Bandeau image

ML4CFD: ML for CFD

ML4CFD: ML for CFD

  • Le projet
  • Contacts

Partager

twlkfbml
Chapo
L’apprentissage statistique (ML) appliqué à la simulation de flux multiphasiques (CFD)
Contenu
Ancre
Le projet
Corps de texte

Ce projet est le résultat d’une longue collaboration entre IFPEN et l’équipe TAU d’Inria.
L'IFPEN est un institut de recherche français dédié aux nouvelles technologies de l'énergie et de l'environnement. Il a lancé un nouveau projet, appelé ACAI (Acceleration of Computations through Artificial Intelligence), qui coordonne plusieurs chercheurs en sciences des données et en recherche appliquée afin de combiner l'état de l’art de l’apprentissage statistique avec le calcul haute performance en CFD, en mécanique computationnelle ou en simulations de transport réactif souterrain.
L'équipe TAU (TAckling the Underspecified) d’Inria est connue pour ses activités dans le domaine de l'apprentissage statistique, de l’optimisation stochastique, et plus généralement de l'intelligence artificielle. L'un de ses principaux thèmes est l'application des méthodes d'apprentissage automatique aux problèmes de calcul scientifique.

 

L’objectif du projet est d’accélérer de manière conséquente les simulations de flux multiphasiques en y introduisant des approches basées sur l'apprentissage statistique.

 

L'utilisation de modèles d’apprentissage automatique dans les simulations CFD avec physique complexe (par exemple, combustion, phénomènes réactifs, écoulements multiphasiques, etc.), peut aider à accélérer les algorithmes existants, par exemple en créant des modèles de substitution pour des phénomènes complexes. L'objectif de ce projet est d'étudier  deux approches :

  • améliorer les schémas spatio-temporels, pré conditionner les solveurs linéaires et prévoir les dynamiques contraignantes
  • remplacer les calculs exigeants en présence de discontinuités spatiales, de phénomènes à petite échelle ou d'événements extrêmement rapides.

Ces approches par apprentissage pourraient permettre d’adapter de manière plus adéquate les tailles des pas d’évolution spatio-temporelle en prenant en compte l’estimation des l’interactions futures.