Correcting Dynamical Models from Sparse Observations using Data Assimilation and Machine Learning: Application to Unsteady Turbulence Modeling / Raphaël VILLIERS  

Titre : Correcting Dynamical Models from Sparse Observations using Data Assimilation and Machine Learning: Application to Unsteady Turbulence Modeling Titre original : Correction de modèles dynamiques à partir d’observations limitées par assimilation de données et apprentissage automatique : application à la modélisation instationnaire de la turbulence Type de document : thèse Auteurs : Raphaël VILLIERS, Auteur ; Eric LAMBALLAIS, Directeur de thèse ; Marcello MELDI, Directeur de thèse ; Vincent MONS, Directeur de thèse ; Institut PPRIME UPR CNRS 3346 - FTC, Commanditaire ; Angelo IOLLO, Rapporteur ; Thomas GOMEZ, Rapporteur ; Taraneh SAYADI, Examinateur ; Alessandro MARIOTTI, Examinateur ; Lionel MATHELIN, Examinateur Importance : 262 p. Note générale : NNT 2025ESMA0008 Résumé Mots clés Contents Résumé étendu Appendices Bibliography List of Acronyms List of Figures Catégories : Algorithmes EM Apprentissage automatique Assimilation de données (géophysique) Ecoulement instationnaire (dynamique des fluides) Filtres de Kalman étendus Modélisation CFD Nombre de Reynolds Théorie de Ginzburg-Landau Turbulence:Modèles mathématiques Résumé : INTRODUCTION Turbulence Modeling in Engineering and Science Data-Driven Turbulence Modeling and the Challenge of Sparse Data Combining Data Assimilation and Machine Learning for Turbulence Modeling Synthesis and Research Objectives TURBULENT FLOW-FIELD PREDICTIONS: CLASSICAL AND DATA-DRIVEN APPROACHES Turbulent Flows: Challenges and Numerical Approaches Machine Learning Enhancements in Turbulence Modeling Data Assimilation Methods EM-BASED FRAMEWORKS FOR LARNING UNSTEADY MODELS FROM SPARSE DATA Hybrid Dynamics and Forward Model Formulation Formulation of a Simplified EM Approach Elaboration of EM-based Strategies EM APPROACH APPLIED TO GINZBURG-LANDAU MODEL Ginzburg-Landau Model (1D) EM Approach Applied on GL Model Sensitivity Analysis to Observation Sparsity EM-BASED URANS MODEL CORRECTION: APPLICATION TO TURBULENCE MODELING Turbulent FLow around a Circular Cylinder Expectation-Maximization Approach to Learn Unsteady Model COrrections from Sparse Data EM Results Conclusion CONCLUSION AND PERSPECTIVES Summary of Contributions Discussion on Capabilities and Limitations Perspectives Author's Suggestions En ligne : https://theses.hal.science/tel-05265115

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
TH-25 VIL	VIL	Numérique	Thèses ISAE-ENSMA en ligne	Thèses	Exclu du prêt

---

1 (1 - 1 / 1) Par page : 25 50 100 200