Recrutement

Stages

Nom de l'encadrant
Anne Sergent
Contact
Cette adresse e-mail est protégée contre les robots spammeurs. Vous devez activer le JavaScript pour la visualiser.
Titre
Réseaux de neurones profonds informés par la physique : application à la convection turbulente
Descriptif
Contexte

La convection de Rayleigh-Bénard s’établit dans une cavité sous l’effet d’une différence de tem-
pérature imposée aux parois horizontales, la paroi du bas étant chauffée. L’écoulement résultant est
caractérisé par la superposition de panaches à petite échelle, vecteurs de la chaleur, et d’un écoulement
moyen remplissant la cavité. Depuis de nombreuses années, nous simulons par simulation numérique
directe (DNS) ce phénomène physique, notamment en employant le code de laboratoire. Le passage à
des simulations massivement parallèles nous permet maintenant d’envisager des calculs à des niveaux
de paramètres proches des expérimentations. Cependant, ces calculs sont très lourds et même si la des-
cription spatio-temporelle de l’écoulement peut être très fine, il est difficile d’approcher statistiquement
toutes les échelles de l’écoulement, de stocker l’intégralité des champs calculés, ou de rejouer facile-
ment les séquences.

Objectifs du stage et méthodologie

Nous cherchons donc ici à explorer les capacités de différentes tech-
niques d’apprentissage automatique à réduire la complexité des données. Pour cela, on se basera sur
les résultats d’un stage précédent, durant lequel la pertinence d’une approche ‘Physics informed neural
networks (PINNs)’ [RPK19] (des lois de conservation physiques viennent guider l’apprentissage du ré-
seau profond) a été testée. Les résultats pour un écoulement 2D ont été concluants, mais le passage à des
écoulements 3D a montré des difficultés de convergence du réseau pour des domaines d’apprentissage
étendus (figure ci-dessous). C’est pourquoi nous souhaitons prolonger cette étude par l’usage d’autres
types de réseaux de neurones (Convolution, LSTM), déjà appliqués en turbulence [FPSS19]. La base
de données DNS est déjà existante. Les développements seront réalisés sous TensorFlow sur une carte
du cluster GPU du laboratoire.

Compétences recherchées

Sciences des données, apprentissage automatique, statistiques/probabilités, mé-
thodes numériques/algorithmique, mécanique des fluides, programmation (e.g. Python, TensorFlow)
Domaine
transferts et énergétique
Mots clés
  • Turbulence
  • Convection naturelle
  • Apprentissage
Niveau
M2
Groupe(s)
AERO, ETCM
Date de début
2020-03-02
Durée
4 à 6 mois

LIMSI
Campus universitaire bât 507
Rue du Belvedère
F - 91405 Orsay cedex
Tél +33 (0) 1 69 15 80 15
Email

RAPPORTS SCIENTIFIQUES

Rapport scientifique

 

Le LIMSI en chiffres

7 équipes de recherche
100 chercheurs et enseignants-chercheurs
40 ingénieurs et techniciens
60 doctorants
70 stagiaires

 

Paris-Saclay nouvelle fenêtre


Logo DataIA

 

© 2017 LIMSI CNRS