Predictive modeling of hypersonic flows in chemical nonequilibrium : physics-based and data-driven approaches
Modélisation prédictive des écoulements hypersoniques hors-équilibre thermochimique : approches physiques et basées sur les données
Résumé
Hypersonic flows are of great interest in a wide range of aerospace applications and are a critical component of many technological advances. In this thesis, we first numerically study the complex interplay between thermodynamics, chemistry and fluid mechanics in the extreme conditions encountered at hypersonic speeds. Accurate simulations of these flows in thermochemical (non)-equilibrium rely on detailed thermochemical gas models. Thus, the gas properties of the reactive mixture are initially modeled using the open-source Mutation++ library. While accurately capturing the underlying aerothermochemistry, the library dramatically increases the cost of such calculations. In the second part, a novel model-agnostic machine-learning technique is presented which allows an adaptive extraction of a reduced-order thermochemical model of a gas mixture from the library. The states are embedded in a low-dimensional space and clustered to identify regions with different levels of thermochemical (non)-equilibrium. Then, a surrogate surface from the reduced cluster-space to the output space is generated using radial-basis-function networks. The method is validated and benchmarked on simulations of hypersonic flat-plate boundary layers and shock-wave boundary layer interaction with finite-rate chemistry. Substituting Mutation++ with the light-weight, machine-learned alternative improves the performance of the solver by up to 70% while maintaining overall accuracy. Thanks to the online learning capabilities of the technique, generalization and predictivity of the model are demonstrated when training data is only partially available. The method can be readily ported to other domains relying on expensive, high-dimensional function evaluations.
Dans cette thèse, nous nous intéressons aux écoulements hypersoniques. Ces derniers sont d'un grand intérêt pour de nombreuses applications aérospatiales et constituent un élément essentiel des avancées technologiques dans ce domaine. En première partie, nous étudions numériquement l'interaction complexe entre la thermodynamique, la chimie et la mécanique des fluides dans les conditions extrêmes rencontrées aux vitesses hypersoniques. La prise en compte des effets thermochimiques hors-équilibre repose sur des modèles de gaz complexes. A cet effet, les propriétés gazeuses sont donc initialement modélisées à l'aide du logiciel Mutation++. Cependant, l'utilisation de ce type de modèle augmente considérablement le coût des calculs. Dans la deuxième partie, nous présentons donc une nouvelle technique d'apprentissage automatique pour extraire de manière adaptative un modèle d'ordre réduit de la thermochimie d'un mélange de gaz. Les états thermodynamiques sont projetés dans un espace à faible dimension et regroupés pour identifier les régions présentant différents niveaux d'équilibre thermochimique. Ensuite, un modèle de substitution est construit entre l'espace de projection et l'espace de sortie à l'aide de réseaux de fonctions à base radiale. La méthode est validée sur des simulations de couches limites hypersoniques et des interactions onde de choc - couche limite avec des réactions chimiques hors-équilibre. Remplacer Mutation++ par le modèle d'ordre réduit améliore les performances du code de calcul jusqu'à 70% tout en maintenant la précision globale. Grâce aux capacités d'apprentissage en ligne, la généralisation et la prédictibilité du modèle sont démontrées lorsque les données d'apprentissage ne sont que partiellement disponibles. La méthode peut être facilement portée à d'autres domaines reposant sur des évaluations de fonctions coûteuses en haute dimension.
Origine | Version validée par le jury (STAR) |
---|