Menu
Séminaire du LJLL
Paola Cinnella (Sorbonne Université, Paris)
Les équations de Navier-Stokes moyennées à la Reynolds (en anglais Reynolds-averaged Navier–Stokes equations) complétées par un modèle de turbulence sont l’outil le plus couramment utilisé pour l’analyse des écoulements en ingénierie, malgré les limitations inhérentes à leur formulation. Récemment, la disponibilité accrue de données numériques ou expérimentales de haute fidélité a favorisé le développement d’une multitude de modèles de turbulence « pilotés par les données » grâce à l’assimilation de données, à la calibration Bayésienne ou encore à l’apprentissage automatique (en anglais machine learning). Bien que ces modèles puissent fournir des résultats nettement meilleurs que les modèles classiques pour la classe étroite d’écoulements pour laquelle ils ont été entraînés, leurs capacités de généralisation restent bien inférieures à celles des modèles classiques.
Dans cet exposé, je présenterai une méthodologie pour développer des modèles pilotés par les données qui présentent des capacités de généralisation améliorées tout en fournissant des estimations de l’incertitude prédictive. Cette méthodologie est basée sur un algorithme d’apprentissage Bayésien parcimonieux pour l’identification symbolique de modèles de turbulence « experts » pour certains processus physiques, et sur des méthodes de mélange de modèles pour la prédiction robuste de nouveaux cas. Les expériences numériques montrent des résultats prometteurs pour nombre de configurations d’écoulements.
Diaporama du séminaire de Paola Cinnella 28 juin 2024 – 9.6Mo