These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par...

1

Modélisation de la dispersion atmosphériquesur un site industriel par combinaison d’automates

cellulaires et de réseaux de neurones

Soutenance de thèse - Pierre LAURET - 18 juin 2014 - Ecole des mines d’Alès

Membres du Jury :

Rapporteurs Richard SAUREL Professeur, Université Aix-Marseille

Claude TOUZET Maître de conférence, Université Aix-Marseille

Examinateurs Didier GRAILLOT Professeur, Ecole des mines de Saint-Etienne

Nicolas LECYSYN Docteur, CEA Gramat

Jean Marc RICAUD Docteur, IRSN, Saint-Paul-lès-Durance

Anne JOHANNET Maitre de recherche, Ecole des mines d’Alès

Directeur de thèse Gilles DUSSERRE Directeur de recherche, Ecole des mines d’Alès

Encadrants Laurent APRIN Docteur, Ecole des mines d’Alès

Frédéric HEYMES Docteur, Ecole des mines d’Alès

Thèse réalisée à l’Institut des Sciences des Risques – LGEI En partenariat avec le CEA Gramat

Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones

18 juin 2014 Soutenance de thèse Pierre LAURETEcole des Mines d’Alès

Contexte de l’étude Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions et perspectives

La dispersion atmosphérique caractérise le devenir dans le temps et l’espace d’un gaz rejeté dans l’atmosphère.

Contexte

Accidents nucléaires Echelle spatiale : planétaire Echelle temporelle : de la semaine au mois



Dispersion atmosphérique

Semaines

Jours

Heures

Minutes

Secondes

Eche

lle te

mpo

relle

3

1 km 10 km 100 km 1 000 km 10 000 km

Echelle spatiale

Echelle synoptique

1 mm

Fukushima (2011)Tchernobyl (1986)

Mois

Contexte Méthodes et résultatsModèles issus de l’intelligence artificielle Perspectives



Dispersion atmosphérique - Tchernobyl (1986) - IRSN

4




Dispersion atmosphérique - Fukushima (2011) – CEREA – Echelle globale

5

CEREA : Ecole des Ponts ParisTech et EDF R&D

Contexte

Accidents nucléaires Echelle spatiale : continentale/mondiale Echelle temporelle : de la semaine au mois Influence des mouvements d’air à l’échelle de la planète




6

Tchernobyl (1986)Fukushima (2011)Semaines

Jours

Heures

Minutes

Secondes

Eche

lle te

mpo

relle

1 km 10 km 100 km 1 000 km 10 000 km

Echelle spatiale

Echelle synoptique

1 mm

Mois

Contexte

Accidents chimiques Cas de Bhopal (1984) et Seveso (1976) Influence du relief et des conditions météorologiques fortes Substances toxiques (Isocyanate de méthyle, dioxine : TCDD)




7

Méso-échelle


Jours

Heures

Minutes

Secondes

Eche

lle te

mpo

relle

1 km 10 km 100 km 1 000 km 10 000 km

Echelle spatiale

Echelle synoptique

1 mm

Mois

Seveso (1976)Bhopal (1984)




Dispersion atmosphérique – Bhopal (1984)

Zone I > 50 ppmZone II > 15 ppmZone III > 1,5 ppm Zone IV < I,0 ppm

Valeur limite d’exposition professionnelle (VLEP) : 0,02 ppm

Immediately Dangerous to Life and Health concentrations (IDLH) : 3 ppm

Carte des concentrations de MIC dans l’air à proximité de l’usine Union Carbide – Sharan et al. (1996)

8

Contexte



Dispersion atmosphérique – Seveso (1984)

Zone A : Niveau de TCDD allant de 15,5 à 580 µg/m2

Zone B : Niveau de TCDD < 5 µg/m2

Zone R : Niveau de TCDD < 1,5 µg/m2

9

Carte des dépôts de dioxine au sol dans la région proche de Seveso – Pesatori et al. (2003)

Accidents chimiques Cas de Seveso et Bhopal Influence du relief et des conditions météorologiques fortes Substances toxiques (dioxine : TCDD, methylisocyanate)

Contexte




10

Méso-échelle



Jours

Heures

Minutes

Secondes

Eche

lle te

mpo

relle

1 km 10 km 100 km 1 000 km 10 000 km

Echelle spatiale

Echelle synoptique

1 mm

Mois

Accidents pétrochimiques Cas de ViaReggio (2009) et Buncefield (2005) Influence des obstacles directs Substances toxiques (GPL, vapeurs d’essence sans plomb)

Contexte




11

Méso-échelleMicro-échelle


Tchernobyl (1986)Fukushima (2011)

Buncefield (2005)ViaReggio (2009)

Semaines

Jours

Heures

Minutes

Secondes

Eche

lle te

mpo

relle

1 km 10 km 100 km 1 000 km 10 000 km

Echelle spatiale

Echelle synoptique

1 mm

Mois

Contexte



Dispersion atmosphérique – Buncefield 2005

Modélisation par CFD (Computational Fluid Dynamics)de l’épaisseur finale du nuage de vapeur

12

Gant et Atkinson (2011), Dispersion of the vapour cloud in the Buncefield IncidentBradley et al. (2012), Large vapour cloud explosions, with particular reference to that at Buncefield

m

Contexte



Dispersion atmosphérique – Buncefield 2005

Modélisation par CFD (Computational Fluid Dynamics)de l’épaisseur finale du nuage de vapeur

13

Gant et Atkinson (2011), Dispersion of the vapour cloud in the Buncefield IncidentBradley et al. (2012), Large vapour cloud explosions, with particular reference to that at Buncefield

m

Contexte



Dispersion atmosphérique – Buncefield (2005)

14

Nuage inflammable Effet domino : Explosion puis incendie

Contexte



Dispersion atmosphérique sur un site industriel

Photographie aériennedu site pétrochimique

de Lavéra Martigues

Exemple du site pétrochimique de Lavéra - Martigues Nombreux obstacles de différentes natures (ateliers procédés et bâtiments administratifs,

stockages, …)

15

Contexte




Stockages sur un site industriel


stockages, …)

Stockages étudiés : 10 à 50 m

de diamètre-

Le nombre de Reynolds est turbulent :[106 ; 107]

16

Contexte




Stockages sur un site industriel


stockages, …)

Stockages étudiés : 10 à 50 m

de diamètre-

Le nombre de Reynolds est turbulent :[106 ; 107]

17

Contexte



Ecoulement autour d’un cylindre Comportement particulier

18

Contexte



Ecoulement autour d’un cylindre Comportement particulier

Visualisation en soufflerie (PIV : Particle Image Velocimetry) : Nombre de Reynolds > 106

Ecoulement instationnaire : une zone prévisible et un caractère aléatoire Perturbation jusqu’à 50 à 100 fois le diamètre Comportement turbulent

19

Adapté de Hosker (1984)

ISR (2013)

a

b

c d

a : séparation des lignes de courant

b : séparation de la couche limite à la paroi

c : recirculationd : sillage turbulent

Contexte Etat de l’art



Modélisation de la dispersion atmosphérique

Modélisation de l’écoulement

Modélisation de la dispersion

Vitesse homogèneU(x,y,z,t)=constante

Equations deconservation de

Navier Stokes

Equation d’advectiondiffusion

20

Etat de l’artContexte


Modélisation de la dispersion atmosphérique Equation d’advection diffusion 2D :

21

C : Concentrationu : Vitesse selon x/yD : Coefficient de diffusionS : SourceR : Puit





Distance selon x (en m)

Equation d’advection diffusion 2D :

22


Dist

ance

sel

on y

(en

m)





Modélisation de la dispersion atmosphérique Equation d’advection diffusion 2D :

23










Navier Stokes

Lâcher de particulesEquation d’advectiondiffusion

Gaussiens CFD Calcul lagrangien

Modélisation de la dispersion turbulente :

Calcul d’un coefficient de diffusion turbulente

Fermeture des équationsCalcul d’un coefficient de

diffusion turbulente

Ajout d’un terme de fluctuation aléatoire de vitesse

24









Navier Stokes

Lâcher de particulesEquation d’advectiondiffusion


Modélisation de la dispersion turbulente :

Calcul d’un coefficient de diffusion turbulente

Fermeture des équationsCalcul d’un coefficient de

diffusion turbulente

Ajout d’un terme de fluctuation aléatoire de vitesse

25






Précision

Tem

ps d

e ca

lcul

Temps de calcul Précision

26




Problématique technique Objectifs du modèle à développer dans ce travail

Modèle développé

Temps de calcul proche des modèles

gaussiens

Précision proche de

la CFD

Adaptable à n’importe quel site industriel

Prise en compte des

obstacles

Prise en compte de

la turbulence

Objectifs

27




Problématique technique

Gaussiens

CFD

Calcul lagrangien

Précision

Tem

ps d

e ca

lcul

Objectifs

28




Problématique scientifique Approche

Emulation des équations 2D de la CFD par un outil statistique

Précision proche de la CFD

Résolution des équations de Navier Stokes

Rapidité d’un modèle gaussien

Solution analytique

29

Stratégie

Déplacer les calculs longs en amont par l’utilisation des réseaux de neurones

Existant Evolution de la concentration de la pollution chronique (Boznar et al., 1998) Amélioration de modèles gaussiens (Pelliccioni et Tirabassi, 2006)




Réseaux de neurones Modèles non linéaires à apprentissage statistique Propriétés :

Approximation de fonctions Généralisation

Avantage : calcul rapide car résolution du système non-linéaire effectuée en amont

W11

X1

X2

X3

Xn

W12

W13

W 1n

N1

yEntrées

Sortie

paramètres

30Modèles issus de l’intelligence artificielle

Neurone1. Somme pondérée des entrées par ces paramètres2. Calcul de la sortie par application de la fonction d’activation (non-linéaire) à la somme

pondérée

Entrée constante

y



Réseaux de neurones Mise en réseau : exemple du perceptron multicouche

Approximation universelle Parcimonie

X1

X2

X3

Xn

…

…

Variables

Entrées Couche cachée 1 Sortie

N1S

N2S

N…S

Intérêt : approcher une fonction non-linéaire avec une précision arbitraire déterminée par le nombre de neurones cachés

31

Réseau récurrent : le bruit généré par l’approximation peut induire des instabilités

Etat de l’artContexte Modèles issus de l’intelligence artificielle




Réseaux de neurones

Base de données du phénomène à modéliser

Entrées Sorties cibles

Sorties calculées Calcul de l’écart

Algorithme de minimisation de l’erreur

Nécessité d’effectuer un apprentissage Calcul des paramètres par un algorithme itératif

32

Réseau de neurones




Réseaux de neurones

Essais terrain

Soufflerie

CFD

Base de données du phénomène

Utilisation d’une base de données

Mesures difficilesMise en place couteuse

Base de données facile à générerModèles documentés

Respect des similitudes : Difficultés liées au changement d’échelle

33




Réseaux de neurones Utilisation d’une base de données

Base de données du phénomène

Elaboration d’une méthodeVérification de sa faisabilité

34

CFD Réalité simulée

Essais terrain

Soufflerie

CFD

Mesures difficilesMise en place couteuse

Base de données facile à générerModèles documentés

Respect des similitudes : Difficultés liées au changement d’échelle




Base de données CFD

35

Modèle utilisé : Reynolds-Averaged Navier-Stokes equations (RANS) Modélisation de la turbulence : k-ϵ Stabilité atmosphérique : neutre Source passive de méthane

CFD




Utilisation des Réseaux de neurones

36

Base de données Base d’exemples

Ensemble d’apprentissage

Ensembled’arrêt

Ensemble de test

Erre

ur d

e pr

édic

tion

Itérations de l’algorithme de minimisation de l’erreur

Modèles surajustés

Meilleur modèle possible à partir de la base d’exemples

Modèles ignorants Influence de

l’architecture Influence de

l’initialisation

Sélection du meilleur modèle

Sélection des variables d’entrée

Echantillonnage

Arrêt précoce




Evaluation de la performance Apprentissage :

Erreur Quadratique Moyenne sur l’ensemble de Test (EQMT)

37

Evaluation sur des cas tests Cas tests créés :

Vitesses comprises entre 2 m.s-1 et 20 m.s-1

Fraction massique comprise en 0,2 et 1 Utilisation des critères de Chang et Hanna (2004)

Normalized Mean Square Error (NMSE) : Erreur totale Fractionnal Bias (FB) : Erreur Systématique Factor of two (FAC2) : Fraction des points dans l’intervalle [0,5;2] Coefficient de détermination (R²)




Evaluation de la performance

38




1. Utilisation d’un réseau de neurones seul Cas de l’écoulement 2D en champ libre - Dispersion en régime permanent

Ecoulementhomogène

Rejet continude méthane

1. Ecoulement en champ libre

Dispersion stationnaire

Ecoulement Données d’entrée

Dispersion

Stratégie :

Réseau de neurones

Situation modélisée :

39Méthodes et résultats

Etat de l’artContexte Modèles issus de l’intelligence artificielle Méthodes et résultats

Détermination des variables d’entrée :

Données concernant la source de la dispersion



1. Utilisation d’un réseau de neurones seul

Localisation du point de prédiction

Données sur l’écoulement

Concentration en 1 point

Distance

Angle

Débit massique

Vitesse de l’écoulement

40





41

Valeurs dans la base de données :

1 simulation : > 400 000 valeurs

Base de données : 90 cas > 36 millions de valeurs Base d’exemples : 15 000 exemples

Apprentissage final : 20 neurones R²=0,989 EQMT : 1,27 x 10-3


Evaluation sur 9 cas tests




CasDébit

(kg.s-1)

Vitesse

(m.s-1)R2 FAC2

1 1 2 0,99 0,802 1 4 0,99 0,933 1 6 0,99 0,894 3 2 0,99 0,785 3 4 0,99 0,966 3 6 0,99 0,907 5 2 0,99 0,848 5 4 0,99 0,969 5 6 0,99 0,96

CasDébit

(kg.s-1)

Vitesse

(m.s-1)R2 FAC2

1 1 2 0,99 0,802 1 4 0,99 0,933 1 6 0,99 0,894 3 2 0,99 0,785 3 4 0,99 0,966 3 6 0,99 0,907 5 2 0,99 0,848 5 4 0,99 0,969 5 6 0,99 0,96

42





CasDébit

(kg.s-1)

Vitesse

(m.s-1)R2 FAC2

1 1 2 0,99 0,802 1 4 0,99 0,933 1 6 0,99 0,894 3 2 0,99 0,785 3 4 0,99 0,966 3 6 0,99 0,907 5 2 0,99 0,848 5 4 0,99 0,969 5 6 0,99 0,96

43

Evaluation sur 9 cas tests




1. Utilisation d’un réseau de neurones seul Visualisation du cas test n°5 (débit massique : 3 kg.s-1, vitesse : 4 m.s-1)

abcdefghi

ab

cd

efghi

44




1. Utilisation d’un réseau de neurones seul Conclusions

Utilisation des réseaux de neurones possible pour la modélisation spatiale Besoin de données sur la localisation, le terme source et l’écoulement Besoin d’échantillonner la base de données CFD Zone de hauts gradients plus difficile à modéliser

Near Field Atmospheric Dispersion Modeling on an Industrial Site Using Neural Networks, Chemical Engineering Transactions, Vol. 31, 2013Présentés au 14th International Symposium on Loss Prevention and Safety Promotion in the Process Industries, Florence, 2013

Défis Prise en compte de l’aspect instationnaire Difficile avec les réseaux de neurones seuls : trop de configurations à prendre en compte Utilisation d’un outil de représentation de phénomènes spatiaux et temporels :

Les automates cellulaires

45




Automates cellulaires Modélisation de phénomènes spatio-temporels

Discrétisation de l’espace : maillage Discrétisation du temps : règle de transition

Défini par : Un réseau régulier composé de cellules Un ensemble fini d’états pour chaque cellule Des règles décrivant le changement d’état

Le changement d’état se fait par application des règles, locales et déterministes, uniformément, de manière synchrone à toutes les cellules.

46








47






Exemple de règles de transition pour un automate cellulaire unidimensionnel



La règle peut être empirique :

48




Automates cellulaires Automate cellulaire en fonctionnement

Etat initial

49





Visualisation des étapes successives

Itérations

50





Visualisation des étapes successives

Itérations

51




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Intérêt :

Utilisation des réseaux de neurones pour l’émulation de l’équation d’advection diffusion Modélisation de l’espace et du temps par l’automate cellulaire

Situation à prédire : Evolution d’une bouffée

52




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Intérêt :

Utilisation des réseaux de neurones pour l’émulation de l’équation d’advection diffusion Modélisation de l’espace et du temps par l’automate cellulaire

Situation à prédire : Evolution d’une bouffée


Dispersion transitoire

Ecoulement Données d’entrée

Dispersion

Stratégie :Automate cellulaire à règle

de transition réseau de neurones

Situations modélisées :

53



Données d’entrée

Réseau de neurones


𝜕𝑐𝜕𝑡

+𝑢𝑖𝜕𝑐𝜕𝑥 𝑗

=𝐷 . 𝜕2𝑐

𝜕 𝑥 𝑗❑2 +𝑆𝑖Discrétisation de l’équation d’advection diffusion :



2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN)

Pas de temps k Pas de temps k+dkConcentrations Vitesses (x) Vitesses (y) Concentrations

Entrées Réseau de neurones Sorties

CibleEntrées

𝐶𝑖 , 𝑗𝑘+1𝑈𝑥𝑖 , 𝑗𝐶𝑖 , 𝑗

𝑘𝐶𝑖− 1 , 𝑗𝑘

𝐶𝑖+1 , 𝑗𝑘

𝐶𝑖 , 𝑗+1𝑘

𝐶𝑖 , 𝑗− 1𝑘

𝐶𝑖 , 𝑗𝑘+1𝐶𝑖 , 𝑗

𝑘 𝑈𝑥𝑖 , 𝑗

𝑈 𝑦𝑖 , 𝑗

𝑈 𝑦𝑖 , 𝑗𝐶𝑖 , 𝑗

𝑘 −𝐶𝑖− 1, 𝑗𝑘

𝛥𝑥𝐶𝑖 , 𝑗

𝑘 −𝐶𝑖 , 𝑗− 1𝑘

𝛥𝑦𝐶𝑖+1, 𝑗

𝑘 −2𝐶𝑖 , 𝑗𝑘 +𝐶𝑖 −1 , 𝑗

𝑘

𝛥𝑥2𝐶𝑖 ,+1 𝑗

𝑘 −2𝐶𝑖 , 𝑗𝑘 +𝐶𝑖 , 𝑗 −1

𝑘

𝛥 𝑦2

54

i

j




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Généralisation à l’ensemble des cellules

Pas de temps k Pas de temps k+dk

Concentrations Vitesses (x) Vitesses (y) Concentrations

Entrées

Prétraitement (calcul des

termes discrets)

Réseau de neurones Sorties

55




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Réseau de neurones en tant que règle de transition d’un automate cellulaire

Pas de temps k+dk Pas de temps k+2dk

Concentrations Vitesses (x) Vitesses (y) Concentrations

Entrées

Prétraitement (calcul des

termes discrets)

Réseau de neurones Sorties

56

Le réseau de neurones récurrent Pas de temps défini par :

Critère de stabilité : compromis entre le pas de temps et les dimensions des cellules




57


Base de données > 456 millions de valeurs Base d’exemples : 18 000 exemples

Apprentissage final : 20 neurones EQMT : 10-4

2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN)




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Résultats sur les cas tests Evalués en sortie de domaine

58

Vitesse (m.s-1) Fraction massique Pas de temps R² FAC2

3,2 0,26 272 0,60 0,713,2 0,5 272 0,78 0,753,2 0,89 272 0,21 0,59

10,2 0,26 85 0,92 0,7210,2 0,5 85 0,94 0,7010,2 0,89 85 0,93 0,7018,8 0,5 46 0,92 0,7418,8 0,26 46 0,87 0,7418,8 0,89 46 0,93 0,73




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Résultats sur des cas non-appris 90 % de la masse restant dans le système Concentrations en kmol.m-3

59

Modèle CFD Modèle CA-ANN

Distance selon x : 30 m Distance selon x : 30 m

Dis

tanc

e se

lon

y : 2

0 m




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Résultats sur des cas non-appris 90 % de la masse restant dans le système

60

Concentrations CFD en kmol.m-3

Conc

entr

ation

s m

odél

isée

s en

km

ol.m

-3





61


Conc

entr

ation

s m

odél

isée

s en

km

ol.m

-3





62


Conc

entr

ation

s m

odél

isée

s en

km

ol.m

-3 Erreurs absolues en kmol.m-3

Distance selon x : 30 m

Dis

tanc

e se

lon

y : 2

0 m




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Conclusions

Utilisation de CA-ANN possible sur plusieurs pas de temps Prise en compte implicite de la turbulence Propagation et amplification des erreurs Divergence pour un nombre de pas de temps élevé

Défis Eviter la propagation d’erreurs au cours des pas de temps Prise en compte d’un obstacle de type stockage cylindrique

Constat : Difficulté de créer une base de données avec tous les cas

Stratégie :

63




2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN) Conclusions

Utilisation de CA-ANN possible sur plusieurs pas de temps Prise en compte implicite de la turbulence Propagation et amplification des erreurs Divergence dans certains cas

Défis Eviter la propagation d’erreurs au cours des pas de temps Prise en compte d’un obstacle de type stockage cylindrique

Constat : Difficulté de créer une base de données avec tous les cas

3. Ecoulement autour d’un obstacle cylindrique


Ecoulement Réseau de neurones

Dispersion

Stratégie :Résolution de l’équation

d’advection diffusion


Stratégie :

64




Automate cellulaire à règle de transition réseau de

neurones




Réseau de neurones




3. Réseau de neurones pour le calcul d’écoulement Détermination des paramètres de l’écoulement

Les vitesses selon x et y sont requises La turbulence est prise en compte à travers le calcul de Dt

Coefficient de diffusion turbulente

(en un point)

Distance

Angle

Rayon

Vitesse initiale

𝜕𝑐𝜕𝑡


=𝜕𝜕 𝑥 𝑗

(𝐷 𝑡 .𝜕𝑐𝜕 𝑥 𝑗

)

65




3. Réseau de neurones pour le calcul d’écoulement Détermination des paramètres de l’écoulement

Vitesse selon x/y (en un point)

Distance

Angle

Nombre caractéristique RUini

𝜕𝑐𝜕𝑡


=𝜕𝜕 𝑥 𝑗

(𝐷 𝑡 .𝜕𝑐𝜕 𝑥 𝑗

)

66

Les vitesses selon x et y sont requises La turbulence est prise en compte à travers le calcul de Dt




67


Base de données > 8 millions de valeurs Base d’exemples : < 40 000 exemples

Apprentissage final : 20 neurones R² > 0,98

3. Réseau de neurones pour le calcul d’écoulement

Cas tests : Vitesses de l’écoulement en entrée : 2,5 m.s-1 ; 5,5 m.s-1 ; 9,5 m.s-1 Diamètre de l’obstacle : 12 m ; 26 m ; 50 m




3. Réseau de neurones pour le calcul d’écoulement Résultats sur des cas tests non-appris ( D = 12 m ; Uini = 2,5 m.s-1) Mesure de la performance : R² et FAC2

Ux Uy Dt

R²: 0,97 FAC2: 0,99 R²: 0,99 FAC2: 0,52 R²: 0,98 FAC2: 0,99

CFD

ANN

CFD

ANN

m.s-1 m.s-1 m2.s-1

CFD

ANN

68




3. Réseau de neurones pour le calcul d’écoulement Modélisation de l’advection diffusion ( D = 12 m ; Uini = 2,5 m.s-1)

69




3. Réseau de neurones pour le calcul d’écoulement

CFD+ADE

ANN+ADE

Modélisation de l’advection diffusion ( D = 12 m ; Uini = 2,5 m.s-1)

70

35

0

-35

35

0

-35

0 35 70 105 140

0 35 70 105 140

Distance selon x (en m)

Dis

tanc

e se

lon

y (e

n m

)

Temps de calcul :> 20 minutes

Temps de calcul : ~ 3 minutes




3. Réseau de neurones pour le calcul d’écoulement Résultats sur des cas tests non-appris ( D = 12 m ; Uini = 2,5 m.s-1) L’erreur est stable au cours du temps Léger décalage dû à l’initialisation

71

Fractions massiques observées

Frac

tions

mas

siqu

es m

odél

isée

s

0

0,2

0,4

0,6

0,8

1

0 0,2 0,4 0,6 0,8 1Durée en secondes

R² ;

FAC2




3. Réseau de neurones pour le calcul d’écoulement Conclusions

Détermination des caractéristiques de l’écoulement par réseau de neurones Modélisation de la dispersion atmosphérique par méthode des différences finies Précision proche de la CFD

Temps de calcul de l’écoulement Réseau de neurones : moins de 2 s CFD : de 20 minutes à 1 heure (Résolution plus fine)

Temps de calcul de la dispersion Proche du temps réel Avec une résolution spatiale de 50 cm Optimisation du code à effectuer

Atmospheric Turbulent Dispersion Modeling Methods using Machine learning Tools, Chemical Engineering Transactions, Vol. 36, 2014Présentée au 6th International Conference on Safety & Environment in Process & Power Industry, Bologne, 2014

72



Conclusions

73Etat de l’artContexte Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions

Position du problème : modélisation de la dispersion atmosphérique… Prise en compte de la turbulence Compromis entre précision et temps de calcul

… sur un site industriel… Spécificité d’un écoulement autour d’un cylindre

… par combinaison d’automates cellulaires … Modélisation de phénomènes dans le temps et l’espace, sur un maillage

…et de réseaux de neurones. Bons approximateurs pour les systèmes non-linéaires

Peut-on utiliser les outils de l’intelligence artificielle pour modéliser la dispersion atmosphérique sur un site industriel?

Stratégie Déplacer les calculs longs en amont par l’utilisation des réseaux de neurones



Conclusions


Apprentissage à partir de bases de données CFD bidimensionnelles Prise en compte d’un obstacle cylindrique Prise en compte de la turbulence Faisabilité prouvée

Critères de performance : valeurs dans les limites indiquées par Chang et Hanna (2004) Critères sur le temps de calcul : < 3 minutes pour le modèle final

Limites : Augmentation de l’erreur lors de l’utilisation d’un modèle récurrent Modélisation de l’équation d’advection diffusion : diffusion numérique

3. Ecoulement autour d’un obstacle cylindrique





Dispersion continue

Ecoulement Données d’entrée Réseau de neurones

Dispersion

Stratégie :

Réseau de neuronesAutomate cellulaire à règle

de transition réseau de neurones

Résolution de l’équation d’advection diffusion




Perspectives Prise en compte d’un site réel

Combinaison de cylindres Utilisation des transformations conformes (utilisées initialement en aérodynamique) Utilisation d’un réseau de neurones sur un maillage et utilisation d’itérations de convergence

Modélisation tridimensionnelle Prise en compte de la convection thermique Prise en compte de conditions atmosphériques variées Validation expérimentale de la méthode

Comparaison avec des essais réels ou à échelle réduite




Merci de votre attention

77

Modélisation de la dispersion atmosphériquesur un site industriel par combinaison d’automates

cellulaires et de réseaux de neurones

Soutenance de thèse - Pierre LAURET - 18 juin 2014 - Ecole des Mines d’Alès

Membres du Jury :

Rapporteurs Richard SAUREL Professeur, Université Aix Marseille

Claude TOUZET Professeur, Université Aix Marseille

Examinateurs Didier GRAILLOT Professeur, Ecole des Mines de Saint Etienne

Nicolas LECYSYN Docteur, CEA Gramat

Jean Marc RICAUD Docteur, IRSN, Saint Paul lès Durance

Anne JOHANNET Maitre de recherche, Ecole des Mines d’Alès

Directeur de thèse Gilles DUSSERRE Directeur de recherche, Ecole des Mines d’Alès

Encadrants Laurent APRIN Docteur, Ecole des Mines d’Alès

Frédéric HEYMES Docteur, Ecole des Mines d’Alès

Thèse réalisée à l’Institut des Sciences des Risques - EMA En partenariat avec le CEA Gramat

Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones 4-


3. Ecoulement autour d’un cylindre - Dispersion transitoire Résolution de l’équation d’advection diffusion Méthode des différences finies Nécessité d’utiliser des critères de stabilité

Nombre de courant Critère sur la diffusion

Résolution par composition des opérateurs (Yanenko, 1971) Détection de l’obstacle et conversion sur un maillage carré régulier




Bruit de mesure – cas d’une base de données réelle

79

Article en cours de rédaction

Etat de l’artContexte Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions



Bruit de mesure – cas d’une base de données réelle

80

Article en cours de rédaction

Wind Velocity Mass Fraction Time Step R2 FAC2 FB NMSE

18.8 0.89 46 0,97 0,93 0,02 2,43E-04

18.8 0.5 46 0,95 0,84 0,06 2,04E-04

10.2 0.89 85 0,9 0,91 -0,01 3,48E-04

10.2 0.5 85 0,9 0,88 0,02 2,47E-04

10.2 0.26 85 0,83 0,79 0,08 1,89E-04

18.8 0.26 46 0,81 0,71 0,12 2,50E-04

3.2 0.26 273 0,03 0,55 0,03 4,43E-04

3.2 0.5 273 -0,21 0,58 -0,04 8,25E-04

3.2 0.89 273 -0,48 0,58 -0,09 1,33E-03

Table 6: Model evaluation on different noisy CFD cases (SNR=30 dB)

Wind Velocity(m.s-1)

Mass Fraction Time-Step R2 FAC2 FB NMSE

10.2 0.89 85 0.96 0.89 -0.05 2.24E-04

18.8 0.89 46 0.96 0.84 -0.07 2.77E-04

10.2 0.5 85 0.95 0.93 -0.03 1.76E-04

18.8 0.5 46 0.95 0.87 -0.06 2.20E-04

18.8 0.26 46 0.91 0.94 -0.03 1.71E-04

10.2 0.26 85 0.89 0.95 0.01 1.53E-04

3.2 0.89 273 0.87 0.60 -0.16 3.92E-04

3.2 0.5 273 0.70 0.52 -0.19 4.09E-04

3.2 0.26 273 0.27 0.39 -0.24 3.84E-04

Table 4: Model evaluation on different noiseless CFD initial configurations (90% of total mass conserved)




Echantillonnage

81

1827 champs de concentration

Conc

entr

ation

sEx

empl

es

≈ 1827 champs de [C] x 10 exemples

Sélection de la concentration maximale

27 863 577 exemples

Calcul de la valeur de l’intervalle

Détermination du nombre d’exemples à sélectionner par intervalle

Balayage des exemples et création d’une première base

Exem

ples

ConcentrationsConcentrations

uniformisation




82

Calcul du Score de Validation Croisée pour chaque configuration

App ValApp App App

App ValApp App App

App ValApp AppApp

App Val AppAppApp

Val AppApp App App

• k sous-ensembles• 1 de validation• k-1 : base

d’apprentissage

Calcul de la somme de l’erreur quadratique sur le sous-ensemble de

validation :

Calcul du Score de Validation Croisée

(SVC) :

Récupération des paramètres associés à la configuration au SVC le plus faible.


Champ libreStationnaire : Création du champ de vent

Champ de vent uniforme :Utilisation du profil

logarithmique :

Constante de Von Karman : 0.4Longueur de rugosité : z0 : 0.03 (abaque : prairie)Hauteur z : 2mVitesse à z : fonction du casVitesse de friction U* :

Energie cinétique turbulente :

Taux de dissipation de k :

Biblio: Richards 1993, Hargreaves 1995

On rappelle la formule de la viscosité turbulente :

Le nombre de Schmidt turbulent :

Et le coefficient de diffusion turbulente :

U(z=2m) (m.s-1) 3.2 10.2 18.8

Dt (m^2.s-1) 0.3535 1.1269 2.0771


Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones 4-83Etat de l’artContexte Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions


Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones 4-84

EQMT en fonction du nombre d’exemples dans la base d’apprentissage




EQMT en fonction du nombre de neurones dans la couche cachée




EQMT en fonction de l’initialisation des paramètres




Durée d’un apprentissage


These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par...

Science

Transcript of These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par...