Résolution des écoulements compressibles à hauts nombres de Mach par apprentissage profond informé par la physique

Les écoulements compressibles à nombre de Mach élevé sont au cœur de nombreux phénomènes en aérothermodynamique et en ingénierie aérospatiale. Leur simulation numérique reste un défi majeur en raison de la présence d’ondes de choc, de discontinuités et de forts gradients.

Ce projet de maîtrise vise à développer et valider de nouvelles approches basées sur l’apprentissage profond informé par la physique (Physics-Informed Neural Networks, PINNs) et les Volumes Finis (VF), afin de résoudre les équations d'Euler compressibles dans des régimes supersoniques. Les travaux combineront des outils de mécanique des fluides numérique (CFD) et des techniques avancées de Deep Learning pour construire des modèles hybrides capables d’apprendre directement la dynamique des écoulements à partir des lois physiques et de données.

Le projet comportera :

• la formulation et l’entraînement de modèles PINN/VF adaptés aux écoulements compressibles;
• la comparaison avec des schémas numériques classiques;
• l’évaluation sur des cas tests représentatifs (ondes de choc, expansion, instabilités).

Ce projet s’inscrit dans le cadre des recherches en simulation numérique avancée et intelligence artificielle en ingénierie menées au sein du laboratoire.