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.