Physics-Informed Deep Learning for complex flows

Apprentissage profond informé par la physique pour les écoulements complexes Ce travail de doctorat étudie deux problèmes spécifiques concernant les turbomachines en utilisant des algorithmes d'apprentissage automatique. Le premier se concentre sur un compresseur axial, en abordant les problèmes de décrochage tournant, qui sont des phénomènes instables limitant la plage de fonctionnement des compresseurs. Les avancées récentes comprennent le développement de techniques de contrôle d'écoulement, telles que des jets au niveau du carter et du bord d’attaque du rotor, qui ont montré un potentiel pour étendre les plages de fonctionnement des compresseurs. Cependant, l’optimisation de ces stratégies de contrôle représente un défi en raison du grand nombre de paramètres et de configurations, y compris le nombre de jets, la vitesse d’injection et l’angle d’injection dans le cadre fixe. Cela soulève la question suivante : les algorithmes d'apprentissage automatique peuvent-ils aider à explorer cet vaste espace de paramètres et à optimiser la stratégie de contrôle ? À cette fin, une base de données complète des résultats expérimentaux issus de divers paramètres de contrôle et évaluations des performances du compresseur sur un compresseur axial a été utilisée, avec des tests effectués sur le banc d'essai CME2 au laboratoire LMFL. Le deuxième problème examine un diffuseur lisse radial, un composant statorique annulaire positionné en aval du rotor dans les pompes et compresseurs radiaux. Son rôle principal est de décélérer le fluide tout en augmentant la pression statique et l'enthalpie. Malgré sa fonction apparemment simple, prédire le comportement de l'écoulement à l'intérieur du diffuseur est assez difficile en raison du manque de guidage du fluide, de la structure complexe du flux de jet à l'entrée, des instabilités d'écoulement et de la nature tridimensionnelle du flux. Cela mène à la question suivante : les algorithmes d'apprentissage automatique peuvent-ils prédire efficacement cet écoulement ? Pour cette analyse, nous utilisons une base de données composée de simulations numériques (URANS) réalisées sur une géométrie de pompe centrifuge effectuées au laboratoire LMFL. Nous avons employé deux approches d'apprentissage automatique pour étudier ces sujets distincts liés aux dispositifs de turbomachinerie. La première approche utilise des réseaux de neurones (NN) et des algorithmes génétiques (GA) pour explorer des stratégies de contrôle actif du flux dans un compresseur axial. La deuxième approche applique des réseaux de neurones informés par la physique (PINN) pour modéliser un écoulement turbulent en 2D dans le diffuseur d'une pompe radiale.