Réseaux de neurones convolutifs pour la prédiction de flux constant autour d'obstacles 2D

par Junfeng Chen

Projet de thèse en Mathématiques numériques, Calcul intensif et Données

Sous la direction de Elie Hachem.

Thèses en préparation à l'Université Paris sciences et lettres , dans le cadre de École doctorale Sciences fondamentales et appliquées , en partenariat avec Centre de Mise en Forme des Matériaux (laboratoire) et de MINES ParisTech (établissement opérateur d'inscription) depuis le 01-12-2018 .


  • Résumé

    Le but de la thèse est de développer, tester et valider les nouveaux modèles où l'écoulement turbulent est entraîné par les bases de données générés par simulation en 3D CFD. Les objectifs sont : (i) créer une base de données des flux de couche limite atmosphérique (ABL) autour d'obstacles typiques; (ii) élaborer des stratégies d'apprentissage efficaces et les valider dans les cas non appris; (iii)appliquer cette approche à des flux ABL réalistes autour d'environnements complexes et obtenir une surveillance de haute qualité.

  • Titre traduit

    Convolutional neural networks for steady flow prediction around 2D obstacles


  • Résumé

    The aim of this PhD thesis is to develop, test and validate novel modeling approaches where the turbulent flow is trained against large datasets of 3D CFD simulations. The objectives are to: (i) create a database of atmospheric boundary layer (ABL) flows around typical obstacles; (ii) elaborate efficient learning strategies and validate them in unlearned cases; (iii) apply this approach to realistic ABL flows around complex environment and obtain high-quality monitoring.