la simulation et comprendre les phénomènes d'écoulement des fluides dans divers domaines, notamment l'aérospatiale, l'automobile, les sciences de l'environnement et le génie biomédical. Méthodes CFD traditionnelles, principalement basées sur le numérique discrétisation des équations gouvernantes, sont souvent confrontés à des difficultés pour atteindre haute précision et efficacité de calcul, en particulier pour les applications complexes et des écoulements turbulents. Le Deep Learning (DL), un sous-domaine de l'intelligence artificielle,est apparue comme une approche prometteuse pour relever ces défis en intégrant des techniques basées sur les données avec des simulations numériques. Ce doctorat. la thèse explore de manière approfondie l'intégration du Deep Learningtechniques dans la dynamique des fluides computationnelle, en se concentrant sur l'amélioration à la fois précision et efficacité dans les simulations de flux. Ce travail est divisé en deux parties ; le premier est dédié aux fondamentaux du DL et une revue de la littérature sur les applications de pointe du DL en CFD. La deuxième la partie explore les questions de savoir comment développer des modèles de substitution basés sur les données de simulations d'écoulements turbulents. Les principaux enseignements de cette thèse sont les suivants :• Le chapitre 2 présente les concepts fondamentaux de l'apprentissage automatique.qui sera utilisé dans le travail et apparaîtra dans la plupart de la littérature dédié au ML pour CFD.• Le chapitre 3 fournit une étude à jour des avancées actuelles dans l’application du ML aux CFD. De plus, une perspective critique est fourni dans le but d’identifier des orientations de recherche possibles.• Le chapitre 4 explore la modélisation générative avec Generative Adversarial Réseaux (GAN) pour la génération de turbulences synthétiques et supervisés apprentissage pour prédire un écoulement turbulent. La première section évalueles principales difficultés rencontrées par les GAN pour générer des flux turbulents en implémentant un modèle pour la génération de signaux turbulents à la fois en 1D et 2D. La deuxième section implémente un framework avec un Autoencoderpour les écoulements turbulents 3D et un modèle LSTM convolutif pour une prédiction temporelle à l'aide de la représentation latente apprise.• Au chapitre 5, nous formons les opérateurs neuronaux à apprendre l'opérateur de solution de l'équation de Navier-Stokes à partir de données de simulation. Trois les modèles sont formés en tant que modèles de substitution des simulations. Le problème de la stabilité numérique des modèles DL est également abordée. Nous concluons que le Deep Learning fournit un ensemble intéressant d’outils qui sera utile aux scientifiques et ingénieurs travaillant avec la dynamique des fluides. Il reste encore de nombreuses questions ouvertes auxquelles il faudra répondre afin que L'intelligence artificielle fait désormais partie de la norme dans le domaine des CFD. Ce travail fournit une référence de base pour tout praticien CFD souhaitant commencer à appliquer DL à leurs problèmes ou développer de nouveaux outils pour faire progresser l’état de l’art dans ce domaine.

Computational Fluid Dynamics (CFD) plays a pivotal role in simulating and understanding fluid flow phenomena across various domains, including aerospace, automotive, environmental science, and biomedical engineering. Traditional CFD methods, predominantly based on numerical discretization of the governing equations, often face challenges in achieving high accuracy and computational efficiency, especially for complex and turbulent flows. Deep Learning (DL), a subfield of artificial intelligence,has emerged as a promising approach to address these challenges by integrating data-driven techniques with numerical simulations. This Ph.D. thesis comprehensively explores integrating Deep Learning techniques into Computational Fluid Dynamics, focusing on enhancing both accuracy and efficiency in flow simulations. This work is divided into two parts; the first one is dedicated to the fundamentals of DL and a literature review of state-of-the-art applications of DL in CFD. The secondpart explores the questions of how to develop data-driven surrogate models of turbulence flow simulations. The main takeaways of this thesis are the following:• Chapter 2 introduces fundamental concepts of Machine Learning that will be used in the work and appear in most of the literature dedicated to ML for CFD.• Chapter 3 provides an up-to-date survey of the current advancements in the application of ML to CFD. In addition, a critical perspective is provided with the purpose of identifying possible research directions.• Chapter 4 explores generative modeling with Generative Adversarial Networks (GANs) for synthetic turbulence generation and supervised learning for predicting a turbulent flow. The first section evaluates the main difficulties GANs face in generating turbulent flows by implementing a model for the generation of turbulent signals both in 1D and 2D. The second section implements a framework with an Autoencoder for 3D turbulent flows and a Convolutional LSTM model for temporal prediction using the learned latent representation. • In chapter 5, we train Neural Operators to learn the solution operator of the Navier-Stokes equation from simulation data. Three models are trained as surrogate models of the simulations. The problem of achieving numerical stability for the DL models is also addressed. We conclude that Deep Learning provides an interesting set of tools that will be useful to scientists and engineers working with fluid dynamics. There are still many open questions that need to be answered so that Artificial Intelligence becomes part of the standard for the field of CFD. This work provides a ground-level reference for any CFD practitioner wanting to start applying DL for their problems or develop new tools to advance the state-of-the-art for this field.