Workshop Traitement de Données pour la Mécanique des Fluides

Liste des Contributions

14. Introduction à la réduction de modèles en Dynamique des Fluides

Laurent Cordier (PPRIME, Université de Poitiers)

29/11/2017 10:00

Cet exposé présentera les méthodes les plus couramment utilisées en Dynamique des Fluides pour analyser les données de plus en plus massives obtenues expérimentalement ou numériquement par simulations haute-fidélité. L’objectif est d’extraire des modèles simplifiés de dynamique qui capturent
l’essentiel des phénomènes présents dans ces écoulements, dans le but d’améliorer la compréhension...

26. Décomposition de données pour la caractérisation des cycles limite en combustion

Prof. Franck Richecoeur (EM2C)

29/11/2017 11:30

Pratiquement toutes les chambres de combustion sont sujettes à des oscillations de pression que l'on tente de maintenir à des niveaux acceptables pour l'utilisation et la durée de vie des équipements. Ces oscillations résultent de couplages multi physique entre l'écoulement, le dégagement de chaleur, l'acoustique et les limites du volume de combustion. Certains couplages sont des sources...

9. Time-resolved analysis of thermo-acoustic instability triggering in a low-swirl burner using simultaneous high-speed laser diagnostics.

Antoine Renaud (EM2C)

29/11/2017 13:30

The growth of a thermo-acoustic instability is studied in a low-swirl methane-air burner as the equivalence ratio is increased. Using simultaneous high-speed acetone (for fresh gases) and OH (for burnt gases) laser induced fluorescence, it is possible to study the flame and flow motions. Dynamic Mode Decomposition allows to extract the behavior of the flame at the frequency of the thermo-...

17. Surrogate models and reduction methods for UQ and inference in large-scale models

Olivier Le Maître (LIMSI, CNRS, Université Paris-Saclay)

29/11/2017 14:00

Uncertainty Quantification (UQ) and Global Sensitivity Analysis (GSA) in numerical models often rely on sampling approaches (either random or deterministic) that call for many resolutions of the model. Even though these computations can usually be carried out in parallel, the application of UQ and GSA methods to large-scale simulations remains challenging, both from the computational, storage...

13. What problem can you solve with machine learning and how?

Prof. Alexandre Gramfort (INRIA)

29/11/2017 15:30

In this lecture I will cover the various families of problems that machine learning can solve. Using examples, primarily on images, I will present various linear and non-linear dimensionality reduction methods (PCA,NMF, T-SNE), I will motivate the use of certain clustering techniques (K-means, DBSCAN) and I will then explain which families of methods exist for building predictive models...

24. In-situ analysis and visualization of massively parallel computations of transitional and turbulent flows

Anne Cadiou (Laboratoire de Mécanique des Fluides et d'Acoustique, Université de Lyon, Université Claude-Bernard Lyon 1/CNRS/École centrale de Lyon, Insa de Lyon,)

30/11/2017 09:00

Massively parallel simulations generate increasing volumes of large data, whose exploitation requires large storage resources, efficient network and increasingly large post-processing facilities. In the coming era of exascale computations, there is an emerging need for new data analysis and visualization strategies.

Data manipulation, during the simulation and after, considerably slows down...

6. Visualisations tridimensionnelles de données issues de simulations numériques à très haute résolution en mécanique des fluides

Patrick Begou (LEGI)

30/11/2017 10:00

Aujourd’hui, la puissance de simulation disponible dans les centres de calcul nationaux et européens permet d’aborder des problèmes de plus en plus complexes, physiquement et géométriquement. Les maillages, utilisés pour discrétiser ces géométries dans nos simulations numériques d’écoulements turbulents, franchissent allègrement le milliard de points de calcul quand ce n’est pas la dizaine de...

12. Logiciels libres et Python pour l'acquisition, la gestion et le traitement de grosses données expérimentales, exemple d'une campagne sur la plate-forme Coriolis.

Pierre Augier (LEGI)

30/11/2017 10:30

Les techniques de mesure de pointe en mécanique des fluides expérimentale impliquent souvent la gestion de grande quantité de données. Je présenterai le cas d'une série d'expériences avec PIV scannée sur la plate-forme Coriolis.

D'un autre côté, les méthodes de l'open-source d'aujourd'hui sont pour la recherche une opportunité encore inexploitée. On peut aujourd'hui imaginer une recherche où...

22. Challenges computationnels de l'étude de l'incertitude dans les simulations numériques

Alejandro Ribes-Cortes (EDF Saclay)

30/11/2017 11:30

Plusieurs simulations (parfois plusieurs milliers) sont nécessaires pour calculer des statistiques pertinentes pour l'analyse de sensibilité globale. La pratique actuelle consiste à exécuter toutes les simulations nécessaires avec des paramètres d'entrée différents, à stocker les résultats sur disque, pour les lire plus tard et finalement calculer les statistiques requises. La quantité de...

10. Learning-based strategies for the modeling and reconstruction of dynamical systems

Prof. Ronan Fablet (IMT Atlantique, Lab-STICC)

30/11/2017 13:45

Data-driven strategies for the modeling and reconstruction of dynamical systems emerge as promising alternatives to classical model-driven frameworks, especially when dealing with computationally-demanding models and modeling uncertainty. Data-driven strategies provide novel means to benefit from large-scale observation and/or simulation datasets.
In this talk, we will review data-driven...

2. Quantifying uncertainties in large eddy simulations of pollutant dispersion using surrogate models

Mélanie Rochoux (CECI, Université de Toulouse, CNRS, CERFACS)

30/11/2017 14:45

Accurately predicting the unsteady short-to-medium range plume dynamics and dispersion induced by emission source(s) remains a challenge for air quality prediction and health impact quantification. Large eddy simulation has been identified as a promising tool to tackle this challenge. At the scale of micro-meteorology, simulating the near field is a multi-physics multi-scale problem since...

7. TLT : a new fast compression approach. Application to physics data.

Olivier Thomine (CEA)

30/11/2017 15:45

Une nouvelle méthode de compression de données sans perte a été développée conjointement par Olivier Thomine, Guillaume Latu et Mathieu Thevenin (CEA/DEN, CEA/DRF et CEA/DRT. Cette méthode ultra-rapide possède de multiples applications, allant de l'optimisation des codes de calcul à l'amélioration de la vitesse de transmissions de données (appareils photo, détecteurs divers,...

15. Analysis of spatial and spatio-temporal coherence of engine flows. Statistical tools, short note on Lagrangian approaches.

Prof. Jacques Borée (PPRIME, CNRS, ENSMA, Université de Poitiers)

30/11/2017 16:15

One key challenge with present engine development is the modeling, understanding and control of cycle to cycle variations (CCV). This cyclic variability is understood here as a large scale cycle to cycle variation that ultimately controls the gas motion and composition in the vicinity of the spark plug and at the time of ignition. This industrial and environmental challenge has triggered a...

11. Introduction à l’assimilation de données

Prof. Eric Blayo (Université Grenoble Alpes and Inria Laboratoire Jean Kuntzmann - équipe AIRSEA)

01/12/2017 09:00

Le terme « assimilation de données » désigne l’ensemble des techniques mathématiques qui visent à combiner de façon optimale (dans un sens à préciser) des informations de natures diverses sur un système dynamique, afin de reconstituer aussi précisément que possible son état ou d’en estimer une quantité particulièrement intéressante.
On dispose ainsi d'informations diverses, souvent partielles...

1. Quantifying and reducing shape and topological uncertainties in front-tracking problems

Dr Mélanie Rochoux (CECI, Université de Toulouse, CNRS, CERFACS)

01/12/2017 10:00

In this talk, we will present a front shape similarity measure adapted to the framework of data assimilation, where uncertainties in the quantities of interest are not only of amplitude-type but also associated with shape and topological uncertainties. The front shape similarity measure derives from image processing and is based on the Chan-Vese contour fitting functional. It can be...

16. Forward and backward uncertainty quantification for atmospheric reentry flows

Pietro Congedo (INRIA)

01/12/2017 11:00

Simulation of aerospace applications, such as atmospheric entries of spacecraft, are challenging problems involving many complex physical phenomena, including rarefied gas effects, aerothermochemistry, radiation, and the response of thermal protection materials to extreme conditions. Reliable predictions require sophisticated physico-chemical models as well as a systematic and comprehensive...