Démonstration de faisabilité: apprentissage faiblement supervisé pour la reconstruction a priori de SGE-T utilisant des corrélations en deux points

Le développement des centrales solaires de nouvelle génération nécessite des récepteurs solaires qui fonctionnent à haute température. Le fluide caloporteur est un mélange de gaz sous pression. Dans cette configuration, la maîtrise des écoulements turbulents fortement anisothermes, présents au sein des récepteurs, constitue un verrou scientifique au développement de ces nouvelles centrales d’autant que le couplage entre dynamique et thermique rend la physique complexe. Cet article traite de l’application de l’apprentissage machine (AM) pour la reconstruction ou la super-résolution des simulations à grande échelle thermique (SGE-T) dans le contexte d’un chauffage asymétrique, où le récepteur solaire est exposé à une seule face de lumière solaire concentrée. Les méthodes existantes de reconstruction de champs sous-résolus présentent une faible précision, notamment en ce qui concerne les statistiques au-delà du premier ordre. Nous proposons d’entraîner un réseau de neurones convolutif à déterminer la correction nécessaire à la reconstruction du champ de thermique SGE-T. Cette technique utilise les corrélations en deux points comme fonction de coût pour l’optimisation du réseau de neurones. En effet, cette quantité statistique nous permet de comparer différentes simulations et donc d’effectuer un apprentissage sur des données a posteriori, nous donnant ainsi les petites échelles reconstruites. Nous testerons également les performances du réseau de neurones appris sur des données SGE-T effectuée avec une condition aux bords de paroi oscillante comme test de robustesse face au changement de configuration d’écoulement. A notre connaissance, il n’existe pas de modèles de reconstruction utilisant des corrélations en deux points comme estimateur d’erreur. Nous proposons d’adapter les estimateur d’erreur déterminés lors de l’entraînement d’un réseau de neurones pour optimiser et améliorer la précision des champs reconstruits. Nous testons également dans cette étude différentes distances entre corrélations lors de l’apprentissage. A partir d’une base de données issue d’une SGE-T correspondant à un modèle de fermeture, nous serons capables d’apprendre une reconstruction qui respecte les statistiques de l’écoulement issu d’une simulation numérique directe dans les mêmes conditions physiques. La reconstruction apprise sera ensuite comparée a deux méthodes de reconstruction, pour avoir une référence. La première consiste en l’inversion du filtre SGE-T par son développement limité, la deuxième consiste en l’apprentissage d’un réseau de neurones de même architecture, avec une estimation d’erreur faite point à point. La technique de reconstruction présentée sera enfin testée sur une configuration d’écoulement à paroi oscillante pour évaluer la capacité du réseau à généraliser une reconstruction à des configurations différentes.