Amélioration de la prédictivité des simulations des grandes échelles par apprentissage machine [...]

CEA; Saclay; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une opportunité passionnante pour explorer l'application des techniques d'apprentissage machine dans la modélisation de la turbulence et les simulations numériques en mécanique des fluides. Ce projet de thèse se concentre sur l'utilisation des réseaux de neurones artificiels pour améliorer la précision des simulations à grande échelle, tout en surmontant les défis liés aux coûts de calcul. Vous travaillerez sur des modèles qui visent à généraliser efficacement dans différentes configurations, tout en tenant compte des incertitudes. Rejoignez une équipe dynamique à Saclay pour contribuer à des recherches de pointe dans le domaine des sciences pour l'ingénieur.

Qualifications

• Expérience en apprentissage machine et modélisation numérique.
• Connaissance des réseaux de neurones pour la simulation des grandes échelles.

Responsabilités

• Améliorer la prédictivité des simulations par apprentissage machine.
• Développer des modèles sous-mailles avec des ANN.

Connaissances

Apprentissage machine

Modélisation de la turbulence

Réseaux de neurones artificiels (ANN)

Simulation numérique

Formation

Master Recherche en mécanique des fluides

Description du poste

Description du sujet de thèse

Domaine
Sciences pour l'ingénieur

Sujets de thèse
Amélioration de la prédictivité des simulations des grandes échelles par apprentissage machine guidé par des simulations haute fidélité

Contrat
Thèse

Description de l'offre
Cette thèse vise à explorer l'application des techniques d'apprentissage machine pour améliorer la modélisation de la turbulence et les simulations numériques en mécanique des fluides. On s'intéresse plus spécifiquement à l'application des réseaux de neurones artificiels (ANN) pour la simulation des grandes échelles. Cette dernière 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. Elle requiert de résoudre un certain ratio de l'énergie cinétique totale. Néanmoins, ce ratio peut être difficilement atteignable pour des simulations industrielles en raison du fort coût de calcul, conduisant à des simulations sous-résolues. On souhaite améliorer ces dernières en orientant les travaux selon deux axes principaux :

1. Utiliser des ANN pour établir des modèles des modèles sous-mailles génériques qui surpassent les modèles analytiques et compensent la grossièreté de la discrétisation spatiale ;
2. Entraîner des ANN pour apprendre des modèles de paroi.

L'un des principaux défis à relever est la capacité des nouveaux modèles à généraliser correctement dans des configurations différentes de celles utilisées lors de l'entraînement. Ainsi, la prise en compte des différentes sources et quantification des incertitudes joue un rôle vital dans l'amélioration de la fiabilité et de la robustesse des modèles issus de l'apprentissage machine.

Université / école doctorale
Sciences Mécaniques et Energétiques, Matériaux et Géosciences (SMEMaG)
Paris-Saclay

Localisation du sujet de thèse
Site
Saclay

Critères candidat
Formation recommandée
Master Recherche en mécanique des fluides

Demandeur
Disponibilité du poste
01/10/2025

Personne à contacter par le candidat
Angeli Pierre-Emmanuel [e-mail]
CEA
DES/DM2S/STMF/LMSF
01 69 08 47 21

Tuteur / Responsable de thèse
LUCOR Didier [e-mail]
CNRS
LISN
LISN-CNRS
BP 133
F-91403 ORSAY CEDEX
[phone]

En savoir plus
Lien vers l'article