Méthodes basées sur les données et apprentissage profond pour améliorer les modèles de turbulence anisotropes – DREAM-Turbulence

Les configurations aérodynamiques réalistes, à basse (éoliennes) ou grande (avions) vitesse, sont dominées par des écoulements turbulents anisotropes, souvent avec décollements et effets de courbure importants, dont la prédiction précise nécessite encore de substantielles améliorations de la modélisation de la turbulence. Seules les équations différentielles aux tensions de Reynolds (ou d'ordre supérieur) contiennent un nombre suffisant de degrés de liberté pour décrire mathématiquement ces écoulements complexes. Les représentations tensorielles complètes des termes ouverts demandent la calibration de nombreux coefficients qui sont des fonctions non linéaires de l'état local de l'écoulement. Récemment, les modèles guidés par les données utilisent l'apprentissage machine et des bases de données numériques ou expérimentales pour formuler les termes ouverts sans les hypothèses simplificatrices restrictives et les configurations d'écoulements canoniques souvent adoptées dans les approches classiques de modélisation de la turbulence. Cependant, ces modèles en sont encore à leurs balbutiements et peinent à se généraliser au-delà de la classe étroite d'écoulements pour lesquels ils ont été entraînés à cause du faible choix des caractéristiques d'entrée, de la violation des invariances, du manque de données et de leur utilisation non optimale. Pour surmonter ces lacunes et promouvoir un changement radical vers une nouvelle génération de modèles de turbulence anisotropes basés sur l'apprentissage machine généralisables et efficaces, le projet DREAM-Turbulence réunira une équipe d'experts en modélisation de la turbulence basée sur la physique et guidée par les données en France et en Allemagne, qui travailleront en étroite collaboration pour produire (Simulation Numérique Directe: DNS) et exploiter des données de haute qualité, améliorer les représentations tensorielles, développer des algorithmes d'apprentissage efficaces, proposer et appliquer en 3D des modèles explicables.