Thématique de la journée : Inversion de données faisant appel à un modèle en thermique, quels apports de l'intelligence artificielle ?
Le développement de méthodes d'identification de modèles à partir de mesures, ou de réduction de modèles analytiques ou numériques détaillés, correspondent à des préoccupations très actuelles en thermique. Ces modèles sont indispensables en caractérisation thermique ou radiative de matériaux ou systèmes ou pour l'estimation de conditions aux limites en des endroits non instrumentées de ces derniers (inversion). La prévision, ou la simulation pour la conception optimale (procédés, matériaux, systèmes) constitue une autre classe d'application. En parallèle les outils de l'intelligence artificielle (IA), et en particulier de l'apprentissage supervisé, se développent très rapidement dans de nombreux domaines. Ils reposent sur une régression qui intègre une base d’apprentissage (modèle ou mesures) disponible au préalable. L'objectif de la journée est donc de voir si et comment ces techniques peuvent aider l'inverseur en thermique dans sa démarche évoquée plus haut, en particulier dans le cas où l'on traite des données quantitatives de grande taille (big data), ou de problèmes inverses mal-posés. Par exemple, si le modèle entrée/sortie utilisé a la structure d'un réseau neuronal, est-il possible d'intégrer la physique dans son calibrage (cas d'un PINN = Physically Informed Neural Network) ? De même, quel est le lien entre ces PINN et les méthodes bayésiennes où une information a priori est prise en compte dans l'estimation des grandeurs recherchées ? La journée s’articulera autour de présentations de ces outils dans des applications variées (thermique instationnaire, rayonnement de surface, rayonnement en milieux participatifs, mécanique des fluides, mécanique).
Contacts : fabrice.rigollet@univ-amu.fr, jean-luc.battaglia@u-bordeaux.fr, denis.maillet@univ-lorraine.fr
9 :30 : Accueuil
10:00 - 10:15 - 1 - Fabrice Rigollet (IUSTI, Marseille), Jean-Luc Battaglia (I2M, Bordeaux), Denis Maillet (LEMTA, Nancy)
Introduction de la journée.
10:15 - 10:40 - 2 - Emmanuelle Abisset-Chavanne, Malo Lecorgne, Morgane Suhas, Marie Marthe Groz, Thomas Lafargue, Christophe Pradère (I2M, Bordeaux)
Quel apport de l’IA dans l’obtention et le traitement des données expérimentales ?
10:40 - 11:05 - 3 - Jean-Luc Battaglia (I2M, Bordeaux)
Identification de systèmes thermiques linéaires et non linéaires par des structures mathématiques d’intégration d’ordre non entier.
11 :05 – 11 :35 : Café
11:35 – 12 :15 : 4 - Frédéric André (Partie 1) et Cindy Delage (partie 2) (CETHIL, Lyon)
Combinaison de modèles physiques et d'outils d'apprentissage statistique pour l'approximation des propriétés radiatives d'atmosphères physiques et d'outils d'apprentissage statistique pour l'approximation des propriétés radiatives d'atmosphères non-uniformes
12:15 – 12 :40 : 5 - Marie-Hélène Aumeunier, Alexis Juven (CEA, Cadarache)
Réseaux neuronaux convolutifs pour la thermographie quantitative en environnement complexe.
12 :40 – 14 :20 : Repas
14:20 – 14 :45 : 6 - Helcio Orlande (COPPE, Rio de Janeiro) et al.
Metamodel based on evolutionary neural networks for the solution of inverse problems within the Bayesian framework of statistics.
14:45 – 15 :10 : 7 - Benjamin Gaume, Yassine Rouizi, Frédéric Joly, Olivier Quéméner (LMEE, Evry Val d'Essone)
Apport des modèles réduits pour la mesure thermique indirecte en temps réel dans un four rayonnant.
15:10 – 15 :35 : 8 - Olivier Farges, Alex Royer, Pascal Boulet (LEMTA, Nancy), Daria Burot (Safran Aircraft Engine)
Modélisation du transfert radiatif dans des milieux participants, par réseaux de neurones bayésiens et méthode de Monte Carlo.
15:35 – 16 :00 : 9 - Yoann Cheny, Mickaël Delcey, Adrien Ganz, Sébastien K. de Richter (LEMTA, Nancy)
Réseaux de neurones informés par la physique (PINNs) pour la reconstruction de courants de gravité.
16:00 – 16 :25 : 10 - Denis Maillet, Benjamin Rémy, Adrien Barthélemy (LEMTA, Nancy)
Construction de modèles convolutifs transitoires ou paramétriques (ARX) pour une utilisation ultérieure directe ou inverse en thermique.
16 :25 – 16 :40 : Résumés, synthèse et bilan
16 :40 : Fin