Ce sujet de stage est proposé au préalable d’une thèse qui débutera en octobre 2025, dans laquelle on explorera l'application des techniques de machine learning (ML) pour améliorer la modélisation de la turbulence et les simulations numériques des grandes échelles (Large Eddy Simulation, LES) en mécanique des fluides. La LES est une approche de modélisation qui se concentre sur la résolution directe des grandes structures turbulentes, tout en modélisant les petites échelles par un modèle sous-maille (SGS). Elle permet d'obtenir des résultats plus précis que les approches RANS, en capturant les dynamiques essentielles des écoulements turbulents, mais pour un coût de calcul computationnel plus important. En LES, un certain ratio de l’énergie cinétique totale doit être résolu. Néanmoins, ce ratio peut être difficilement atteignable pour des simulations industrielles en raison du fort coût de calcul, conduisant à des LES sous-résolues parfois appelées Very Large Eddy Simulations (VLES). On souhaite améliorer ces VLES à l’aide de réseaux de neurones artificiels (ANN) en orientant a priori les travaux selon deux axes principaux :

(i) Proposer des modèles sous-maille afin de compenser la grossièreté de la discrétisation spatiale (filtre implicite de largeur trop importante par rapport au prérequis d’une LES traditionnelle).

(ii) Développer des modèles de paroi pour des écoulements complexes En effet, des LES résolues en paroi sont difficilement praticables à l’échelle industrielle du fait de leur coût de calcul, ce qui contraint à se tourner vers des LES modélisées en paroi (Wall-modeled LES, WMLES) plutôt que des LES résolues en paroi (Wall-resolved LES, WRLES).

Les données de référence pour entraîner et tester les ANN proviendront soit de simulations numériques directes (Direct Numerical Simulation, DNS) sur lesquelles des opérations de filtrage seront appliquées, soit de LES, soit de mesures expérimentales.

Les objectifs du stage sont les suivants :

·         Faire un état des lieux et rassembler les données existantes et exploitables (type d’écoulement, type de données, nombre de Reynolds, etc.). Ces données sont par ailleurs précieuses pour la validation du code de calcul.

·         Réaliser des simulations des grandes échelles plus ou moins résolues sur des cas de référence tels que la marche montante ou descendante, la colline, le diffuseur, etc., et les comparer aux éventuelles données de référence, et évaluer la sensibilité à la finesse de résolution.

·         Mener une étude bibliographique approfondie sur l’application des techniques ML à la modélisation LES, en préparation à la thèse.

Le logiciel TrioCFD, développé au laboratoire d’accueil, est approprié pour réaliser des LES massivement parallèles. Des moyens de calcul conséquents sur des supercalculateurs seront mis à disposition du stagiaire afin de réaliser les simulations numériques.

Niveau Bac+5 (3e année d’école d’ingénieurs ou Master 2).

Des connaissances et une pratique en simulation numérique en mécanique des fluides.

Candidat souhaitant poursuivre en thèse sur le même sujet.