La simulation des grandes échelles (Large Eddy Simulation, LES) constitue une approche largement utilisée pour la simulation des écoulements turbulents. Elle consiste à résoudre explicitement les grandes structures de l’écoulement tout en évaluant l’effet des petites échelles par un modèle dit sous-maille. La simulation des régions de l’écoulement situées près des parois demeure toutefois particulièrement coûteuse en raison des fortes contraintes de résolution spatiale du maillage dans ces régions. L’utilisation de modèles de paroi permet de relâcher ces contraintes et ainsi de diminuer significativement le coût numérique des simulations. La principale difficulté réside néanmoins dans la capacité de ces modèles à conserver leur robustesse et leur représentativité pour une large gamme de configurations et de régimes d’écoulement.

Ce stage vise à explorer l’application des techniques de d’apprentissage machine (Machine Learning, ML) aux modèles de paroi utilisés dans les simulations des grandes échelles. Il s’inscrit dans le cadre d’une étude plus large consacrée au développement de modèles de fermeture LES basés sur l’apprentissage machine, avec pour objectif d’améliorer la précision des simulations tout en conservant un coût de calcul raisonnable. Les travaux menés au cours du stage seront réalisés en étroite collaboration avec ceux de la thèse actuellement en cours sur cette thématique.

L’objectif principal du stage sera de concevoir et d’entraîner un modèle de paroi à partir de données issues de simulations numériques directes (Direct Numerical Simulations, DNS) d’écoulements de référence, notamment un écoulement en canal plan et un écoulement sur marche descendante. Une attention particulière sera accordée à l’intégration, au sein du modèle, des propriétés physiques et des symétries fondamentales de l’écoulement, telles que l’invariance galiléenne et l’équivariance vis-à-vis des translations, des rotations et des réflexions.

Le travail s’articulera autour de plusieurs étapes : la préparation et le traitement des données issues des DNS, la définition des variables d’entrée et de sortie du modèle, puis la conception et l’entraînement du modèle d’apprentissage automatique et l’évaluation de ses performances a priori. Selon l’avancement du stage, le modèle pourra ensuite être implémenté dans le logiciel TrioCFD, développé au CEA, afin d’évaluer ses performances dans le cadre de simulations LES a posteriori. Ce stage permettra ainsi d’aborder à la fois des problématiques de mécanique des fluides et de turbulence, ainsi que des méthodes modernes d’apprentissage automatique appliquées à la simulation numérique des écoulements.

Une bonne maîtrise de la programmation en Python est recherchée.

Le candidat devra par ailleurs présenter une solide formation dans l’un des deux domaines suivants :

- apprentissage automatique (machine learning), idéalement complétée par des connaissances en mécanique des fluides et en simulation numérique ;

- mécanique des fluides, notamment en écoulements monophasiques et en turbulence, idéalement complétée par des connaissances en apprentissage automatique et en simulation numérique.

Les deux types de profils seront étudiés. Une première expérience dans l’application de méthodes d’apprentissage automatique à des problèmes de simulation numérique ou de mécanique des fluides constituera un atout.

Des connaissances en C++ et dans l’environnement Linux seraient également appréciées.