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

Développement d’outils d’assimilation de données pour l’estimation augmentée d’écoulements internes / Lucas VILLANUEVA  

Titre : Développement d’outils d’assimilation de données pour l’estimation augmentée d’écoulements internes Type de document : thèse Auteurs : Lucas VILLANUEVA, Auteur ; Jacques BORÉE, Directeur de thèse ; Marcello MELDI, Directeur de thèse ; Karine TRUFFIN, Directeur de thèse ; Institut PPRIME UPR CNRS 3346 - FTC, Commanditaire ; Dominique HEITZ, Rapporteur ; Rémi MANCEAU, Rapporteur ; Jean-Camille CHASSAING, Examinateur Année de publication : 2024 Importance : 203 p. Note générale : NNT 2024ESMA0019 Remerciements Table des matières Table des figures Liste des tableaux Liste des algorithmes Annexes Bibliographie Résumé Mots clés Catégories : Assimilation de données (géophysique) Ecoulement instationnaire (dynamique des fluides) Équations de Navier-Stokes Fluides incompressibles Kalman, Filtrage de Nombre de Reynolds Problèmes aux limites Simulation des grandes échelles Turbulence Résumé : INTRODUCTION Contexte Les limites des outils expérimentaux et numériques Le paradigme du jumeau numérique et le pilotage par les données Annonce de plan APPROCHES NUMÉRIQUES POUR LA TURBULENCE Les équation de Navier-Stokes Algorithme de résolution et discrétisation Modélisation de la turbulence ASSIMILATION DE DONNÉES : MÉTHODES CONVETIONNELLES ET DÉVELOPPEMENTS Inférence bayésienne Méthodes variationnelles Le filtre de Kalman appliqué à la mécanique des fluides C.O.N.ES : COUPLING OpenFOAM WITH NUMERICAL ENVIRONMENTS Besoins et objectifs Fonctionnement du couplage Formats et possibilités de calcul Exemple : Cavity Test Case Consommation et temps d'exécutions ÉCOULEMENT INCOMPRESSIBLE STATIONNAIRE AUTOUR D'UN CORPS NON PROFILÉ Introduction Configuration de l'observation et de la simulation RANS Procédure d'assimilation de données Résultats Conclusions ÉCOULEMENT INCOMPRESSIBLE STATISTIQUEMENT STATIONNAIRE ACADÉMIQUE Introduction Cas test et configuration de la procédure d'AD Prédiction des caractéristiques statistiques avec l'AD séquentielle Synchronisation des champs de l'écoulement Conclusion ÉCOULEMENT INTERNE COMPRESSIBLE ET INSTATIONNAIRE D'UNE GÉOMÉTRIE DE MOTEUR Introduction Configurations numériques Calibration de la condition d'entrée Synchronisation et reconstruction de structures locales Conclusion CONCLUSIONS ET PERSPECTIVES En ligne : https://theses.hal.science/tel-04833774

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
TH-24 VIL	VIL	Numérique	Thèses ISAE-ENSMA en ligne	Thèses	Exclu du prêt

---

1 (1 - 2 / 2) Par page : 25 50 100 200