Analyse des données d'écoulement hydrodynamique

Intitulé du projet (sujet de thèse)
ANALYSE DE DONNÉES D'ÉCOULEMENT HYDRODYNAMIQUE

 

Spécialité
(À préciser)

 

Résumé
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 ou les signaux issus de systèmes DAS ou réseaux d'OBS. 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 compréhension des phénomènes physiques ». On vise à classifier et caractériser, voire améliorer, différentes méthodes de décomposition pilotées par les données (e.g. POD, BOD, SPOD, DMD, ainsi que EMD, EEMD, MEMD, 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. À 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 coûteux 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, données DAS, données satellitaires, etc.) 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, etc.). Un point d'attention particulier sera porté aux méthodes d'apprentissage nécessitant peu de données comme les réseaux de diffusion en ondelettes.

 

MAD : Magnetic Anomaly Detection,

DAS : Distributed Acoustic Sensing,

OBS : Ocean Bottom Seismometer.

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.

PIV : Particle Image Velocimetry.

 

Mots clés
data-driven decomposition, écoulement, machine learning, POD

 

Enjeux du projet
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, etc.).

 

Pré-requis

PROFIL SOUHAITÉ

Titulaire d'un master, diplôme d'ingénieur ou équivalent.
Physique des fluides avec des compétences en mathématiques appliquées et en informatique.
Bonne capacité d'analyse de résultats physiques, aisance avec les méthodes d'analyse courantes.
Des compétences ou une appétence pour le machine learning, la réduction de modèle et l'assimilation de données appliquée à la mécanique des fluides seront particulièrement appréciées.
Bonnes capacités de rédaction scientifique, aisance en anglais, au moins à l'écrit.
Bonnes capacités relationnelles et humaines, dynamisme et autonomie.

 

Présentation des moyens

Moyens mis en œuvre :
• Plateforme Traitement de l'Information Maritime et moyens de calcul intensif ;
• Plateforme hydrodynamique (tunnel et moyens de mesure associés).

Encadrement :
• Patrick Bot, Professeur des Universités (Hydrodynamique), directeur de thèse ;
• Abdel Boudraa, Professeur des Universités (Traitement du signal), co-directeur ;
• 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 Spatiale à Plouzané et avec le laboratoire de physique de l'ENS de Lyon.

 

Établissement d'accueil
Établissement : École navale (EN)
Unité de recherche : EA 3634 - Institut de Recherche et d'Études NAVales - IRENAV - 200214908A
Site web : http://www.ecole-navale.fr/-Institut-de-Recherche-de-l-Ecole-.html

 

Encadrants
Monsieur BOT Patrick – Directeur de thèse – patrick[dot]bot[at]ecole-navale[dot]fr – 1 doctorant·e ayant une thèse en cours, taux d'encadrement total de 80 %.
Monsieur BOUDRAA Abdel – Co-directeur – abdel[dot]boudraa[at]ecole-navale[dot]fr – 2 doctorant·e·s ayant une thèse en cours, taux d'encadrement total de 100 % ; 1 doctorant·e ayant soutenu sa thèse depuis le 27/04/2025.
Monsieur SÉRAZIN Guillaume – Co-encadrant – guillaume[dot]serazin[at]ecole-navale[dot]fr

 

Financements (acquis)

 

Condition

 

Détail

 

Statut du doctorant : Salarié – Contrat doctoral de droit public

Employeur : École navale

Date de début : 01/10/2026

Date de fin : 30/09/2029

Financement n°1 : Programme de financement d'une collectivité territoriale française

– Origine : Région

– Financeur : Région Bretagne

– Programme : ARED

– Quotité : 50 %

– Période : 01/10/2026

– 30/09/2029

Financement n°2 : Dotation d'un établissement français avec mission de recherche

– Origine : Université, école (EPSCP)

– Financeur : École navale

– Programme :

– Quotité : 50 %

– Période : 01/10/2026 – 30/09/2029

 

Cliquez sur ce lien pour postuler : https://amethis.doctorat.org/amethis-client/prd/candidater/2432