Modélisation par Machine Learning des équations de Navier-Stokes et de la turbulence avec la plateforme Modulus

IFP Energies nouvelles - Sciences et Technologies du Numérique

---

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Modélisation par Machine Learning des équations de Navier-Stokes et de la turbulence avec la plateforme Modulus

IFPEN, organisme de recherche sur les énergies et l'environnement, a une activité de développement de logiciels multi-physiques pour une meilleure compréhension des phénomènes physiques entrant en jeu dans les technologies de l’énergie et de l’environnement.

Dans ce cadre, les chercheurs de IFPEN sont amenés à développer de nouveaux modèles numériques hybrides intégrant des schémas numériques classiques et des modèles issus du monde du machine learning et des réseaux de neurones afin de rendre les modèles numériques plus performant et plus précis.

Objectifs

Le stage a pour objectif de développer un modèle de substitution basé sur la plateforme NVIDIA Modulus pour résoudre les équations de Navier-Stokes en régime turbulent.

L'étudiant sera amené à utiliser des réseaux de neurones de type PINNs (Physic Informed Neural Network) pour modéliser les écoulements turbulents, en intégrant à la fois les données physiques et les contraintes des équations de Navier-Stokes.

• Il s’agira en premier lieu de se familiariser avec la plate-forme Modulus et les principes des PINNs et en particulier l’utilisation de briques telles que les FNOs (Fourier Neural Operators).
• Dans un deuxième temps le stagiaire devra étudier les équations de Navier-Stokes et leurs défis en simulation turbulente, développer et entraîner un modèle de substitution pour la résolution de ces équations dans un cadre turbulent.
• Pour finir il devra valider le modèle en le comparant avec des solutions numériques classiques (e.g., DNS, LES).

L’objectif final est de réduire les temps de calcul tout en conservant une haute précision dans la modélisation des écoulements turbulents.

Profil

Master 2 ou Ingénieur en 3ème année d'école, option informatique, analyse de données ou mathématiques appliquées, intéressé par le développement informatique dans le domaine de l’analyse de données, du machine learning et de l’intelligence artificielle.

• Connaissance des langages de programmation de type python, C, C++.

---

---

Annonces similaires