wheel.png

Subject : 

Contexte et objectif

Les réseaux de neurones informés par la physique sont des outils développés récemment pour traiter des problèmes d’apprentissage avec des contraintes imposées par la physique. Ils sont utilisés de deux manières différentes :

  • Solutions ‘Data-Driven’ : en partant d’un ensemble de données, le réseau de neurones est entrainé pour reconstruire la solution (un signal par exemple, ou même un champ complets de pression, de vitesse,…). La physique est incluse dans le processus d’apprentissage en obligeant les solutions obtenues par le réseau de neurones à satisfaire un ensemble d’équations différentielles, comme par exemple, les équations de continuité ou de Navier-Stokes.
  • ‘Data-Driven discovery’ : en partant d’un ensemble de données, le réseau de neurones est entrainé pour les reconstruire et trouver le modèle mathématique qui reproduit au mieux les données, comme, par exemple une ou un système d’équations différentielles.

Le premier objectif du projet de thèse est d’appliquer l’apprentissage informé par la physique à des écoulements complexes tels que ceux rencontrés dans les turbomachines. Plusieurs géométries d’écoulements tournants et turbulents seront étudiées en utilisant les approches d’apprentissage citées précédemment. Les configurations visées sont : (i) une pompe centrifuge, (ii) un actionneur pour le contrôle d’écoulement, (iii) en ensemble de grilles monté dans un conduite circulaire ou annulaire, (iv) un compresseur axial.

En couplant des bases de données expérimentales et numériques, l’objectif est d’entraîner le réseau de neurones à reconstruire un écoulement en cohérence avec les équations de Navier-Stokes. Ce réseau de neurones permettra de reconstruire un jumeau numérique des dispositifs expérimentaux existants et sera mis à disposition de la communauté scientifique. Afin de faciliter le partage de données, et aussi les potentiels améliorations au projet, les bases de données seront digitalisées et accessibles via une interface utilisateur conviviale.

Le deuxième objectif du projet est d'utiliser l'apprentissage profond pour découvrir un ensemble d'équations différentielles qui peuvent reproduire fidèlement les résultats de nos bases de données. Cette dernière étape est clairement un défi du projet et elle s’appuiera sur l’étude des modèles existants dans la littérature. Grâce à cette deuxième phase du projet, nous visons à décrire par des modèles mathématiques simplifiés, des phénomènes complexes tels que le décrochage tournant, la déstabilisation et la stabilisation des écoulements induits par la grille, les instabilités de type modal ou ‘spike’. Les connaissances approfondies résultant des modèles d'ordre réduits fourniront un ensemble d'indicateurs généraux qui peuvent conduire à prédire et contrôler les instabilités d'écoulement, non seulement dans nos géométries, mais potentiellement dans toutes les turbomachines du même type.

Ces travaux se placent dans les activités de recherche actuelles (http://lmfl.cnrs.fr/) du LMFL dans le domaine des écoulements tournants et turbulents et en analyse de données qui disposent ou va disposer rapidement de bases de données numériques et expérimentales complètes sur les différentes configurations support de la thèse. 

L’encadrement de la thèse sera assuré par Antoine Dazin, Francesco Romano (ENSAM) et Thomas Gomez (Université de Lille).

Prérequis :

  • Master en Mathématiques appliquées, Mécanique des Fluides ou équivalent.
  • Aptitude à travailler en autonomie et à s’intégrer dans une équipe.
  • Capacité à communiquer (écrit et oral) en anglais.

Conditions d’embauche :

  •  Démarrage en octobre 2020.

Pour candidater :

  •  Un CV détaillé.
  • Une lettre de motivation.
  • Les coordonnées de personnes référentes . 

Contact: This email address is being protected from spambots. You need JavaScript enabled to view it. 

                                                                                            

 

Program : Machine Learning and Fluids Mechanics

Thursday July 5th 10:00 - 12:30 am - At M6 seminar room

10:00 - Charles Pivot 30’ : Machine learning in fluid dynamics : control & prediction

10:40 - Nicolas Vauchel 20’ : Sensibility of aircraft’s behaviour in post-stall motions towards representating models

11:10 - Nathaniel Saura 20’ : An attempt to learn the Physics

11:40 - Xinlei Zhang 20’ : Optimization of RANS simulation with ensemble-based variational method

12:10 - Aakash Patil 10’ : A Framework For Data-Driven Turbulence Modeling

 

 

                                

 

PhD thesis for 2017

Subjects:

  1. Data driven turbulence modeling for turbulent boundary layer control.
  2. Sensibilité et robustesse du comportement des aéronefs au voisinage et au delà du décrochage aux modèles de représentation.

 

Please contact me as soon as possible.

Contact: This email address is being protected from spambots. You need JavaScript enabled to view it.

 

                                                                                           

PhD Thesis for 2018

Subject : "Analyse et reconstruction d'un écoulement urbain pour la navigation de petits drones en milieu non-homogène"

Le déploiement de minidrones pour des missions d’inspection (grands linéaires, ouvrages d’art) de surveillance (sites industriels) voire même de transport de colis demande une augmentation de la résilience du drone vis-à-vis d’évènements potentiellement dangereux tels que certaines situations aérologiques rencontrées en milieu urbain ou à proximité de bâtiments. Il faut donc développer des algorithmes de guidage permettant d’éviter les zones venteuses dangereuses et développer des lois de contrôle robustes aux imprécisions de l’estimation du vent. Si on veut réduire le conservatisme lié à l’approche robuste qui pénalise le drone dans ses performances et réduit son domaine de vol utile, il faut pouvoir coupler les commandes de vol avec une prédiction de la situation aérologique qui soit « assimilable » par le drone.

L'objet de la thèse est de proposer une brique technologique visant la réduction des cartographies d'écoulement 3D pour pouvoir être géré par le système de commande du drone. La réduction du modèle sera ensuite accompagnée d'une reconstruction, basée sur les besoins du drone. La modélisation de la scène aérologique prendra en compte l’instationnarité des phénomènes physiques, ces modèles seront ensuite validés sur des bases de données existantes et des outils de reconstructions de l’écoulement pertinents pour le drone seront développés.

Contact: This email address is being protected from spambots. You need JavaScript enabled to view it. 

                                                                                           

 

Postdoctoral position for 2018

Subject: Development of machine learning techniques adapted to aircraft stalled flight behavior prediction.

 

Contact: This email address is being protected from spambots. You need JavaScript enabled to view it.