LEGI - UMR 5519

Financement : CNRS 80|PRIME

Collaboration : J. Le Sommer (IGE, Grenoble) et R. Fablet (Lab-STICC, Brest)

La définition de fermetures sous-maille est un aspect essentiel de la modélisation des écoulements turbulents. Ces fermetures sont nécessaires pour prendre en compte l’impact des variations non résolues des variables dynamiques sur les échelle résolues en raison de la non linéarité de la dynamique des fluides (Sagaut et al. 2006). En pratique, ces modèles (dits modèles LES) sont généralement formulés de manière déterministe à partir des quantités résolues à grande échelle et sont obtenus par la combinaison de considérations théoriques et empiriques. Ces dernières années, des progrès ont été réalisés dans la modélisation LES en appliquant des techniques d’apprentissage automatique pour calibrer des modèles sur la base de données de simulations à haute résolution (de type DNS) (Kutz 2017, Vollant et al. 2017). Les progrès récents des algorithmes d’apprentissage et de leur implémentation logicielle devraient permettre une avancée décisive dans le domaine de la modélisation LES au cours des prochaines années. Les réseaux de neurones convolutifs (CNN, une classe de réseaux neuronaux s’appuyant sur des opérations de convolution locales) semblent en particulier être bien adaptés à la modélisation LES, car ils encodent naturellement les opérations de filtrage impliquées dans la conception des fermetures LES (Bolton et Zanna et al. 2018) et peuvent être entraînés sur de très grandes bases de données. Dans ce projet, nous proposons de définir une méthodologie d’apprentissage robuste permettant de modéliser diverses quantités sous-maille dans un contexte de modélisation LES. Le projet se concentrera tout d’abord sur la modélisation des quantités scalaires nécessaires à plusieurs applications (transfert de chaleur, combustion, océanographie,…). Une attention particulière sera accordée aux simulations d’écoulements de fluides environnementaux et à leurs applications dans les systèmes opérationnels, tels que les systèmes de prévision océanique. Le but ultime sera de prendre en compte la propagation des erreurs de modélisation et leur interaction avec les erreurs numériques afin d’assurer la précision des modèles pour une prédire des évolutions à long terme.

Publications

Miscellaneous

2022

Frezat, H., Fablet, R., Le Sommer, J., & Balarac, G. (2022). Learning quasi-geostrophic turbulence parametrizations from a posteriori metrics.

  

Currently in Preparation or Submitted

2022

Frezat, H., Le Sommer, J., Fablet, R., Balarac, G., & Lguensat, R. (2022). A posteriori learning of quasi-geostrophic turbulence parametrization: an experiment on integration steps.

  

Peer-reviewed Publications

2022

Frezat, H., Le Sommer, J., Fablet, R., Balarac, G., & Lguensat, R. (2022). A posteriori learning for quasi-geostrophic turbulence parametrization. Journal of Advances in Modeling Earth Systems, , 1–35.

  

2021

Frezat, H., Balarac, G., Sommer, J. L., Fablet, R., & Lguensat, R. (2021). Physical invariance in neural networks for subgrid-scale scalar flux modeling. Physical Review Fluids, 6(2).

  

Ph.D. Theses

2022

Frezat, H. (2022). Learning sub-grid dynamics in idealized turbulent systems. Ph.D. thesis, Université Grenoble Alpes [2020-....], .