Contrôle d'écoulements turbulents en boucle fermée par apprentissage automatique – FLOwCON

FLOwCON est un projet portant sur le développement et la démonstration expérimentale de méthodes innovantes de contrôle d'écoulements turbulents en boucle fermée par apprentissage automatique.

Les applications du contrôle d'écoulements turbulents sont très nombreuses en aéronautique, civile comme militaire : réduction de traînée aérodynamique, mélange et vectorisation de jets, réduction du bruit rayonné par tourbillons impactants, limitation des vibrations induites par décrochage tourbillonnaire, suppression des volets hypersustentateurs, etc.

A la différence de la plupart des stratégies actuelles de contrôle, ce projet a pour ambition de proposer des méthodes applicables à des situations opérationnelles. En particulier, les méthodes proposées pourront être appliquées à des systèmes physiques régis par des équations fortement non linéaires. L'information sur le système à contrôler sera issue seulement de quelques capteurs montés en paroi. L'environnement opérationnel est potentiellement très bruité et non-stationnaire (dérive dans le temps). Par ailleurs, les contrôleurs doivent pouvoir être synthétisés et évalués en temps réel (boucle fermée) avec une puissance de calcul faible, compatible avec les matériels des systèmes embarqués.

Nous proposons de développer des méthodes de contrôle basées sur l'apprentissage automatique. La puissance de calcul disponible et la contrainte du temps réel rendent inenvisageable la résolution des équations régissant les écoulements à haut nombre de Reynolds. Les méthodes usuelles de contrôle reposent sur la connaissance de l'état du système (vecteur d'état). Plutôt qu'une connaissance aussi riche du système, notre approche est d'utiliser une description au sens statistique, sans chercher à connaître les détails de l'écoulement, du lien entre les actions et l'effet sur l'écoulement. Cette classe de méthodes appartient à l'apprentissage automatique (Machine learning) et n'utilise pas de modèle a priori mais seulement les informations disponibles à partir des capteurs (data-driven).

Les membres de ce projet ont enregistré des premiers succès encourageants avec cette classe de méthodes (par exemple, recollement de l'écoulement turbulent derrière une rampe descendante). Néanmoins, ils en ont également identifié les limites comme, par exemple, le temps nécessaire pour l'apprentissage ou la difficulté de garantir la robustesse du contrôle vis-à-vis d'une dérive de la dynamique du système.

Si elles ont permis les premiers succès, les méthodes actuelles d'apprentissage automatique ne sont pas adaptées pour surmonter ces limites. Le contrôle d'un système aussi complexe qu'un écoulement turbulent est très éloigné du cadre d'application habituel de cette classe d'algorithmes (typiquement, la robotique, le traitement automatique des langues, la segmentation d'images, etc.).
Un important effort de recherche, regroupant à la fois des chercheurs de la communauté ``Apprentissage automatique'', au sens large, et des experts en contrôle des écoulements, est nécessaire. Grâce à une forte interaction et aux constants retours d'expériences vers les développements théoriques, des innovations majeures sont attendues en contrôle des écoulements turbulents mais également des avancées en apprentissage automatique.

FLOwCON est un projet fortement interdisciplinaire qui regroupe, pour la première fois, des chercheurs issus des communautés mécanique des fluides et apprentissage automatique qui travailleront en forte interaction pour proposer des solutions méthodologiques innovantes permettant d'atteindre les objectifs ambitieux que nous avons fixés. Ces développements seront testés sur un écoulement expérimental de cavité ouverte de complexité modérée, puis sur un démonstrateur offrant deux configurations les plus réalistes possibles : un écoulement turbulent derrière une rampe descendante et un profil NACA à incidence variable à haut nombre de Reynolds.

Ce projet bénéficie du soutien de Dassault-Aviation (Annexes).