AI-Based Framework for the Study of Axisymetrical Jets

Les récents progrès en intelligence artificielle, notamment au travers des grands modèles de langage, ont suscité un intérêt croissant pour l’application de l’apprentissage automatique à la mécanique des fluides. Parmi les différentes approches, les réseaux neuronaux informés par la physique ont attirés une attention particulière. Cependant, leurs dépendance aux contraintes imposées par les équations aux dérivées partielles ou équations différentielles ordinaires limitent souvent leur applicabilités à des systèmes complexes et chaotiques, tels que les écoulements turbulents cisaillés. Cela est en particulier le cas pour l’étude des jets axisymétriques parsemés de particules, qui demeure un sujet de recherche difficile en raison de la forte tridimensionnalité de ces jets et des interactions entre les différentes phases. Cette étude explore le potentiel de l’apprentissage automatique pour la modélisation de jets axisymétriques parsemés de particules par la construction de trajectoires fluides. D’autres travaux se sont penchés sur ce sujet, se limitant à des données 2D et à l’analyse de statistiques de petit ordre, telles que les champs moyennés. L’objectif concerne l’exploration de l’application de l’apprentissage automatique à l’étude des jets axisymétriques, au travers de l’architecture moderne la plus fondamentale que sont les réseaux de neurones artificiels. Les models d’apprentissage sont entraînés sur une banque de données issue d’une campagne expérimentale de vélocimétrie indépendante par suivi de particules tridimensionnelle d’un jet à nombre de Reynolds de Taylor de 230. Les modèles sont optimisés pour la reconstruction de trajectoires de particules et pour capturer des propriétés globales du jet au travers des statistics Eulériennes jusqu’au troisième order. Les résultats constituent une preuve de concept et montrent que le cadre d’apprentissage automatique proposé permet de reproduire des trajectoires fluides tout en respectant les propriétés intrinsèques du jet, observées ici au travers des statistics Eulériennes jusqu’au troisième order, et ce sans contrainte explicite sur la physique de l’écoulement. Ils indiquent que les modèles d’intelligence artificielle peuvent apprendre des structures d’écoulement significatives directement à partir de données brutes. Plus largement, ce travail se distingue des réseaux neuronaux informés par la physique comme paradigme de référence pour l’intelligence artificielle en mécanique des fluides, et suggère que des approches plus classiques, purement fondées sur les données mais pouvant inclure un pré- et post-traitement tenant compte de la physique, pourraient offrir une voie plus directe vers des modèles d’apprentissage automatique capables de développer leurs propres représentations de la turbulence, menant à de meilleures performances.

Abstract

Recent advances in Artificial Intelligence, notably through Large Language Model, have fueled growing interest in applying Machine Learning to fluid mechanics. Among the various approaches, Physics-Informed Neural Networks have received particular attention. However, their reliance on Partial Differential Equation (PDE) or Ordinary Differential Equation (ODE) constraints often limit their applicability to more complex and chaotic systems, such as turbulent free shear flows. In particular, particle-laden axisymmetric jets remain a challenging research topic due to their strong three-dimensionality and multiphase interactions. This study investigates the potential of Machine Learning for modeling particle-laden axisymmetric jets through the reconstruction of fluid trajectories. Previous studies have explored this topic primarily with 2D data and low-order statistics such as mean flow fields. In this study, the objective is relative to the use of Machine Learning for the study of axisymmetric jets, through the use of the most basic modern Machine Learning architecture that are Artificial Neural Networks. The Machine Learning models are trained on a 3D Particle Tracking Velocimetry dataset of a 230 Taylor-scale Reynolds number jet, obtained from an experimental campaign conducted independently of the present study. The models are optimized to reconstruct particle trajectories that capture global properties of the jet through the Eulerian statistics up to the third order. The results constitute a proof of concept and show that the proposed Machine Learning framework is able to reproduce fluid trajectories while preserving the intrinsic properties of the jet, observed here through Eulerian statistics up to third order, and this without any explicit constraint on the flow physics. They further indicate that artificial-intelligence models can learn meaningful flow structures directly from raw data. On a broader level, this work questions the dominance of Physics-Informed Neural Networks as the default paradigm for Artificial Intelligence in fluid mechanics and suggests that more conventional data-driven strategies, possibly paired with appropriate physics-aware pre- and post-processing, may offer a more scalable path toward Machine Learning models capable of developing their own representations of turbulence for improved performance.