Utilisation de lois de type Machine Learning dans un simulateur d'écoulements en milieux poreux

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Utilisation de lois de type Machine Learning dans un simulateur d’écoulements en milieux poreux

Contexte

Dans le cadre de sa transformation digitale, IFPEN, organisme de recherche sur les énergies et l'environnement, a une importante activité de recherche dans le domaine du traitement de la donnée. Parallèlement, IFPEN a une expertise reconnue en modélisation numérique et calcul haute performance, et développe depuis de nombreuses années des simulateurs modélisant les transferts de masse et d’énergie en milieux poreux notamment pour les applications en lien avec le stockage de CO2 dans le sous-sol.

Ce travail se situe à la croisée de la simulation numérique et des sciences des données et vise à développer des approches de modélisation hybride qui combinent la simulation numérique avec l’apprentissage automatique.

Afin de bénéficier du potentiel offert par l’Intelligence Artificielle pour ces simulateurs, des travaux ont démarré en 2021 visant à permettre de remplacer certains des sous-modèles physiques classiquement utilisés dans les simulateurs par des approximations de type Machine Learning (ML). Ces modèles ML présentent en effet différents avantages. Ils ont ainsi une capacité à étendre les lois tabulées à un nombre élevé de variables d’entrée ou à encoder des lois de comportement complexes. Ils disposent en outre d’un format d’échange standardisé facilitant leur partage ; enfin, des implémentations très efficaces en temps calcul, sur CPU ou GPU, sont disponibles.

Les développements informatiques nécessaires étant bien avancés, l’objectif du poste proposé est d’étudier l’utilisation effective d’approximations de type ML dans un simulateur d’écoulements en milieux poreux. L’impact de l’utilisation de ces approximations sur le comportement numérique du simulateur et sur la précision des solutions obtenues sera particulièrement investigué.

Missions principales et activités

Parmi les lois physiques implémentées, celles donnant les propriétés thermodynamiques des fluides (densité, viscosité, etc.) sont par exemple de bonnes candidates à une approximation de type Machine Learning. Afin de permettre l’utilisation de ces modèles d’apprentissage dans un cadre opérationnel, il s’agit de mesurer l’impact de telles approximations à la fois sur la qualité des solutions calculées et sur le comportement numérique du simulateur.

En effet, ces simulateurs s’appuient majoritairement sur des discrétisations temporelles implicites et requièrent la résolution de systèmes algébriques non linéaires par des méthodes itératives (méthodes de Newton). Il convient donc d’étudier l’influence de l’approximation de type ML (et de ses dérivés) sur les performances des algorithmes itératifs.

Pour les lois physiques sélectionnées, il s’agira donc de construire par apprentissage une approximation de type ML puis d’utiliser l’inférence associée dans le simulateur. En considérant une gamme de cas tests de complexité croissante, l’impact de ces approximations et de leur qualité sera analysé.

Le simulateur considéré est écrit en C++ sur la base d’une plateforme de haut niveau. Une couche informatique lui permet d’ores et déjà d’inférer des modèles de lois de type ML issus de PyTorch et TensorFlow. La mission se concentrera donc sur les aspects numériques.

Diplôme, niveau d’études

Élève Master 2 ou Ingénieur en 3ème année d'école, option Mathématiques Appliquées/Calcul scientifique/ Apprentissage automatique

Compétences techniques et aptitudes

Le candidat devra idéalement posséder une compétence double en simulation numérique et en Machine Learning. La connaissance du C++ et de la programmation en python sont nécessaires. Des compétences ou un intérêt pour le HPC seraient un plus.