PhD Position 1 – Sci-Fi-Turbo HORIZON CL5 : Simulations à résolution d’échelle pour les innovations dans la conception de TURBOmachines

La conception de moteurs aéronautiques de nouvelle génération nécessite l’intégration de simulations à résolution d’échelle d’ordre élevé (SRS) et de méthodologies d’optimisation dans les flux de travail industriels standards. Les futurs concepts de moteurs nécessitent d’ouvrir l’espace de conception et de résoudre des problèmes de conception complexes hors de portée des processus de conception industrielle standard d’aujourd’hui dans les délais requis. Dans le cadre du projet collaboratif Horizon cluster 5 Sci-Fi-Turbo, nous cherchons à répondre à ce besoin urgent en exploitant les opportunités de trois technologies fondamentales : le calcul haute performance, les méthodes numériques d’ordre élevé et l’IA/ML. Cette combinaison est utilisée pour mettre en œuvre et démontrer des avancées clés dans la conception de turbomachines.

Participants :
Sci-Fi-Turbo est dirigé par le Centre allemand de recherche aérospatiale DLR (Cologne) et comprend des partenaires tels que GE-Allemagne, ANSYS, Sorbonne Université, Imperial College, Université de Melbourne, CINECA, Université de Braunshweig, Chalmers.

Objectif : Modèles de turbulence à la volée basés sur des données pour une conception aérodynamique haute fidélité
Les processus de conception de turbomachines industrielles s’appuient sur des solveurs (U)RANS à volumes finis du second ordre. Le changement radical requis dans la capacité prédictive a toutefois nécessité l’introduction d’approches précises de haut niveau et SRS dans le processus de conception. Néanmoins, la maturité actuelle des solveurs SRS d’ordre élevé compatibles HPC pour les applications de turbomachines n’est pas suffisante pour être utilisée dans les flux de travail de conception industrielle standard. Seul un très petit nombre de SRS peuvent être réalisés lors d’une optimisation, en raison de leur coût de calcul élevé. Pour atténuer cela, nous prévoyons d’exploiter les données SRS haute fidélité pour former et
Des modèles RANS augmentés par apprentissage automatique, et plus particulièrement des modèles basés sur des données en boîte ouverte basés sur des algorithmes d’identification symbolique [1,2], pour fournir des niveaux de précision proches de SRS, au moins à proximité de l’ensemble d’entraînement.
Les objectifs des travaux de thèse sont les suivants : parvenir à une formation de modèle informatiquement efficace et automatisée, pour permettre un recyclage « à la volée » lors de l’optimisation, si nécessaire ; assurer la robustesse numérique des modèles basés sur les données, qui doivent répondre à des critères de convergence stricts pour éviter les incertitudes associées aux erreurs de solution ; développer des modèles basés sur des données qui soient généralisables sur une sous-région suffisamment grande de l’espace des paramètres, et pour éviter des erreurs d’extrapolation catastrophiques ou la nécessité d’un recyclage trop fréquent. Pour relever ces défis, les approches basées sur les données
sera contraint de garantir le bon comportement des modèles (invariance, symétries, réalisabilité). De plus, nous étudierons les critères de généralisation, par exemple basés sur la distance de Malahanobis ou les limites PAC-Bayes [3,4]. Ces critères seront utilisés pour mesurer la fiabilité prédictive du modèle et déclencher un recyclage si nécessaire.

Plan de travail :
Les travaux de thèse seront répartis sur trois ans. Il/elle devra travailler en étroite interaction avec les autres membres de l’équipe (personnel permanent, doctorant et postoc impliqués dans Sci-Fi-Turbo) et participer aux activités du projet : interactions avec d’autres partenaires, participation aux réunions d’avancement, rédaction de rapports. Elle/Il devra également participer aux activités de diffusion en participant à des conférences internationales et en rédigeant des articles.

Le programme provisoire est le suivant :
• Bibliographie sur les modèles de turbulence augmentés par apprentissage automatique et les critères de généralisation. Collecte de données de formation et de validation (y compris les données générées au sein du consortium Sci-Fi-Turbo) et génération de bases de données SRS supplémentaires si nécessaire. Enquête sur des techniques de formation informatiques efficaces et entièrement automatiques.
• Enquête sur les critères d’optimalité des données d’entraînement. Formation du modèle RANS basé sur les données et évaluation sur une variété de cas de test. Enquête sur les capacités de généralisation et estimation des incertitudes prédictives. Définition de mesures d’extrapolation adaptées et de critères de reconversion. Définition d’un workflow automatique.
• Application du workflow aux configurations de compresseurs Sci-Fi-Turbo et validation approfondie. Intégration au sein d’algorithmes d’optimisation multi-fidélité développés par PhD2 et application à la conception d’une aube de compresseur.

Références :
[1] Schmelzer, M., Dwight, RP et Cinnella, P. (2020). Découverte de modèles algébriques de contrainte de Reynolds utilisant la régression symbolique clairsemée. Écoulement, turbulence et combustion, 104, 579-603.
[2] Cherroud, S., Merle, X., Cinnella, P. et Gloerfelt, X. (2022). Apprentissage bayésien clairsemé de modèles algébriques explicites de contraintes de Reynolds pour les écoulements séparés turbulents. International Journal of Heat and Fluid Flow, 98, 109047.
[3] Wu, JL, Wang, JX, Xiao, H. et Ling, J. (2017). Évaluation a priori de la confiance des prédictions pour la modélisation de la turbulence basée sur les données. Écoulement, turbulence et combustion, 99, 25-46
[4] Alquier, P. (2021). Introduction conviviale aux limites PAC-Bayes. Préimpression arXiv arXiv:2110.11216.