Transfert thermique très turbulent approché par apprentissage automatique guidé – THERMAL

L'écoulement turbulent dans une cellule de convection est inhomogène, et met en jeu des couplages forts entre mécanismes physiques qui changent avec le régime, la position dans la cellule, et l'échelle d'intérêt. Des couches limites thermiques se forment près des surfaces, mais sont instables à cause de leur flottabilité. Des petites structures germent: les panaches thermiques. Leur mouvement collectif produit une circulation à grande échelle (LSC), ce qui suggère un transfert d'énergie depuis les petites échelles des panaches vers la grande échelle de la circulation globale. Pourtant, le cisaillement produit par la LSC peut lui-même produire des fluctuations turbulentes (qui contribuent à encore déstabiliser les couches limites) mais qui peut aussi entraver le mouvement ascendant des panaches. Ainsi la chaleur est transportée dans le fluide par les panaches thermiques, à la fois sous l'effet de leur flottabilité et de leur advection dans la LSC, mais aussi par les fluctuations turbulentes. Enfin, la turbulence au cœur de l'écoulement s'approche d'une turbulence homogène et conduit à une cascade d'énergie vers les petites échelles (où la dissipation peut également produire de la chaleur localement).
Lorsque la turbulence augmente, en augmentant le forçage, ou en introduisant des perturbations sur les surfaces, l'écoulement peut subir un changement spectaculaire de régime qui se traduit par une efficacité du transfert plus importante. Cependant, les observations expérimentales semblent incompatibles, avec des écarts importants entre les flux de chaleurs observés. Comprendre ces écarts est critique dans les domaines où cette gamme de forçage est attendue (refroidissement de cœurs de réacteur nucléaire, les écoulements géophysiques), car on ne peut pas correctement prédire un flux réaliste si on ne comprend pas les mécanismes physiques sous-jacents.
Notre objectif est de déterminer les mécanismes physiques pertinents, notamment désentremêler la contribution de la turbulence et celle de l'interaction entre les panaches. Pour cela, nous utiliserons des outils de diagnostic locaux comme les corrélations entre température et vitesse, afin d'estimer le poids relatif de la turbulence ou des panaches (leur nombre, leur intensité) dans les différents régimes. Cette connaissance est clé pour produire des modèles car l'écoulement est inhomogène et l'information 3D est essentielle. Est-ce que les panaches germent de façon homogène sur la plaque, ou seulement proche des bords? Est-ce que la distribution spatiale des panaches change lorsque le forçage augmente?
Malgré les progrès des comparaisons entre expériences et simulations numériques, il reste des différences fortes entre le type d'information obtenus par chaque communauté, ce qui rend les études conjointes difficiles. Les données expérimentales sont incomplètes, mais bien convergées et à des forçages importants. Les simulations numériques sont bien résolues partout dans l'espace, mais atteignent des taux de turbulence plus faibles et sur des durées plus courtes. Le potentiel énorme des techniques récentes d'apprentissage profond (DL) informé par la physique aidera à intégrer les avantages de ces approches. On tirera avantage à la fois du cadre enrichi par la physique des réseaux de neurones perceptons ou convolutionnels, de façon à accélérer et rendre robuste l'entraînement des modèles. Nous pourrons alors extrapoler les données manquantes dans les expériences, et diminuer le coût des simulations numériques en réduisant le besoin de stockage. Lorsqu'ils sont entraînés sur les données expérimentales ou numériques, ces réseaux donneront un accès rapide aux couplages locaux de température et de vitesse en temps et en espace, au flux de chaleur local, et aux champs de température. Cela nous permettra d'explorer la nature du scalaire en convection thermique fortement turbulente.