Soutenance de thèse de Guy Y. Cornejo Maceda, sous la direction de Bernd R. Noack et François Lusseyran, le mercredi 17 mars 2021 à 14:30 dans le salon virtuel suivant https://eu.bbcollab.com/guest/cf7ff0aac91340458eb5eea395371c2d
Le jury sera composé de :
Laurent Keirsbulck, Professeur, Université de Valenciennes, Rapporteur
Christian Oliver Paschereit, Professeur, TU Berlin, Rapporteur
Shervin Bagheri Professeur, KTH, Examinateur
Nathan Kutz, Professeur, University of Washington, Examinateur
Bérengère Podvin, Chargée de Recherches HDR, LISN, CNRS, Examinatrice
Marc Schoenauer, Directeur de Recherche, INRIA, Examinateur
Bernd R. Noack, Professeur, HIT, Directeur
François Lusseyran, Directeur de Recherche, LISN, CNRS Co-directeur
Le contrôle d'écoulement fluide est au cœur des problèmes d’ingénierie tels que la réduction de la traînée pour les transports aériens, terrestres ou maritimes, l'augmentation de la portance en aéronautique, la réduction de l'impact des rafales sur les éoliennes, etc.
Le contrôle passif, bien que toujours très utilisé, rencontre des limites d'où la recherche d'un contrôle actif prenant en compte l'état du système en temps réel. En mécanique des fluides, cette approche se confronte cependant à la haute dimension des systèmes fluides, les temps de réponse entre l'action et la réponse du système et aux non-linéarités intrinsèques des systèmes fluides.
Ces challenges rendent les approches de contrôle classique, basées sur la linéarisation des équations autour de l'état visé, difficilement applicables dans la plupart des cas pratique.
Aussi, à fin de prendre en compte toute la richesse de la dynamique, on résout le problème de contrôle comme un problème d'optimisation non-convexe où le but est de construire la loi de contrôle optimale, i.e. la relation mathématique entre les entrées et les sorties du système permettant d'atteindre l'objectif de contrôle.
Dans cette thèse, nous investiguons la résolution de ce problème d'optimisation à l'aide de techniques de machine learning et notamment de programmation génétique. Un des principaux résultats est le développement d'un nouvel algorithme, le gradient-enriched machine learning control (gMLC) qui combine programmation génétique et méthodes de gradients pour construire des lois de contrôle. gMLC repose sur les principes d'exploration et exploitation de l'espace des lois de contrôle et surpasse les méthodes de programmation génétique employées précédemment en termes de vitesse de convergence et de solution finale.
Notre algorithme a été testé en simulation numérique sur le problème de stabilisation du pinball fluidique et en expérience sur le contrôle de la cavité ouverte, confirmant l'accélération, d'un facteur au moins 10, de l'apprentissage dans les deux cas et révélant des mécanismes de contrôle basés sur la rétroaction.
