19 janvier 2024
- Maillage automatique et méthodes Machine Learning pour la prédiction de grandeurs fluides pour les rentrées atmosphériques / Soutenance de thèse Iko Midani
Doctorant : Iko Midani
Date : le vendredi 19 janvier 2024 à 14h00 dans l’amphithéâtre du LMA ; 4, impasse Nikola Tesla ; 13013 Marseille
Résumé : Dans le secteur spatial, l'émergence de nouveaux acteurs, tels que des entreprises privées opérant des constellations de satellites ou proposant du tourisme spatial, a suscité des préoccupations cruciales quant au partage de l'espace dans les années à venir. L'accroissement des activités spatiales a mis en lumière le problème croissant des débris spatiaux. Bien que la prise de conscience des risques liés aux débris spatiaux ne soit pas nouvelle, des progrès ont été réalisés depuis que la possibilité de collisions rendant l'orbite terrestre inutilisable a été soulevée. Des mesures visant à réduire les débris ont été mises en place, avec de nombreuses agences spatiales gouvernementales établissant des lignes directrices. La principale solution pour gérer les débris spatiaux réside dans leur rentrée atmosphérique, bien que cette approche présente des défis. En effet, la simulation d'une rentrée atmosphérique est complexe en raison des phénomènes multiphysiques impliqués, rendant les codes de simulation numérique haute-fidélité tel que les outils CFD inutilisables en raison de leurs temps de calcul excessifs. Des outils à temps de réponse rapide ont été développés pour évaluer le risque au sol posé par les débris, calculant les distributions des coefficients de pression et des flux de chaleur à la paroi à chaque instant de la rentrée atmosphérique. Cependant, ces modèles réduits ne prennent pas en compte la complexité physique requise pour prédire précisément la dégradation des structures dans certaines situations. L'objectif de la thèse présentée est de développer de nouveaux outils améliorant la prédiction de ces quantités. À cette fin, un code CFD Euler simplifié avec génération de maillage automatique est mis en place. Une structure de type maillage Cartésien Octree avec des méthodes de d’adaptation de maillage de type AMR sont développés. Dans un second temps des méthodes de frontières immergées (IBM) sont incorporées afin de capturer avec précision le coefficient de pression à la paroi. La dernière partie de cette thèse implique le développement d’un modèle statistique basé sur des méthodes d'apprentissage automatique afin de prédire le flux de chaleur à la paroi. La thèse comprend plusieurs validations sur des formes simples, avec des applications industrielles impliquant des formes réelles et complexes. Ces travaux visent à concilier l'efficacité des modèles simplifiés avec la précision des simulations CFD, contribuant ainsi à la gestion et à la prévention des risques liés aux débris spatiaux dans un contexte spatial en constante évolution.
Mots clés : rentrées atmosphériques, aérothermodynamique, hypersonique, maillage automatique, méthodes des frontières immergées, Machine Learning
Jury
M. Marcello MELDI - ENSMA / Rapporteur
M. Vincent MOURREAU - CORIA / Rapporteur
M. Pierre-Henri MAIRE - CEA/CESTA / Président du jury
Mme. Stéphanie PERON - ONERA / Examinatrice
M. Julien FAVIER – AMU / Directeur de thèse
M. Pierre BOIVIN – CNRS / Co-Directeur de thèse
M. Eddy CONSTANT - R.Tech / Invité, Encadrant industriel