Postdoc: MECANIQUE DES FLUIDES EXPERIMENTALE, ANALYSE ET ASSIMILATION DE DONNEES D’ECOULEMENT

PROJET MALEAF Le projet MALEAF est un projet ANR de recherche collaboratif regroupant des chercheurs de l'ENSAM, du CNAM, de l'Ecole Navale et de l'ONERA. Il vise à augmenter l'efficacité des dispositifs de production d'énergie et de propulsion utilisant des machines tournantes, en particulier pour des applications marines ou aéronautiques. L'objectif sera atteint grâce au développement d'outils d'analyse précis et peu coûteux pour des problèmes hydrodynamiques ou aérodynamiques. Plus précisément, des modèles prédictifs avancés d'ordre réduit seront entrainés et calibrés par l'utilisation de méthodologies basées sur les données. Une caractéristique distinctive du projet est que les modèles seront obtenus à partir de données intelligentes (smart data) plutôt que de données volumineuses (big data). La gamme d'outils proposés, qui comprend les expériences, la CFD et les approches pilotées par les données telles que l’assimilation de données, l’apprentissage machine et la modélisation d’ordre réduit, offre la possibilité de produire une grande quantité de données fiables à partir d'un nombre limité de mesures localisées. Ces données, utilisables efficacement à des fins d’entrainement, peuvent être éliminées à la fin des phases d'apprentissage des algorithmes pilotés par les données, réduisant ainsi considérablement le besoin de stockage de données massives.

La transition écologique nécessaire pour atteindre des critères de développement durable de plus en plus stricts pose des défis dans plusieurs disciplines scientifiques, notamment l’ingénierie des transports et de l’énergie. On peut citer comme exemples la feuille de route ACARE , pour une mobilité aérienne climatiquement neutre, la nécessité de développer l'éolien terrestre et offshore (soulignée dans le récent rapport RTE ) ou les directives de l'OMI (Organisation maritime internationale) visant à promouvoir l'utilisation d'équipements et de moteurs plus performants pour les navires . Le point commun essentiel de ces trois exemples est l'utilisation de machines tournantes dans leurs conditions de fonctionnement. L'amélioration des performances de ces applications nécessite une prédiction précise des écoulements mis en jeu. Cet objectif est complexe pour les écoulements tournants et fortement instables, notamment parce qu’on s’intéresse aux phénomènes de décollement et aux régimes proches du décrochage [1], qu’il s’agit d’anticiper afin de le contrôler.

On peut étudier ces écoulements en laboratoire grâce aux techniques optiques modernes comme la PIV (Particle Image Velocimetry) qui donne accès aux champs de vitesse 2D ou 3D, potentiellement résolus dans le temps. L'analyse de ces écoulements complexes peut également être réalisée par simulations CFD, de haute fidélité comme la DNS, très couteuse et limitée en nombre de Reynolds, ou de moindre fidélité comme les méthodes RANS ou LES, soumises alors à des biais et des incertitudes. De plus, les coûts de calcul pour la CFD, même pour les modèles de rang faible, peuvent devenir prohibitifs pour les applications instationnaires nécessitant un accès rapide à une solution approchée ou de nombreuses évaluations de fonctions. C'est la principale motivation pour le développement et l'utilisation de modèles de substitution et d'ordre réduit (ROM) [2] dans de nombreuses applications d'ingénierie. Les ROM représentent des modèles peu coûteux en termes de calcul, fournissant une prédiction des phénomènes sous-jacents, permettant un prototypage rapide et des requêtes multiples.

Le projet cherche à produire de tels modèles à partir de résultats expérimentaux et de simulations haute fidélité précalculés, à l'aide de techniques de réduction de dimensionnalité, telles que la Proper Orthogonal Decomposition (POD). La difficulté est de garantir la robustesse face aux incertitudes liées à la configuration du problème étudié tout en conservant des caractéristiques prédictives précises. Les outils utilisés incluent la quantification de l'incertitude [3], l'assimilation de données [4] et l'apprentissage automatique [5]. Les activités de recherche menées récemment par les membres du consortium ont fourni une preuve de concept pour plusieurs aspects liés aux objectifs du projet. Ces travaux comprennent la reconstruction d'écoulements à la volée à partir de mesures limitées pour les écoulements instationnaires, l'application combinée de l’assimilation de données, l’apprentissage machine et la modélisation d'ordre réduit pour les écoulements complexes.

TRAVAIL ATTENDU La contribution de l’IRENav au projet, donc le rôle principal de la personne recrutée, consiste essentiellement à produire des données expérimentales de haute fidélité qui seront utilisées pour la construction de modèles réduits, l’apprentissage et l’assimilation de données. On étudiera l’écoulement autour de profils portants représentatifs en régime proche du décrochage, dans le tunnel hydrodynamique de l’école navale qui permet d’atteindre des nombres de Reynolds de 106. On combinera les mesures globales de portance et trainée avec des mesures ponctuelles de pression pariétales et des mesures du champ de vitesse par PIV haute résolution et haute fréquence. L’analyse des mesures s’appuiera notamment sur les méthodes de réduction de la dimensionalité telles que la POD et ses dérivées, la DMD [6], voire des décompositions par réseau de neurones [7]. En plus de ce travail expérimental essentiel, selon ses compétences et l’avancée des travaux, la personne recrutée pourra participer plus avant à l’élaboration des modèles d’ordre réduit, aux travaux d’apprentissage et d’assimilation de données en collaboration avec les partenaires du projet MALEAF.

PROFIL SOUHAITÉ Docteur en physique des fluides ou mathématique appliquée, avec des compétences dans au moins l’un des domaines suivants : - machine learning, réduction de modèle et assimilation de données appliquée à la mécanique des fluides ; - savoir-faire expérimental en mécanique des fluides, dont idéalement en PIV (Particle Image Velocimetry). (L’absence d’expérience dans l’un de ses domaines pourra être compensée par l’envie de s’y former et une solide expérience dans l’autre domaine.) Bonne capacité d’analyse de résultats hydrodynamiques, aisance avec les méthodes d’analyse courantes et idéalement avec les techniques de décomposition basée sur les données (POD, sPOD, DMD, …). Bonnes capacités de rédaction scientifique. Bonnes capacités relationnelles et humaines, dynamisme et charisme, autonomie.

La personne recrutée intègrera l'Institut de Recherche et d’Etudes Navales à l’Ecole Navale à Lanvéoc, Finistère, et participera à l’axe de recherche « Acquisition de la donnée et compréhension des phénomènes physiques ». Cet axe fédérateur a pour objectifs la compréhension, l’expérimentation, la modélisation et le contrôle de dynamiques physiques complexes associées au développement et à la conduite des vecteurs navals dans leur environnement. Le thème met l’accent sur la physique propre à ces systèmes relevant en particulier de la mécanique des fluides, de la vibro-acoustique, de l’acoustique sous-marine, en intégrant le traitement du signal et l’environnement marin au travers de l’océanographie physique et s’intéresse notamment à la constitution de modèles réduits, en associant des approches traditionnelles fondées sur des modèles physiques et des approches de type modèle statistique par apprentissage basé sur les données. La personne recrutée pourra participer à l’encadrement de thèses ou de stages étroitement liés à son travail.

Membre à part entière du projet MALEAF, la personne recrutée participera aux échanges avec les partenaires, aux activités de collaboration du projet, à sa valorisation et sa communication.