Contexte

Les écoulements diphasiques gaz-liquide sont présents dans de nombreux systèmes industriels, notamment dans les générateurs de vapeur des centrales nucléaires. Selon les conditions d’écoulement, différentes configurations peuvent être observées, depuis les écoulements à bulles jusqu’aux écoulements annulaires, en passant par différents régimes transitionnels.

La compréhension des transitions entre ces différents régimes constitue un enjeu important pour le développement et l’amélioration des modèles utilisés en simulation numérique des écoulements diphasiques.

Dans le cadre d’un travail de thèse au CEA, une base de données expérimentales a été constituée à partir de plusieurs études disponibles dans la littérature. Elle regroupe à la fois les conditions expérimentales et des mesures locales caractérisant les structures de l’écoulement, notamment les fractions volumiques, les tailles caractéristiques, les vitesses des phases ou des bulles et l’aire interfaciale.

L’objectif du stage sera d’exploiter cette base de données à l’aide de méthodes de machine learning afin d’identifier les grandeurs physiques pertinentes pour l’étude des transitions de régimes d’écoulement et d’analyser les relations entre ces grandeurs et les phénomènes observés.

 
Objectifs

Le stage sera organisé autour de plusieurs axes complémentaires.

1) Analyse et structuration des données expérimentales

•  Prise en main d’une base de données expérimentale issue de différentes études de la littérature ;
• Analyse de la qualité, de la variabilité et de la structure des données disponibles ;
• Identification et sélection des grandeurs physiques pertinentes pour l’étude des transitions ;
• Mise en œuvre de méthodes statistiques permettant de caractériser la dépendance entre les variables disponibles et la grandeur d’intérêt.

2) Développement de modèles d’apprentissage supervisé

Cette étape consistera à étudier les relations entre les grandeurs physiques sélectionnées et les transitions de régimes à l’aide de méthodes d’apprentissage supervisé. Différentes méthodes de machine learning pourront notamment être étudiées, telles que les forêts aléatoires, les réseaux de neurones ou les processus gaussiens.

 
3) Analyse et interprétation des résultats

Selon l’avancement du stage, une analyse de l’influence des différentes variables sur les résultats des modèles pourra être menée.

L’objectif sera notamment de mettre en relation les comportements identifiés par les modèles prédictifs avec les connaissances physiques disponibles sur les mécanismes de transition des écoulements diphasiques.

Étudiant(e) en dernière année d’école d’ingénieur ou en Master 2, avec une formation en machine learning, data science, statistiques, mathématiques appliquées ou domaine connexe. Le stage s’adresse à un profil souhaitant appliquer et approfondir ses compétences en machine learning sur des données scientifiques, dans le cadre d’une application à la physique des écoulements diphasiques.

Le stage s’effectuera dans le cadre d’un travail de thèse portant sur la modélisation des transitions d’écoulements diphasiques dans les codes de simulation numérique

Compétences requises ou souhaitées

• Bonnes connaissances en statistiques et apprentissage statistique ;
• Connaissances en méthodes de machine learning ;
• Maîtrise de la programmation en Python ;
• Intérêt pour l’analyse et l’interprétation de modèles ;
• Des connaissances en mécanique des fluides constitueront un atout, mais ne sont pas indispensables.

Références

[1] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer Series in Statistics. Springer, New York. https://doi.org/10.1007/978-0-387-84858-7

 
[2] Besse, P., Laurent, B., Maugis, C., & Roustant, O. (2022--2023). Machine Learning. Département Génie Mathématique et Modélisation, Mastère Spécialisé VALDOM, INSA Toulouse. Url : https://www.math.univ-toulouse.fr/~besse/pub/machineLearning

[3] - Da Veiga, S., Gamboa, G., Iooss, B., & Prieur, C. (2021). Basics and Trends in Sensitivity Analysis: Theory and Practice in R . DOI:10.1137/1.9781611976694

[4] Spagnol, A. (2020). Indices de sensibilité via des méthodes à noyaux pour des problèmes d'optimisation en grande dimension. Thèse de doctorat, Université de Lyon.