Doctorant en analyse de données d’écoulement hydrodynamique F/H

CONTEXTE

L’École navale est une grande école d’ingénieur (statut d’EPSCP-GE) dont la mission principale est la formation initiale des officiers de la Marine nationale (Concours Centrale-Supélec). Les élèves officiers de carrière suivent un cursus d’ingénieur ou de master. Des formations supérieures (masters, mastères spécialisés, formation continue) sont également délivrées à des étudiants civils ou militaires dans les domaines de l’ingénierie maritime. Le ou la doctorant(e) recruté(e) pourra participer aux actions de formation s’il/elle le souhaite.

L’Institut de Recherche et d’Études Navales (IRENav) est le support de la recherche et de la formation scientifique. Institut pluridisciplinaire, il est labellisé par l’HCERES dans le cadre de la contractualisation des laboratoires Arts et Métiers. Le laboratoire conduit des recherches amont et appliquées relatives aux systèmes navals en phase avec les besoins de la Marine nationale, sur la maîtrise de l’environnement marin physique, numérique et humain, en vue de la conception et l’exploitation des vecteurs et systèmes navals et maritimes. Les travaux de recherche s’appuient sur des plateformes technologiques de haute valeur ajoutée et s’inscrivent dans quatre axes fédérateurs : (1) Analyse et modélisation de la donnée maritime, (2) Acquisition de la donnée et compréhension des phénomènes physiques, (3) Conception et optimisation de vecteurs et systèmes navals, (4) Cultures du commandement et facteurs humains. (https://www.ecole-navale.fr/recherche/linstitut-de-recherche-de-lecole-navale/). La thèse proposée s’inscrit dans les deux premiers axes ci-dessus et vise à accompagner la montée en compétence de l’IRENav en traitement de données, utilisation de l’IA et interprétation physique, pour les écoulements dans les domaines naval et maritime.

SUJET DE THESE : Outils d’analyse des données d’écoulements hydrodynamiques

Caractérisation multi-échelle de processus non-linéaires à partir des données : Application à la turbulence hydrodynamique et à l’acoustique sous-marine

Le sujet de cette thèse porte sur les méthodes de décomposition pilotées par les données pour l’analyse de processus physiques multi-échelles et non-stationnaires, issus de systèmes non-linéaires. Cette large classe de signaux regroupe, par exemple, les écoulements transitionnels ou turbulents, les écoulements océaniques, les signaux MAD[1] ou les signaux issus de systèmes DAS1 ou réseaux d’OBS1.  Ce besoin d’outils d’analyse de données physiques s’inscrit dans les axes «Analyse et modélisation de la donnée maritime» et «Acquisition de la donnée et compréhensions des phénomènes physique». On vise à classifier et caractériser, voire améliorer, différentes méthodes de décomposition pilotées par les données (e.g. POD2, BOD2, SPOD2, DMD2, ainsi que EMD[2], EEMD2, MEMD2, et les décompositions non linéaires par Machine Learning dont les réseaux de diffusion en ondelettes), afin de déterminer la ou les méthodes les plus adaptées selon la nature et la complexité du signal ainsi que les objectifs de l’analyse. Pour analyser le contenu fréquentiel de ces signaux, qui est en général très riche, des spectres en loi de puissance et des analyses temps-fréquence seront couplées à la méthode de décomposition choisie. A cela s’ajoute l’estimation conjointe de l’index de Hurst, dit index d’auto-similarité, et de la loi de puissance du processus étudié. Si l’index de Hurst permet de mettre en évidence une éventuelle longue dépendance, par exemple dans un écoulement, c’est la puissance de la loi associée qui mesure l’importance de son effet. Les méthodes employées seront mises à profit pour caractériser les données : extraction des caractéristiques locales, globales et des invariants d’échelles, identification de leur signification physique, caractérisation de la morphologie et de la texture. C’est le cas notamment de données d’écoulement mesurées dans le tunnel hydrodynamique de l’IRENav autour de profils portants et de corps épais, ou des données d’écoulement océanique. Les travaux développés à l’IRENav, ont montré l’intérêt des modèles «réduits» pour le filtrage des signaux et la détection de signaux faibles ainsi que dans l’analyse du comportement des structures et tout particulièrement en mécanique des fluides. Ces modèles réduits mettent en avant les informations pertinentes des données et conduisent à des calculs moins couteux et plus robustes. Par exemple, ces modèles permettront de représenter les structures les plus importantes d’un écoulement, en incluant éventuellement une représentation stochastique de la turbulence. La fiabilité du modèle réduit passe d'abord par une bonne compréhension des fondements mathématiques de la méthode de décomposition utilisée, ainsi que par la validité des hypothèses sous-jacentes tels que la stationnarité, la linéarité, l’invariance d’échelle ou l’orthogonalité des modes extraits. On peut imaginer intégrer des contraintes physiques liées au processus étudié ou une contrainte de parcimonie des données. Le premier objectif de cette thèse est de faire un état de l’art poussé des méthodes pilotées par les données à partir de la littérature et d’établir une hiérarchisation de celles-ci en fonction des hypothèses sous-jacentes ainsi que des besoins en termes d’analyse et de modélisation. Le deuxième objectif est d’appliquer les méthodes choisies à plusieurs jeux de données pour caractériser les processus physiques sous-jacents (données PIV[3], données DAS, données satellitaires, ….) en établissant un modèle réduit. Le troisième objectif est de vérifier la plage de validité du modèle réduit en fonction des conditions d’expérience (vitesse de l’écoulement, géométrie du profil, …). Un point d’attention particulier sera porté aux méthodes d’apprentissage nécessitants peu de données comme les réseaux de diffusion en ondelettes.

Parmi les verrous scientifiques, on peut citer :

• La classification parmi un foisonnement de méthodes

• L’adaptation à des écoulements à haut nombre de Reynolds

• La turbulence et la transition

• La signification physique des grandeurs extraites

• La modélisation statistique des écoulements

• L’analyse des signaux à non propriété (non stationnaires et issus de systèmes non-linéaires).

• L’extension de certaines de ces méthodes à des processus variant à la fois en temps et en espace (pression pariétale, …).     

Moyens mis en œuvre :

• Plateforme Traitement de l’Information Maritime et moyens de calcul intensif

• Plateforme hydrodynamiques (tunnel et moyens de mesures associés)

Encadrement :

• Patrick Bot, Professeur des Universités (Hydrodynamique), directeur de thèse ; responsable de l'axe (2).

• Abdel Boudraa, Professeur des Universités (Traitement du signal), co-directeur ; responsable de l'axe (1).

• Guillaume Sérazin, Enseignant-Chercheur (Océanographie), co-encadrant.

Financement :

La thèse est cofinancée par la région Bretagne et l’École navale, et bénéficiera des moyens de fonctionnement de l’IRENav (essais, calculs, déplacements).

La thèse bénéficiera d’un lien étroit avec le projet ANR MALEAF (MAchine LEArning for Fluid system efficiency) qui regroupe des chercheurs de l'ENSAM, du CNAM, de l'École navale et de l'ONERA sur un sujet connexe, et de potentielles collaborations avec l’équipe SIAM du Laboratoire d’Océanographie Physique et Spatial à Plouzané et avec le laboratoire de physique de l’ENS de Lyon.

Références

- P. Abry and D. Veitch, Wavelet analysis of long-range dependent traffic, IEEE Trans. Info. Theory, vol. 44, no. 1, pp. 2-15, 1998.  

- K. Taira, S. Brunton, S.T.M. Dawson, C.W. Rowley, T. Colonius, B.J. McKeon, O.T. Schmidt, S. Gordeyev, V. Theofilis and L.S. Ukeiley, Modal Analysis of Fluid Flows: An Overview, AIAA Journal, vol. 55, no. 12, pp. 413-4042, 2017.

- S. Kneer, T. Sayadi, D. Sipp, P. Schmidt and G. Rigas, Symmetry-Aware Autoencoders: s-PCA and s-NLPCA, arXiv:2111.02893v3 [physics.flu-dyn] 14 Nov. 2022. 

- F. Chinesta et E. Cueto, Techniques de réduction de modèles - Vers une nouvelle génération d'abaques numériques, Techniques de l’ingénieur, AF1381 V1, 2023.

- Y. Watine, Analyse et atténuation par shunt piézoélectrique résonnant des vibrations induites par l’écoulement subies par des surfaces portantes navales, thèse de Doctorat, Ecole Nationale Supérieure d’Arts et Métiers, IRENav, 2023.

- P. François, Etude expérimentale et contrôle du couplage hydroélastique de bord de fuite d’un hydrofoil en régime de transition, thèse de Doctorat, Ecole Nationale Supérieure d’Arts et Métiers, IRENav, 2024.

- J. Bruna and S. Mallat, Invariant Scattering Convolution Networks, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1872-1886, 2013.

- S. Cheng, R. Morel, E. Allys, B. Ménard and S. Mallat, Scattering spectra models for physics, PNAS Nexus, vol. 3, no. 4, pp. 1-13, 024.

- J. Deparday, P. Bot, F. Hauville, B. Augier, M. Rabaud, D. Motta and D.J. Le Pelley, Modal analysis of pressures on full-scale spinnaker, Journal of Sailing Technology, vol. 7, no. 1, pp. 1-12, 2017.

- J. Deparday, B. Augier and P. Bot, Experimental analysis of a strong fluid–structure interaction on a soft membrane - Application to the flapping of a yacht downwind sail, Journal of Fluids and Structures, 2018, 81, pp.547-564, 2018.

- A. Komaty, A.O. Boudraa, P. Flandrin, P.O. Amblard and J.A. Astolfi, On the behavior of MEMD in presence of multivariate fractional Gaussian noise, IEEE Trans. Signal Processing, vol. 69, pp. 2676-2688, 2021.

- A. Komaty, A.O. Boudraa, J.P. Nolan and D. Dare, On the behavior of EMD and MEMD in presence of symmetric alpha-stable noise, IEEE Signal Processing Letters, vol. 22, no. 7, pp. 818-822, 2015.

- S. Benramdane, J.C. Cexus, J.A. Astolfi and A.O. Boudraa, Experimental investigation of wall-pressure fluctuations on a transiently moving hydrofoil by empirical mode decomposition, Proc. International Society of Offshore and Polar Engineers, pp. 1-6, 2007.

Notes :

[1] MAD : Magnetic Anomaly Detection, DAS : Distributed Acoustic Sensing, OBS : Ocean Bottom Seismometer

[2] POD : Proper Orthogonal Decomposition, BOD : Bi-Orthogonal Decomposition, SPOD : Spectral POD, DMD : Dynamic Mode Decomposition, EMD : Empirical Mode Decomposition, EEMD : Ensemble EMD, MEMD : Multivariate EMD

[3] PIV : Particle Image Velocimetry

Mots clés : Décompositions pilotées par les données, POD, machine Learning, écoulement.