Stratégies d'accélération de calcul numérique d'interaction fluide-structure par apprentissage automatique

Cette thèse étudie des approches basées sur les données pour réduire les coûts de calcul dans les problèmes d'Interaction Fluide-Structure (IFS) grâce à des techniques non-intrusives de Réduction d'Ordre de Modèle (ROM). Cette thèse présente trois contributions méthodologiques principales au domaine. Premièrement, nous explorons les approches de Décomposition en Modes Dynamiques (DMD) pour les Modèles d'Ordre Réduit non-intrusifs dans les problèmes d'IFS, obtenant des accélérations significatives des calculs tout en maintenant une bonne précision de prédiction près des états d'équilibre. Deuxièmement, nous développons une nouvelle stratégie de couplage entre un ROM basé sur les données pour la mécanique des solides et un Modèle d'Ordre Complet (MOC) haute-fidélité pour la dynamique des fluides, démontrant des prédictions précises même en régime d'extrapolation. Troisièmement, nous introduisons un prédicteur innovant basé sur les données conçu pour accélérer la convergence du couplage IFS partitionné instationnaire, incorporant une stratégie adaptative pour une extrapolation robuste grâce à un réentraînement efficace sur des données haute-fidélité générées en ligne.Nos résultats révèlent à la fois le potentiel et les limites des approches purement basées sur les données dans les problèmes d'IFS. Alors que les méthodes basées sur la DMD excellent dans la prédiction des dynamiques près des états d'équilibre, elles sont moins performantes avec les problèmes paramétrés et le manque de trajectoires pertinentes dans les données. La stratégie de couplage ROM-MOC s'avère efficace mais met en évidence des défis de stabilité et la nécessité du respect des principes de la physique dans les modèles basés sur les données. L'approche du prédicteur adaptatif démontre que la combinaison de méthodes basées sur les données avec des informations de solveur haute-fidélité et une adaptativité en ligne du modèle représente une direction prometteuse pour l'apprentissage automatique conscient de la physique dans les applications IFS.Cette recherche contribue au domaine croissant de l'apprentissage automatique scientifique en démontrant que les méthodes basées sur les données sont plus efficaces lorsqu'elles améliorent les méthodes numériques existantes plutôt que de les remplacer entièrement. Les méthodologies développées ouvrent la voie à des simulations IFS plus durables en termes de calcul tout en maintenant la précision et la cohérence physique, particulièrement précieuses pour les applications d'ingénierie.