Méthodes Basées Sur Les Données Et Apprentissage Profond Pour Améliorer Les Modèles de Turbulence Anisotropes

**Méthodes basées sur les données et apprentissage profond pour améliorer les modèles de turbulence anisotropes**:

- Réf **ABG-134013**
- Sujet de Thèse
- 24/10/2025
- Autre financement public
- Sorbonne Universite
- Lieu de travail- Paris - Ile-de-France - France
- Intitulé du sujet- Méthodes basées sur les données et apprentissage profond pour améliorer les modèles de turbulence anisotropes
- Champs scientifiques- Sciences de l’ingénieur
- Mots clés- Turbulence, Modélisation, Machine-learning, CFD, Aéronautique

**Description du sujet**:
Les configurations aérodynamiques réalistes, à basse vitesse (éoliennes) ou grande vitesse (avions), sont dominées par des écoulements turbulents fortement 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 d'un grand nombre de coefficients variables et non linéairement fonctions des caractéristiques locales de l'écoulement. Récemment, les méthodes basées sur les données utilisent l'apprentissage machine et des bases de données hautes fidelités 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, les modèles guidés par les données en sont encore à leurs balbutiements et peinent à se généraliser au-delà de la classe étroite d'écoulements pour lesquels ils ont été formés à cause du faible choix des caractéristiques d'entrée, de la violation des invariances et du manque de données. Pour surmonter ces lacunes et promouvoir un
changement radical vers une nouvelle génération de modèles de turbulence anisotropes basés sur l'apprentissage machine généralisable et efficace, 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 et exploiter des données de haute qualité, améliorer les représentations tensorielles, développer des algorithmes d'apprentissage efficaces et les valider en écoulements
décollés 3D. Le projet de thèse s'intègre dans cette ANR et plus particulièrement sur la partie théorique de la modélisation de la turbulence puis des validations.

Realistic aerodynamic configurations, both low-speed (wind turbines) and high-speed (aircraft), are dominated by highly anisotropic 3D turbulent flows, often with strong separation and curvature effects, whose accurate
prediction still requires substantial improvements in turbulence modeling. Only the differential Reynolds stress (or higher order) equations contain a sufficient number of degrees of freedom to mathematically characterize these complex flows. The complete tensorial representations of the terms to be closed require the calibration of a large number of variable coefficients that non-linearly depend on local flow features. Recent developments of data-driven models are using machine learning and high-fidelity numerical or experimental databases to adequately formulate the unclosed terms without resorting to the restrictive simplifying assumptions and canonical flow configurations often adopted in classical turbulence modeling approaches. However, data-driven models are still in their infancy and struggle to generalize beyond the narrow class of flows for which they were trained due to poor choice of input features, violation of invariances, lack of extensive high-fidelity reference datasets, and improper use during training. To overcome these shortcomings and to promote a disruptive change towards a new generation of efficient and generalizable machine-learning-based anisotropic turbulence models, the DREAM-Turbulence project will bring together a team of experts in both physics-based and data-driven turbulence modeling in France and Germany, who will work in close collaboration to produce and exploit high-quality data, improve tensorial representations, and develop data-efficient learning algorithms. The project also includes the generation of high-fidelity direct numerical simulation (DNS) data for 3D separated flow and the assessment of the proposed transparently interpretable modeling enhancements against an extended set of test-cases.

**Prise de fonction**:

- 01/04/2026

**Nature du financement**:

- Autre financement public

**Précisions sur le financement**:

- ANR Financement d'Agences de financement de la recherche

**Présentation établissement et labo d'accueil**:

- Sorbonne Universite

Institut Jean Le Rond d'Alembert dans l'équipe CEPT