Étude de la propagation acoustique en milieu complexe par des réseaux de neurones profonds
- Date :
- Cet événement est passé.
- Type :
- Soutenance de thèse
- Lieu :
- Local C1-3114 de la Faculté de génie et par Teams
Description :
Doctorant: Antonio Alguacil Cabrerizo
Directeur de recherche: Stéphane Moreau
Directeur de recherche (France): Marc C. Jacob
Président de jury: À être confirmé
Résumé: Prédire la propagation du bruit aéroacoustique est une tâche difficile en présence d'écoulements moyens complexes et d'effets d'installation géométriques. La conception des futurs systèmes de propulsion silencieux appelle au développement d'outils capables d'effectuer de nombreuses évaluations avec une faible erreur et un faible coût de calcul. Traditionnellement, des modèles analytiques ou des approches numériques hybrides ont été utilisés à cette fin. Cependant, ces méthodes sont généralement contraintes par des hypothèses simplificatrices qui ne sont pas facilement assouplies. Ainsi, l'objectif principal de cette thèse est de développer et de valider de nouvelles méthodes pour la prédiction rapide et précise de la propagation aéroacoustique dans des écoulements moyens et des géométries complexes. Pour cela, des réseaux de neurones convolutifs profonds, entraînés sur des bases de données, et agissant comme prédicteurs spatio-temporels, sont considérés. Ces modèles par substitution sont entraînés sur des données de haute fidélité, générées par des solveurs numériques aérocoustiques directs. De telles bases de données sont capables de modéliser des phénomènes d'écoulement, ainsi que des paramètres géométriques complexes. Le réseau de neurones est conçu pour remplacer le solveur haute fidélité à un coût de calcul beaucoup plus faible une fois la phase d'entraînement terminée, tout en prédisant la propagation acoustique dans le domaine temporel avec une précision suffisante. Trois cas de test, de complexité croissante, sont utilisés pour valider l'approche, où le substitut appris est comparé à des solutions analytiques et numériques. Le premier cas correspond à la propagation acoustique bidimensionnelle dans des domaines fermés, où des sources impulsionnelles issues de distributions Gaussiennes sont considérées. Ceci permet de comprendre le comportement fondamental des réseaux de neurones convolutifs étudiés. Deuxièmement, l'approche est étendue afin de prendre en compte une variété de conditions aux limites, notamment des conditions aux frontières non réfléchissantes et des obstacles réfléchissants de géométrie arbitraire, modélisant la réflexion et la diffusion des ondes acoustiques sur ces obstacles. Cela permet de prédire la propagation acoustique dans des configurations plus proches des problématiques industrielles. Enfin, les effets des écoulements moyens complexes sont étudiés à travers une base de données d'ondes acoustiques qui se propagent à l'intérieur d'écoulements cisaillés. Ces applications mettent en évidence la flexibilité des méthodes basées sur les données, utilisant des réseaux de neurones convolutifs. Ils permettent une accélération significative des prédictions acoustiques, tout en gardant une précision adéquate et en étant également capables de prédire correctement la propagation acoustique en dehors du rang des paramètres vus pendant la phase d'apprentissage. Pour cela, des connaissances préalables sur la physique de propagation des ondes sont incluses pendant et après la phase d'apprentissage du réseau, permettant un contrôle accru sur l'erreur effectuée par le substitut. Parmi ces connaissances préalables, la conservation des grandeurs physiques, comme l'énergie acoustique, et le traitement correct des conditions aux frontières, sont identifiés comme des paramètres clés qui améliorent les prédictions du modèle proposé.
Doctorant: Antonio Alguacil Cabrerizo
Directeur de recherche: Stéphane Moreau
Directeur de recherche (France): Marc C. Jacob
Président de jury: À être confirmé
Résumé: Prédire la propagation du bruit aéroacoustique est une tâche difficile en présence d'écoulements moyens complexes et d'effets d'installation géométriques. La conception des futurs systèmes de propulsion silencieux appelle au développement d'outils capables d'effectuer de nombreuses évaluations avec une faible erreur et un faible coût de calcul. Traditionnellement, des modèles analytiques ou des approches numériques hybrides ont été utilisés à cette fin. Cependant, ces méthodes sont généralement contraintes par des hypothèses simplificatrices qui ne sont pas facilement assouplies. Ainsi, l'objectif principal de cette thèse est de développer et de valider de nouvelles méthodes pour la prédiction rapide et précise de la propagation aéroacoustique dans des écoulements moyens et des géométries complexes. Pour cela, des réseaux de neurones convolutifs profonds, entraînés sur des bases de données, et agissant comme prédicteurs spatio-temporels, sont considérés. Ces modèles par substitution sont entraînés sur des données de haute fidélité, générées par des solveurs numériques aérocoustiques directs. De telles bases de données sont capables de modéliser des phénomènes d'écoulement, ainsi que des paramètres géométriques complexes. Le réseau de neurones est conçu pour remplacer le solveur haute fidélité à un coût de calcul beaucoup plus faible une fois la phase d'entraînement terminée, tout en prédisant la propagation acoustique dans le domaine temporel avec une précision suffisante. Trois cas de test, de complexité croissante, sont utilisés pour valider l'approche, où le substitut appris est comparé à des solutions analytiques et numériques. Le premier cas correspond à la propagation acoustique bidimensionnelle dans des domaines fermés, où des sources impulsionnelles issues de distributions Gaussiennes sont considérées. Ceci permet de comprendre le comportement fondamental des réseaux de neurones convolutifs étudiés. Deuxièmement, l'approche est étendue afin de prendre en compte une variété de conditions aux limites, notamment des conditions aux frontières non réfléchissantes et des obstacles réfléchissants de géométrie arbitraire, modélisant la réflexion et la diffusion des ondes acoustiques sur ces obstacles. Cela permet de prédire la propagation acoustique dans des configurations plus proches des problématiques industrielles. Enfin, les effets des écoulements moyens complexes sont étudiés à travers une base de données d'ondes acoustiques qui se propagent à l'intérieur d'écoulements cisaillés. Ces applications mettent en évidence la flexibilité des méthodes basées sur les données, utilisant des réseaux de neurones convolutifs. Ils permettent une accélération significative des prédictions acoustiques, tout en gardant une précision adéquate et en étant également capables de prédire correctement la propagation acoustique en dehors du rang des paramètres vus pendant la phase d'apprentissage. Pour cela, des connaissances préalables sur la physique de propagation des ondes sont incluses pendant et après la phase d'apprentissage du réseau, permettant un contrôle accru sur l'erreur effectuée par le substitut. Parmi ces connaissances préalables, la conservation des grandeurs physiques, comme l'énergie acoustique, et le traitement correct des conditions aux frontières, sont identifiés comme des paramètres clés qui améliorent les prédictions du modèle proposé.