Thèse Modelisation et Prediction des Comportements Hydrodynamiques et des Transferts Thermiques par IA Generative H/F - 25

Établissement : Université de Picardie - Jules Verne
École doctorale : Sciences, Technologie, Santé
Laboratoire de recherche : LTI - Laboratoire des Technologies Innovantes
Direction de la thèse : Haïkel BEN HAMED ORCID 0000000236163712
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-31T23:59:59Cette thèse porte sur la modélisation et la prédiction des phénomènes thermo-hydrodynamiques à l'aide de l'intelligence artificielle générative. Les méthodes numériques classiques de type CFD, bien que précises, présentent un coût de calcul élevé et des limitations pour les applications en temps réel et l'optimisation. L'objectif de ce travail est de développer des modèles d'apprentissage profond capables de prédire des champs de vitesse, de pression et de température tout en respectant les lois physiques fondamentales de la mécanique des fluides et du transfert thermique. Différentes architectures d'IA générative, telles que les auto-encodeurs variationnels, les réseaux antagonistes génératifs et les modèles de diffusion, sont explorées et couplées à des approches informées par la physique, notamment les réseaux neuronaux informés par la physique. Les modèles proposés sont entraînés et validés à partir de données issues de simulations numériques et de cas d'étude représentatifs, avec pour objectif de réduire significativement le coût de calcul tout en garantissant précision, robustesse et capacité de généralisation.

Les phénomènes hydrodynamiques et de transferts thermiques jouent un rôle central dans de nombreux domaines scientifiques et industriels tels que l'ingénierie énergétique, l'aéronautique, le génie des procédés, le génie civil, le refroidissement électronique, les systèmes environnementaux et les énergies renouvelables. La modélisation de ces phénomènes repose classiquement sur les équations de la mécanique des fluides et du transfert thermique (équations de Navier-Stokes, équation de l'énergie), résolues par des méthodes numériques telles que la CFD.
Cependant, ces approches présentent plusieurs limites :
oCoût computationnel élevé ;
oSensibilité aux conditions aux limites ;
oDifficulté d'exploitation en temps réel.
L'émergence de l'intelligence artificielle générative ouvre de nouvelles perspectives pour dépasser ces limitations.

Objectif général : développer un cadre méthodologique basé sur l'IA générative pour la modélisation et la prédiction des phénomènes hydrodynamiques et thermiques.
Objectifs spécifiques :
oÉtudier différentes architectures d'IA générative ;
oDévelopper des modèles prédictifs des champs physiques ;
oIntégrer les lois physiques dans l'apprentissage ;
oÉvaluer les performances et la généralisation ;
oAppliquer les méthodes à des cas représentatifs.

oGénération de données CFD et expérimentales ;
oUtilisation de VAE, GANs, modèles de diffusion et PINNs ;
oIntégration des contraintes physiques ;
oValidation sur des cas tests hydrodynamiques et thermiques.