Réseaux de neurones à convolution informés par la physique : application à la convection turbulente

When:
31/12/2022 all-day
2022-12-31T01:00:00+01:00
2022-12-31T01:00:00+01:00

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISN
Durée : 5 à 6 mois
Contact : anne.sergent@lisn.fr
Date limite de publication : 2022-12-31

Contexte :
La convection de Rayleigh-Bénard s’établit dans une cavité sous l’effet d’une différence de température imposée aux parois horizontales, la paroi du bas étant chauffée. L’écoulement résultant est caractérisé par la superposition de panaches à petite échelle, vecteurs de la chaleur, et d’un écoulement turbulent remplissant la cavité. Depuis de nombreuses années, nous simulons par simulation numérique directe (DNS) ce phénomène physique. Le passage à des simulations massivement parallèles nous permet maintenant de modéliser des jumeaux numériques des expérimentations. Cependant, ces calculs sont très lourds et même si la description spatio-temporelle de l’écoulement peut être très fine, il est difficile d’approcher statistiquement toutes les échelles de l’écoulement, de stocker l’intégralité des champs calculés, ou de rejouer facilement les séquences. C’est pourquoi nous cherchons à construire des modèles réduits de ces écoule-
ments, notamment par apprentissage automatique [LAS+22].

Sujet :
Nous cherchons ici à tirer partie des capacités d’apprentissage automa-
tique des réseaux de neurones pour réduire la complexité des données à sauvegarder, inférer des quantités cachées ou identifier des zones d’intérêt (par ex. [Cai+2021, FPSS19]). En particulier, on s’intéresse aux images d’ombroscopie, facilement obtenues expérimentalement, mais aussi numériquement, et qui contiennent une information 3D. A partir de réseaux à convolution, on utilisera des auto-encodeurs destinés à inférer les champs 2D/3D de température ou de vitesse. Une attention particulière sera portée sur la construction de la base de données d’entrée, de façon à assurer la robustesse du réseau. La base de données DNS est déjà existante [Bel+2021]. Les développements seront réalisés sous TensorFlow sur une carte du cluster GPU du cluster du laboratoire.

Profil du candidat :
Le candidat aura des connaissances dans un des thèmes suivants : Sciences des données, apprentissage automatique, statistiques/probabilités, mécanique des fluides.

Possibilité de continuer en thèse (financement ANR)

Formation et compétences requises :
Master de 2e année

Adresse d’emploi :
LISN, Campus universitaire, bat. 507 rue du Belvédère, 91405 Orsay

Document attaché : 202211091635_stage_sergent_2023_CNN.pdf