Thèse: Vers un modèle de turbulence RANS généraliste grâce au machine learning

La modélisation des écoulements turbulents est essentielle pour optimiser les performances et la sécurité des systèmes. Les modèles RANS, robustes mais limités, reposent sur des équations de transport simplifiées, notamment pour la dissipation visqueuse. Le machine learning permet aujourd’hui d’affiner ces modèles, mais peu de travaux ont cherché à recalibrer leurs coefficients. Cette thèse vise à développer un modèle de turbulence plus précis pour les écoulements avec décollements et rotation. En utilisant la régression symbolique et l’assimilation de données, les coefficients de l’équation de dissipation seront ajustés pour améliorer la prédiction des écoulements. L’approche combinera simulations et observations pour réduire les incertitudes. Le modèle obtenu sera validé dans un contexte hybride RANS/LES sur diverses configurations. Ce projet sera mené en co-direction avec Mitra Fouladirad (Centrale Med / M2P2) et en collaboration avec Pedro Stefanin Volpiani (ONERA).