Description du sujet de thèse

La convection de Rayleigh Bénard est établie dans une cavité sous l'effet d'une différence de température imposée aux parois horizontales, la paroi inférieure étant chauffée. L'écoulement en régime turbulent qui en résulte est un phénomène multi-structuré et multi-échelle caractérisé par la superposition de panaches à petite échelle (vecteurs de chaleur), d'un écoulement moyen à grande échelle remplissant la cavité, de couches limites et de fluctuations turbulentes.

Depuis de nombreuses années, nous simulons ce phénomène physique par simulation numérique directe (DNS). Le passage aux simulations massivement parallèles permet aujourd'hui d'envisager des calculs à des niveaux de paramètres proches de l'expérience. Cependant, ces calculs sont très lourds et même si la description spatio-temporelle de l'écoulement peut être très fine, il est difficile d'approcher statistiquement toutes les échelles de l'écoulement, de stocker tous les champs calculés, ou de rejouer facilement les séquences.

Malgré les progrès réalisés grâce à une comparaison minutieuse des études expérimentales et des simulations numériques, des différences essentielles subsistent dans la quantité et la nature des informations fournies par chaque communauté, ce qui rend difficile une compréhension conjointe. Les capacités potentielles considérables des techniques récentes d'apprentissage profond informées par la physique aideront à intégrer de manière transparente les avantages de chacune des approches dans l'objectif d'améliorer la modélisation et la compréhension de la physique de la convection turbulente.

Dans ce projet, nous tirerons parti de réseaux complexes, alliant réseaux pleinement connectés (MLP) et réseaux neuronaux convolutifs (AE, ou autres) améliorés par l'introduction de contraintes physiques, afin d'accélérer et de renforcer la phase d'apprentissage des modèles. Plus précisément, les objectifs sont de déduire les données manquantes des expériences et d'alléger le coût des simulations numériques coûteuses en réduisant le coût de stockage. Ces techniques seront déployées à l'interface entre les modèles numériques et les solveurs, et les données acquises expérimentalement, non seulement pour réduire la complexité des données et faciliter la comparaison, mais aussi pour accéder à des informations non mesurées/non quantifiables en termes de variables ou de finesse de résolution, et pour guider l'exploration physique.

Plusieurs stages encourageants ont déjà été réalisés sur le sujet [Lucor et al. JCP 2022]. Une grande base de données DNS existe déjà [Belkadi et al. JFM 2021], mais elle sera étendue au besoin en utilisant les ressources des supercalculateurs nationaux de GENCI.

Ce projet s'adresse à un(e) étudiant(e) motivé(e) par l'usage des techniques d'apprentissage automatique pour la physique avec des bases solides
en physique et/ou mécanique des fluides. Il nécessite de bonnes capacités en manipulation d'outils numériques, et pour travailler en équipe et collaborer avec des équipes extérieures au LISN, en France ou à l'étranger. Une maitrise de l'anglais est nécessaire.

Contexte de travail

* La thèse se déroulera au sein du département de Mécanique du Laboratoire Interdisciplinaire des Sciences du Numérique (LISN à Orsay - https://www.lisn.upsaclay.fr), sous la direction de A. Sergent et D. Lucor.

* Elle bénéficiera de l'infrastructure numérique du laboratoire (clusters CPU / GPU) mais aussi des accès aux supercalculateurs nationaux de GENCI.

* Ce travail est financé par le projet ANR THERMAL (2023-2026), et bénéficiera d'une forte interaction avec nos collègues du Laboratoire de Physique de l'ENS Lyon.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.