Reconstruction rapide et précise de champs de Simulations des Grandes Echelles Thermiques par Apprentissage Profond

Yanis Zatout2^{2}, Adrien Toutant1^{1}, Lionel Mathelin3^{3}, Onofrio Semeraro3^{3}, Françoise Bataille1^{1}
⋆^{\star} : adrien.toutant@univ-perp.fr
1^{1} PROMES-CNRS
2^{2} PROMES-CNRS, LISN
3^{3} LISN
Mots clés : Apprentissage Profond, Apprentissage Automatique, Simulation des Grandes Echelles, Simulation Numérique Directe, Réseaux de Neurones Convolutifs, Solaire, Récepteurs Solaires, Turbulence, Hautes Températures
Résumé :

Le développement des centrales solaires de nouvelle génération nécessite des récepteurs solaires à haute température. Une possibilité est d’utiliser un mélange de gaz sous pression comme fluide de transfert dans le récepteur solaire. La maîtrise des écoulements turbulents fortement anisothermes constitue alors un verrou scientifique pour le développement de ces centrales solaires. En effet, les couplages entre turbulence et température rendent la physique particulièrement complexe.

Cet article étudie la reconstruction ou super-résolution de Simulation des Grandes Echelles Thermiques (SGE-T) par apprentissage machine (AM) dans la configuration d’un chauffage asymétrique dû au fait que le récepteur solaire n’a qu’une seule face soumise à la lumière solaire concentrée. La reconstruction intervient dans un objectif d’apprentissage cohérent, lorsqu’on évalue un modèle de tenseur de contraintes sous-mailles dans le contexte d’une SGE-T, il est nécessaire de pouvoir précisément le comparer avec un champ de référence SND sans faire appel à l’interpolation d’ordre 2 ou plus, trop coûteuse au vu de notre maillage. Cet algorithme sera ré-utilisé dans un futur article sur l’apprentissage d’opérateurs de le contexte des SGE-T. Les techniques préexistantes de reconstruction de champ sous-résolus sont peu précises vis-à-vis des statistiques du deuxième ordre ou plus élevées. Nous proposons d’entraîner un réseau de neurones à connaître la correction nécessaire à la reconstruction du champ de thermique SGE-T.

A notre connaissance, il n’existe pas de modèles de reconstruction prenant en compte les distributions des statistiques comme fonction d’erreur. Par conséquent, le travail dans cet article correspond à l’adaptation de travail déjà présent en AM. En particulier, nous proposons d’adapter les fonctions d’erreur prise en compte lors de l’entraînement de notre réseau de neurones pour optimiser et améliorer la précision des champs reconstruits. Les métriques d’importance dans notre cas seront l’écart type de la température et du flux, en particulier aux parois pour nécessaire à l’obtention des contraintes thermomécaniques. Nous testons également différentes métriques de distances de distribution lors de l’apprentissage. A partir de base de données de SND, nous sommes capables d’apprendre à reconstruire les petites échelles en filtrant d’abord les SND, puis en les reconstruisant avec notre réseau de neurones. L’architecture du réseau de neurones correspond à un réseau de neurones convolutifs (RNC). La reconstruction apprise sera ensuite comparée aux méthodes de reconstruction classiques pour avoir un point de référence. Cette technique de reconstruction sera ensuite testée sur des champs de données SND d’une distribution différence non vue durant l’apprentissage pour évaluer sa capacité à généraliser.

doi : https://doi.org/10.25855/SFT2023-087

PDF : download