DeDaLES

Towards Data-Driven LES subgrid-scale flow modelling with convolutional neural networks



Résumé
Les écoulements turbulents sont au coeur de nombreuses applications industrielles et géophysiques. Ces écoulements se caractérisent par une large gamme d'échelles qui rend leur prédiction numérique délicate. La LES est une approche prometteuse, qui consiste à modéliser les échelles sous-maille, i.e. plus petites qu'une certaine coupure. L'enjeu de la LES est son déploiement dans un contexte multiphysique. Cela nécessite de considérer de nouvelles quantités, dont la modélisation est un verrou. L'objectif de ce projet est ainsi de développer une stratégie de modélisation précise et robuste, qui permettra de lever ce verrou. Cette stratégie s'appuiera sur les développements récents dans le domaine de l'apprentissage profond, pour lesquels il sera important de définir et vérifier la cohérence de la physique prédite dans un contexte d'écoulement turbulent. Dans ce projet, les simulations océaniques seront plus particulièrement considérées. En effet, ce sont des simulations fortement multiphysiques, où les échelles sous-mailles ont une dynamique riche. C'est ainsi une configuration particulièrement exigeante pour l'approche LES.

Mots-clés
Turbulence, Écoulements Géophysiques, Modélisation sous-maille, Apprentissage supervisé (Machine Learning), Réseaux de Neurones Convolutionnels, Récurrents et Résiduels

Partenaires du projet

INSIS
BALARAC Guillaume
LEGI (UMR5519) Grenoble France
INSU
LE SOMMER Julien
IGE (UMR5001) Grenoble France
INS2I
FABLET Ronan
Lab-STICC (UMR 6285) Brest France
Crédit : Hugo Frézat / LEGI
Crédit photo : Crédit : Hugo Frézat / LEGI