Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
2025-37646
Validation a posteriori de modèles RANS augmentés par apprentissage machine dans un code de simulation CFD
Contexte
Ce stage s’inscrit dans la continuité de plusieurs stages et d’une thèse, soutenue fin 2024 et encadrée par la même équipe, consacrés à l’élaboration de modèles de fermeture du tenseur de Reynolds par apprentissage automatique et techniques de machine learning informées par la physique, à partir de données de haute fidélité issues de simulations numériques directes, puis à leur implémentation dans le code TrioCFD développé au CEA.
Objectifs
Des difficultés persistent à cause de l’inadéquation entre les hypothèses du modèle et les écoulements réels (anisotropie, séparation, etc.), ainsi que de la sensibilité au maillage, aux conditions numériques et au manque de données expérimentales fiables. Ces limites affectent la robustesse, la précision et la généralisation des prédictions.
L’objectif principal de ce travail est donc la validation de ces modèles RANS prédits par réseaux de neurones, dans le but d’améliorer la précision et la robustesse des prédictions dans des conditions réalistes et des régimes d’écoulement pas nécessairement identiques aux scénarios générant les données d’apprentissage. L’objectif final est d’obtenir un ensemble de résultats de validation qui soient fiables et interprétables, consolidés et scientifiquement exploitables, en vue d’une publication dans une revue à comité de lecture. Au cours du stage, l’étudiant(e) participera activement à la mise en œuvre, l’analyse et l’amélioration des modèles. Il/elle disposera d’une liberté d’action pour apporter des corrections, améliorations ou optimisations aux modèles existants. Il/elle sera amené(e) à :
- Exécuter et analyser des campagnes de simulation dans le code TrioCFD.
- Évaluer la performance des modèles de fermeture existants sur des cas-tests de référence.
- Proposer et implémenter des améliorations sur les modèles (structure, stratégie d’apprentissage, jeux de données).
- Interpréter les résultats en termes de phénomènes physiques et de qualité de modélisation.
- Contribuer à la préparation d’un article scientifique destiné à une revue à comité de lecture.
Environnement de travail
Le stage se déroulera au centre CEA de Saclay au sein du Service de Thermohydraulique et de Mécanique des Fluides (STMF) et du Laboratoire de Développement aux Échelles Locales (LDEL). Il sera supervisé également par Didier Lucor du département de mécanique du LISN (sur le plateau de Saclay) où des points réguliers auront lieu.
Profil recherché
Nous recherchons un(e) étudiant(e) disposant de solides connaissances en mécanique des fluides et d’un bon esprit d’analyse. Le ou la candidat(e) devra être capable de : i) comprendre, modifier et améliorer un code C++ utilisé pour la simulation numérique d’écoulements turbulents, (ii) analyser et interpréter des résultats de simulation, (iii) maîtriser les outils de post-traitement en Python. Une connaissance de base des réseaux de neurones ou de l’apprentissage machine constituerait un atout appréciable.
Je me crée un espace candidat
