Reduced-order models under uncertainties for microscale atmospheric pollutant dispersion in urban areas : exploring learning algorithms for high-fidelity model emulation
Modèles réduits en présence d'incertitudes pour la dispersion atmosphérique micro-échelle de polluant en milieu urbain : exploration de méthodes d'apprentissage pour l'émulation de modèles haute-fidélité
Résumé
In the event of an accidental release of hazardous substances in an urban area or on an industrial site, tracking pollutant concentration is particularly important for assessing public exposure to toxic doses. This is an operational but also a scientific challenge, as the interaction of the atmospheric boundary-layer with the urban canopy makes the near-surface flow dynamics complex and requires high-fidelity physics modelling tools. By explicitly solving for most of the turbulence spectrum, the large-eddy simulation (LES) approach has the potential to represent the spatial and temporal variability of pollutant concentration in a complex environment. Finding a way to synthesise this large amount of information to inject into lower-fidelity operational models is particularly appealing. Still, in this accidental context, the LES approach remains subject to atmospheric and emission source uncertainties, and requires an ensemble modelling framework to represent the range of plausible dispersion scenarios. But this multi-query framework is far out of reach in a real-time context as LES simulations require very large computational resources. In this thesis, we explore different statistical learning approaches to design a reduced-order model informed by LES to produce physically-consistent concentration predictions, while substantially decreasing computational cost. This study is carried out on a two-dimensional tracer dispersion case in a turbulent atmospheric boundary-layer flow over an isolated obstacle, in which both inflow boundary condition and source location are uncertain. In a first step, we design a data-driven reduced-order model approach based on LES data to predict tracer concentration field statistics. We compare several dimension reduction approaches (proper orthogonal decomposition/POD versus autoencoder) to reduce the field statistics to a limited number of latent variables. We also compare several regression models (e.g.~polynomial chaos, Gaussian processes) to represent the response of the latent variables to changes in the uncertain parameters. POD combined with Gaussian process regression provides fairly good predictions for a large LES training dataset (made of 450 snapshots). Near-source concentration heterogeneity upstream of the obstacle requires a large number of POD modes to be well captured. Moreover, the field dimension reduction capability of the model can be improved by replacing POD by a convolutional autoencoder. By reducing the number of training snapshots, we observe a loss of consistency with physics principles in the reduced-order model predictions. To overcome this issue, in a second step, we design a hybrid reduced-order model approach based on LES-informed Reynolds-averaged Navier-Stokes (RANS) tracer transport equation to integrate physical constraints in the training process. The key idea is to decouple the atmospheric uncertainties from the source location uncertainties, and to replace the classical RANS turbulent closure terms by data-driven airflow models emulated from LES data. This approach requires much less LES data (only 50 snapshots) than the LES data-driven reduced-order model. We finally show that a multi-fidelity approach (combining a small number of LES snapshots with a large number of hybrid model predictions) offers an interesting avenue of research to optimise the reduced-order model performance.
En cas de rejet accidentel de substances dangereuses en milieu urbain ou sur un site industriel, cartographier la concentration en polluants est un enjeu pour évaluer l'exposition du public à des doses toxiques. Il s'agit d'une problématique opérationnelle mais aussi scientifique, car l'interaction de la couche limite atmosphérique avec la canopée urbaine rend la dynamique de l'écoulement complexe et nécessite des outils de modélisation physique haute-fidélité. En résolvant explicitement l'essentiel du spectre de turbulence, l'approche de simulation aux grandes échelles (SGE) permet de représenter la variabilité spatio-temporelle de la concentration de polluants dans un environnement complexe. Concevoir une approche pour synthétiser cette grande quantité d'informations pour l'injecter dans des modèles opérationnels de plus basse fidélité est d'un grand intérêt. Néanmoins, dans ce contexte accidentel, l'approche de SGE reste sujette à des incertitudes atmosphériques et sur la source d'émission et nécessite un cadre de modélisation d'ensemble pour représenter l'éventail des scénarios plausibles de dispersion. Mais ce cadre multi-requête est inaccessible dans un contexte en temps réel car les simulations SGE nécessitent de très importants moyens de calcul. Dans cette thèse, nous explorons différentes approches d'apprentissage statistique pour construire un modèle réduit informé par l'approche de SGE afin d'obtenir des prévisions de concentration physiquement cohérentes, tout en diminuant considérablement le coût de calcul. Cette étude est effectuée sur un cas bidimensionnel de dispersion de traceur dans un écoulement turbulent de couche limite atmosphérique autour d'un obstacle isolé, pour lequel les conditions aux limites sur l'écoulement en entrée du domaine et la localisation de la source sont incertaines. Dans un premier temps, nous mettons en oeuvre une approche de modèle réduit basée sur les données de SGE pour prévoir les statistiques du champ de concentration du traceur. Nous comparons plusieurs approches de réduction de dimension (décomposition orthogonale en modes propres/POD versus auto-encodeur) pour réduire les champs d'intérêt à un nombre limité de variables latentes, et différents modèles de régression (e.g. chaos polynomial, processus gaussiens) pour représenter la réponse des variables latentes aux variations des paramètres incertains. La POD combinée à la régression par processus gaussiens permet d'obtenir de bonnes prévisions pour un grand jeu de données de SGE d'entraînement (composé de 450 solutions). L'hétérogénéité de la concentration proche de la source en amont de l'obstacle nécessite un grand nombre de modes POD pour être bien représentée. De plus, la capacité du modèle à réduire la dimension des champs peut être améliorée en remplaçant l'approche POD par un auto-encodeur convolutif. En réduisant le nombre de données d’entraînement, nous observons un non-respect des lois de la physique dans les prévisions du modèle réduit. Pour surmonter ce problème, dans un deuxième temps, nous mettons en oeuvre une approche de modèle réduit hybride basée sur l'équation de transport de traceur RANS (Reynolds-averaged Navier-Stokes) informée par les données de SGE afin d'intégrer des contraintes physiques dans le processus d'apprentissage. L'idée-clé est de découpler les incertitudes atmosphériques des incertitudes de source, et de remplacer les termes classiques de fermeture de la turbulence dans l'approche RANS par des modèles sur l'écoulement d'air émulés à partir des données de SGE. Cette approche nécessite beaucoup moins de données de SGE (seulement 50 solutions) que le modèle réduit directement émulé à partir des données de SGE. Nous montrons finalement qu'une approche multi-fidélité (combinant un petit nombre de solutions de SGE avec un grand nombre de prévisions du modèle réduit hybride) offre une perspective de recherche intéressante pour optimiser la performance du modèle réduit.
Domaines
Océan, Atmosphère| Origine | Version validée par le jury (STAR) |
|---|