Application de l’apprentissage profond à la modélisation de la combustion turbulente avec prise en compte de combustibles aéronautiques réels pour la prédiction des émissions de particules

With the climate change emergency, pollutant and fuel consumption reductions are now a priority for aircraft industries. In combustion chambers, the chemistry and soot modeling are critical to correctly quantify engines soot particles and greenhouse gases emissions. This thesis aimed at improving aircraft numerical pollutant tools, in terms of computational cost and prediction level, for engines high fidelity simulations. It was achieved by enhancing chemistry reduction tools, allowing to predict CO emissions of an aircraft engines at affordable cost for the industry. Next, a novel closure model for unresolved terms in the LES filtered transport equations is developed, based on neural networks (NN), to propose a better flame modeling. Then, an original soot model for engine high fidelity simulations is presented, also based on NN. This new model is applied to a one-dimensional premixed sooted flame, and finally to an industrial combustion chamber LES with measured soot comparison.Face à l'urgence climatique, l’efficacité énergétique et la réduction des émissions polluantes est devenue une priorité pour l'industrie aéronautique. La précision de la modélisation des phénomènes physicochimiques joue un rôle critique dans qualité de la prédiction des émissions de suie et des gaz à effet de serre par les chambres de combustion. Dans ce contexte, des méthodes d’apprentissage profond sont utilisées pour construire des modélisations avancées des émissions de particules. Une méthode automatisée de réduction et d’optimisation de la cinétique chimique d’un combustible aéronautique réel est dans un premier temps appliquée à la simulation aux grandes échelles pour la prédiction des émissions de monoxyde de carbone. Ensuite, des réseaux de neurones sont entraînés pour simuler le comportement dynamique des suies dans la chambre de combustion et prédire la distribution de taille des particules émises