Le projet consiste à examiner comment mieux prédire les écoulements d’air complexes à l’intérieur d’un compresseur axial, une machine utilisée dans les moteurs destinés aux applications aérospatiales. Bien que les simulations numériques soient désormais très performantes, elles peinent encore à rendre compte de tous les détails des écoulements turbulents dans des conditions industrielles réelles. Afin d’améliorer la précision, nous proposons de combiner les simulations avec des mesures réelles effectuées en laboratoire à l’aide d’une technique d’imagerie des écoulements par laser. Ce couplage est réalisé via l’assimilation de données, qui fusionne les prévisions du modèle numérique avec les données expérimentales afin que la simulation puisse être corrigée au fur et à mesure de son exécution.
La technique spécifique, le filtre de Kalman d’ensemble, nécessite normalement de nombreuses simulations de haute précision, ce qui est très coûteux. Pour réduire les coûts, nous utilisons une approche multifidélité qui combine des simulations rapides et grossières avec des simulations plus coûteuses en ressources informatiques et plus détaillées. Cet ensemble complet de données, qui tient compte des prévisions numériques et des résultats expérimentaux, est utilisé pour entraîner des modèles de réseaux neuronaux, qui complètent le système numérique en augmentant la précision et en réduisant encore les coûts de calcul. La stratégie pour cette analyse est illustrée en Figure 1. Les calculs ont été réalisés en utilisant les ressources de calcul du cluster IRENE, pour un total de 2 millions d’heures scalaires. Les simulations de l’ensemble ont été exécutées avec différents nombres de cœurs, en fonction de la taille de chaque problème numérique. Plus précisément, les simulations à faible fi délité utilisaient des maillages de 5 millions d’éléments et ont été exécutées sur 96 cœurs, chacune demandant 2 300 heures scalaires CPU. Les simulations à haute fi délité employaient des maillages de 50 millions d’éléments et nécessitaient 640 cœurs (400 000 heures scalaires CPU). Les premiers résultats suggèrent que cette stratégie hybride, basée sur une modélisation physique combinée à l’apprentissage automatique, pourrait off rir un moyen plus efficace de prédire les écoulements d’air dans des machines complexes, aidant ainsi les ingénieurs à concevoir des compresseurs plus performants et plus fiables.
Figure 1 : Schématisation de la méthodologie d’Assimilation de données multi-fi délités (gauche) et l’approximation de ce processus par l’intégration d’un réseau de neurones artificiels pour la prédiction d’un terme de forçage dans les équations dynamiques (droite).