These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
La dispersion atmosphérique de composés toxiques ou inflammables est un évènement susceptible d’entrainer de graves conséquences sur l’homme et l’environnement. Sa modélisation permet la cartographie des concentrations autour du site en situation de crise ou dans l’évaluation préventive de scénarios potentiels d’accident. L’objectif de ce travail fut de développer un modèle opérationnel, à la fois rapide et précis, prenant en compte la dispersion en champ proche (prise en compte des obstacles) sur un site industriel. L’approche développée s’appuie sur des modèles issus de l’intelligence artificielle : les réseaux de neurones et les automates cellulaires. L’utilisation des réseaux de neurones requiert l’apprentissage d’une base de données caractéristique du phénomène à modéliser. Celle-ci est créée à partir de simulations CFD (modèle k-ϵ standard) dans le cadre de ce travail. L’apprentissage de la base de données par le réseau de neurones est effectué en identifiant les paramètres importants : échantillonnage et architecture du réseau. Trois méthodologies permettent de répondre à différentes situations : dispersion continue en champ libre, suivi de l’évolution d’une bouffée en champ libre et suivi de l’évolution d’un nuage autour d’un obstacle cylindrique. La première méthode permet d’estimer la concentration dans l’espace, en utilisant les réseaux de neurones seuls. La deuxième méthode utilise le réseau de neurones en tant que règle de transition de l’automate cellulaire. La durée de simulation est pilotée par le nombre d’itérations de l’automate cellulaire. La troisième méthode sépare la problématique : le calcul de l’écoulement est effectué par les réseaux de neurones alors que le calcul de la dispersion est réalisé par la résolution de l’équation d’advection diffusion. Les qualités de généralisation des apprentissages du réseau de neurones ont été validées sur un ensemble de test et en comparaison avec des cas tests non-appris. La deuxième méthode utilise un réseau de neurones récurrent en tant que simulateur, induisant une augmentation progressive de l’erreur alors que la troisième méthode (résolution de l’équation d’advection diffusion à partir de la modélisation de l’écoulement par réseau de neurones) ne fait pas apparaître d’augmentation de l’erreur. La simulation de cas tests non-appris avec des simulations CFD permet de valider les méthodes développées. Les temps de calcul mis en œuvre pour réaliser la dispersion sont en accord avec la cinétique d’une situation de crise. L’application à des données réelles doit être développée dans la perspective de rendre les modèles opérationnels.
Similar a These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Similar a These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones (20)
These Pierre Lauret - Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
1. Soutenance de thèse - Pierre LAURET - 18 juin 2014 - Ecole des mines d’Alès
Modélisation de la dispersion atmosphérique
sur un site industriel par combinaison d’automates
cellulaires et de réseaux de neurones
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
1
2. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
La dispersion atmosphérique caractérise le devenir dans le temps et l’espace
Contexte de l’étude
Etat de l’art
d’un gaz rejeté dans l’atmosphère.
Modèles issus de l’intelligence artificielle
Méthodes et résultats
Conclusions et perspectives
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
3. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique
Accidents nucléaires
Echelle spatiale : planétaire
Echelle temporelle : de la semaine au mois
Semaines
Jours
Heures
Minutes
Secondes
Echelle temporelle
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
3
1 km 10 km 100 km 1 000 km 10 000 km
Echelle spatiale
Echelle synoptique
1 mm
Fukushima (2011)
Tchernobyl (1986)
Mois
4. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Modèles issus de l’intelligence artificielle Méthodes et résultats Perspectives
Dispersion atmosphérique - Tchernobyl (1986) - IRSN
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
4
5. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Modèles issus de l’intelligence artificielle Méthodes et résultats Perspectives
Dispersion atmosphérique - Fukushima (2011) – CEREA – Echelle globale
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
5
CEREA : Ecole des Ponts ParisTech et EDF R&D
6. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique
Accidents nucléaires
Echelle spatiale : continentale/mondiale
Echelle temporelle : de la semaine au mois
Influence des mouvements d’air à l’échelle de la planète
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
6
Tchernobyl (1986)
Semaines Fukushima (2011)
Jours
Heures
Minutes
Secondes
Echelle temporelle
1 km 10 km 100 km 1 000 km 10 000 km
Echelle spatiale
Echelle synoptique
1 mm
Mois
7. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique
Accidents chimiques
Cas de Bhopal (1984) et Seveso (1976)
Influence du relief et des conditions météorologiques fortes
Substances toxiques (Isocyanate de méthyle, dioxine : TCDD)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
7
Méso-échelle
Tchernobyl (1986)
Semaines Fukushima (2011)
Jours
Heures
Minutes
Secondes
Echelle temporelle
1 km 10 km 100 km 1 000 km 10 000 km
Echelle spatiale
Echelle synoptique
1 mm
Mois
Seveso (1976)
Bhopal (1984)
8. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Modèles issus de l’intelligence artificielle Méthodes et résultats Perspectives
Dispersion atmosphérique – Bhopal (1984)
Zone I > 50 ppm
Zone II > 15 ppm
Zone 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)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
8
9. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
9
Carte des dépôts de dioxine au sol dans la région proche de Seveso – Pesatori et al. (2003)
10. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique
Accidents chimiques
Cas de Seveso et Bhopal
Influence du relief et des conditions météorologiques fortes
Substances toxiques (dioxine : TCDD, methylisocyanate)
Seveso (1976)
Bhopal (1984)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
10
Méso-échelle
Tchernobyl (1986)
Semaines Fukushima (2011)
Jours
Heures
Minutes
Secondes
Echelle temporelle
1 km 10 km 100 km 1 000 km 10 000 km
Echelle spatiale
Echelle synoptique
1 mm
Mois
11. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique
Accidents pétrochimiques
Cas de ViaReggio (2009) et Buncefield (2005)
Influence des obstacles directs
Substances toxiques (GPL, vapeurs d’essence sans plomb)
Seveso (1976)
Bhopal (1984)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
11
Micro-échelle Méso-échelle
Tchernobyl (1986)
Fukushima (2011)
Buncefield (2005)
ViaReggio (2009)
Semaines
Jours
Heures
Minutes
Secondes
Echelle temporelle
1 km 10 km 100 km 1 000 km 10 000 km
Echelle spatiale
Echelle synoptique
1 mm
Mois
12. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique – Buncefield 2005
Modélisation par CFD (Computational Fluid Dynamics)
de l’épaisseur finale du nuage de vapeur
Bradley et al. (2012), Large vapour cloud explosions, with particular reference to that at Buncefield
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
12
Gant et Atkinson (2011), Dispersion of the vapour cloud in the Buncefield Incident
m
13. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique – Buncefield 2005
Modélisation par CFD (Computational Fluid Dynamics)
de l’épaisseur finale du nuage de vapeur
Bradley et al. (2012), Large vapour cloud explosions, with particular reference to that at Buncefield
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
13
Gant et Atkinson (2011), Dispersion of the vapour cloud in the Buncefield Incident
m
14. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique – Buncefield (2005)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
14
Nuage inflammable Effet domino : Explosion puis incendie
15. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique sur un site industriel
Exemple du site pétrochimique de Lavéra - Martigues
Nombreux obstacles de différentes natures (ateliers procédés et bâtiments administratifs,
stockages, …)
Photographie aérienne
du site pétrochimique
de Lavéra Martigues
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
15
16. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique sur un site industriel
Exemple du site pétrochimique de Lavéra - Martigues
Nombreux obstacles de différentes natures (ateliers procédés et bâtiments administratifs,
stockages, …)
Stockages étudiés :
10 à 50 m
de diamètre
-
Le nombre de
Reynolds est
turbulent :
[106 ; 107]
Stockages sur un site industriel
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
16
17. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Dispersion atmosphérique sur un site industriel
Exemple du site pétrochimique de Lavéra - Martigues
Nombreux obstacles de différentes natures (ateliers procédés et bâtiments administratifs,
stockages, …)
Stockages étudiés :
10 à 50 m
de diamètre
-
Le nombre de
Reynolds est
turbulent :
[106 ; 107]
Stockages sur un site industriel
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
17
18. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte
Ecoulement autour d’un cylindre
Comportement particulier
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
18
19. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
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 : recirculation
d : sillage turbulent
20. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Modélisation de
l’écoulement
Modélisation de la
dispersion
Vitesse homogène
U(x,y,z,t)=constante
Equations de
conservation de
Navier Stokes
Equation d’advection
diffusion
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
20
21. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Equation d’advection diffusion 2D :
휕푐
휕푡
+ 푢푥
휕푐
휕푥
+ 푢푦
휕푐
휕푦
= 퐷.
휕2푐
휕푥2 + 퐷.
휕2푐
휕푦2 + 푆푖 + 푅푐
21
C : Concentration
u : Vitesse selon x/y
D : Coefficient de diffusion
S : Source
R : Puit
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
22. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Distance selon x (en m)
휕푐
휕푡
+ 푢푥
휕푐
휕푥
+ 푢푦
휕푐
휕푦
= 퐷.
휕2푐
휕푥2 + 퐷.
휕2푐
휕푦2 + 푆푖 + 푅푐
Equation d’advection diffusion 2D :
22
C : Concentration
u : Vitesse selon x/y
D : Coefficient de diffusion
S : Source
R : Puit
Distance selon y (en m)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
23. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Equation d’advection diffusion 2D :
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
23
휕푐
휕푡
+ 푢푥
휕푐
휕푥
+ 푢푦
휕푐
휕푦
= 퐷.
휕2푐
휕푥2 + 퐷.
휕2푐
휕푦2 + 푆푖 + 푅푐
C : Concentration
u : Vitesse selon x/y
D : Coefficient de diffusion
S : Source
R : Puit
24. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Modélisation de
l’écoulement
Modélisation de la
dispersion
Vitesse homogène
U(x,y,z,t)=constante
Equation d’advection Lâcher de particules
Equations de
conservation de
Navier Stokes
diffusion
Gaussiens CFD Calcul lagrangien
Modélisation de
la dispersion
turbulente :
Calcul d’un coefficient de
diffusion turbulente
Fermeture des équations
Calcul d’un coefficient de
diffusion turbulente
Ajout d’un terme de fluctuation
aléatoire de vitesse
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
24
25. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Modélisation de
l’écoulement
Modélisation de la
dispersion
Vitesse homogène
U(x,y,z,t)=constante
Equation d’advection Lâcher de particules
Equations de
conservation de
Navier Stokes
diffusion
Gaussiens CFD Calcul lagrangien
Modélisation de
la dispersion
turbulente :
Calcul d’un coefficient de
diffusion turbulente
Fermeture des équations
Calcul d’un coefficient de
diffusion turbulente
Ajout d’un terme de fluctuation
aléatoire de vitesse
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
25
26. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Modélisation de la dispersion atmosphérique
Temps de
calcul Précision
Gaussiens CFD Calcul lagrangien
Précision
Temps de calcul
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
26
27. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Problématique technique
Objectifs du modèle à développer dans ce travail
Temps de
calcul proche
des modèles
gaussiens
Modèle
développé
Précision
proche de
la CFD
Adaptable à
n’importe
quel site
industriel
Prise en
compte de
turbulence
Prise en
compte des
obstacles
la
Objectifs
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
27
28. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Problématique technique
Gaussiens
CFD
Calcul lagrangien
Objectifs
Précision
Temps de calcul
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
28
29. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
Problématique scientifique
Approche
Précision proche de la CFD
Résolution des équations de
Navier Stokes
Rapidité d’un modèle
gaussien
Solution analytique
Emulation des équations 2D de la CFD par un outil statistique
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
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)
30. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art
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
X1
X2
paramètres
Entrées y
X3
Xn
N1
Sortie
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
30
Modèles issus de l’intelligence artificielle
Neurone
1. Somme pondérée des entrées par ces paramètres
2. Calcul de la sortie par application de la fonction d’activation (non-linéaire) à la somme
pondérée
31. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Réseaux de neurones
Mise en réseau : exemple du perceptron multicouche
Approximation universelle
Parcimonie
Entrée
constante
y
Entrées Couche cachée 1 Sortie
X1
X2
X3
…
Xn
…
Variables
N1S
N2S
N…S
Intérêt : approcher une fonction non-linéaire avec une précision arbitraire déterminée
par le nombre de neurones cachés
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
31
Réseau récurrent : le bruit généré par l’approximation peut induire des instabilités
32. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Réseaux de neurones
Nécessité d’effectuer un apprentissage
Calcul des paramètres par un algorithme itératif
Base de données du phénomène à modéliser
Entrées Sorties cibles
Sorties calculées Calcul de l’écart
Algorithme de minimisation de l’erreur
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
32
Réseau de
neurones
33. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Réseaux de neurones
Essais
terrain
Utilisation d’une base de données
Base de données du
phénomène
Soufflerie
CFD
Mesures difficiles
Mise en place couteuse
Base de données facile à générer
Modèles documentés
Respect des similitudes :
Difficultés liées au
changement d’échelle
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
33
34. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Réseaux de neurones
Utilisation d’une base de données
Base de données du
phénomène
Elaboration d’une méthode
Vérification de sa faisabilité
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
34
CFD Réalité simulée
Essais
terrain
Soufflerie
CFD
Mesures difficiles
Mise en place couteuse
Base de données facile à générer
Modèles documentés
Respect des similitudes :
Difficultés liées au
changement d’échelle
35. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Base de données CFD
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
35
Modèle utilisé : Reynolds-Averaged Navier-Stokes equations (RANS)
Modélisation de la turbulence : k-ϵ
Stabilité atmosphérique : neutre
Source passive de méthane
CFD
36. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Utilisation des Réseaux de neurones
Meilleur modèle possible à partir de la base d’exemples
Modèles
Modèles
ignorants surajustés
Influence de
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
36
Base de données Base d’exemples
Ensemble
d’apprentissage
Ensemble
d’arrêt
Ensemble de test
Erreur de prédiction
Itérations de l’algorithme de minimisation de l’erreur
l’architecture
Influence de
l’initialisation
Sélection du
meilleur modèle
Sélection des
variables d’entrée
Echantillonnage
Arrêt précoce
37. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Evaluation de la performance
Apprentissage :
Erreur Quadratique Moyenne sur l’ensemble de Test (EQMT)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
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)
NormalizedMean 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)
38. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
Evaluation de la performance
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
38
39. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle
1. Utilisation d’un réseau de neurones seul
Cas de l’écoulement 2D en champ libre - Dispersion en régime permanent
Ecoulement
homogène
Rejet continu
de méthane
1. Ecoulement en champ
libre
Dispersion stationnaire
Situation modélisée :
Ecoulement Données d’entrée
Dispersion
Stratégie :
Réseau de neurones
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
39
Méthodes et résultats
40. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
1. Utilisation d’un réseau de neurones seul
Détermination des variables d’entrée :
Localisation du point de prédiction
Données concernant la source de la dispersion
Données sur l’écoulement
Concentration en
1 point
Distance
Angle
Débit massique
Vitesse de l’écoulement
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
40
41. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
1. Utilisation d’un réseau de neurones seul
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
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
42. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
1. Utilisation d’un réseau de neurones seul
Evaluation sur 9 cas tests
Cas
Débit
(kg.s-1)
Vitesse
(m.s-1)
R2 FAC2
1 1 2 0,99 0,80
2 1 4 0,99 0,93
3 1 6 0,99 0,89
4 3 2 0,99 0,78
5 3 4 0,99 0,96
6 3 6 0,99 0,90
7 5 2 0,99 0,84
8 5 4 0,99 0,96
9 5 6 0,99 0,96
Cas
Débit
(kg.s-1)
Vitesse
(m.s-1)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
42
R2 FAC2
1 1 2 0,99 0,80
2 1 4 0,99 0,93
3 1 6 0,99 0,89
4 3 2 0,99 0,78
5 3 4 0,99 0,96
6 3 6 0,99 0,90
7 5 2 0,99 0,84
8 5 4 0,99 0,96
9 5 6 0,99 0,96
43. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
1. Utilisation d’un réseau de neurones seul
Cas
Débit
(kg.s-1)
Vitesse
(m.s-1)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
43
R2 FAC2
1 1 2 0,99 0,80
2 1 4 0,99 0,93
3 1 6 0,99 0,89
4 3 2 0,99 0,78
5 3 4 0,99 0,96
6 3 6 0,99 0,90
7 5 2 0,99 0,84
8 5 4 0,99 0,96
9 5 6 0,99 0,96
Evaluation sur 9 cas tests
44. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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)
i h g f e d c b a
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
a
b
c
d
e
i h g f
44
45. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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, 2013
Présentés 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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
45
46. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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.
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
46
47. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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.
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
47
48. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
Automates cellulaires
Modélisation de phénomènes spatio-temporels
Discrétisation de l’espace : maillage
Discrétisation du temps : règle de transition
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.
La règle peut être empirique :
Exemple de règles de transition pour un automate cellulaire unidimensionnel
Défini par :
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
48
49. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
Automates cellulaires
Automate cellulaire en fonctionnement
Etat initial
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
49
50. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
Automates cellulaires
Automate cellulaire en fonctionnement
Visualisation des étapes successives
Itérations
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
50
51. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
Automates cellulaires
Automate cellulaire en fonctionnement
Visualisation des étapes successives
Itérations
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
51
52. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
52
53. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
2. Ecoulement en champ
libre
Dispersion transitoire
Situations modélisées :
Ecoulement Données d’entrée
Dispersion
Stratégie :
Automate cellulaire à règle
de transition réseau de
neurones
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
53
1. Ecoulement en champ
libre
Dispersion stationnaire
Données d’entrée
Réseau de neurones
54. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN)
휕푐
휕푡
+ 푢푖
휕푐
휕푥푗
= 퐷.
휕2푐
휕푥푗
2 Discrétisation de l’équation d’advection diffusion : + 푆푖
Pas de temps k Pas de temps k+dk
Concentrations Vitesses (x) Vitesses (y) Concentrations
푘
퐶푖,푗−1
푈 푘+1 푥푖,푗 퐶푖,푗
Entrées Réseau de neurones Sorties
퐶푖,푗
푘 − 퐶푖−1,푗
푘 − 퐶푖,푗−1
푘 − 2퐶푖,푗
푘 − 2퐶푖,푗
퐶 푘+1 푖,푗
Entrées Cible
푘 퐶푖+1,푗
퐶 푘 푖−1,푗
푘
푘
퐶푖,푗+1
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
퐶푖,푗
푘 푈푥푖,푗
푈푦 푖,푗
푈푦 푖,푗
퐶푖,푗
푘
훥푥
퐶푖,푗
푘
훥푦
퐶푖+1,푗
푘 +퐶푘
푖−1,푗
훥푥2
퐶푖,+1푗
푘 +퐶푘
푖,푗−1
훥푦2
54
i
j
55. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN)
Généralisation à l’ensemble des cellules
Prétraitement
(calcul des
termes discrets)
Réseau de
neurones
Sorties
Pas de temps k Pas de temps k+dk
Entrées
Concentrations Vitesses (x) Vitesses (y) Concentrations
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
55
56. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
Prétraitement
(calcul des
termes discrets)
Réseau de
neurones
Sorties
Pas de temps k+dk Pas de temps k+2dk
Entrées
Concentrations Vitesses (x) Vitesses (y) Concentrations
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
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. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
57
Valeurs dans la base de données :
Base de données > 456 millions de valeurs Base d’exemples : 18 000 exemples
Apprentissage final :
20 neurones
EQMT : 10-4
58. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
2. Automates cellulaires à règle de transition réseau de neurones (CA-ANN)
Résultats sur les cas tests
Evalués en sortie de domaine
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
58
Vitesse (m.s-1)
Fraction
massique
Pas de temps R² FAC2
3,2 0,26 272 0,60 0,71
3,2 0,5 272 0,78 0,75
3,2 0,89 272 0,21 0,59
10,2 0,26 85 0,92 0,72
10,2 0,5 85 0,94 0,70
10,2 0,89 85 0,93 0,70
18,8 0,5 46 0,92 0,74
18,8 0,26 46 0,87 0,74
18,8 0,89 46 0,93 0,73
59. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
59
Modèle CFD Modèle CA-ANN
Distance selon x : 30 m Distance selon x : 30 m
Distance selon y : 20 m
60. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
60
Concentrations CFD en kmol.m-3
Concentrations modélisées en kmol.m-3
61. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
61
Concentrations CFD en kmol.m-3
Concentrations modélisées en kmol.m-3
62. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
62
Concentrations CFD en kmol.m-3
Concentrations modélisées en kmol.m-3
Erreurs absolues en kmol.m-3
Distance selon x : 30 m
Distance selon y : 20 m
63. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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 :
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
63
64. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
Dispersion transitoire
Stratégie :
Situations modélisées :
Ecoulement Réseau de neurones
Dispersion
Stratégie :
Résolution de l’équation
d’advection diffusion
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
64
2. Ecoulement en champ
libre
Dispersion transitoire
Données d’entrée
Automate cellulaire à règle
de transition réseau de
neurones
1. Ecoulement en champ
libre
Dispersion stationnaire
Données d’entrée
Réseau de neurones
65. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
3. Réseau de neurones pour le calcul d’écoulement
Détermination des paramètres de l’écoulement
휕푐
휕푡
+ 푢푖
휕푐
휕푥푗
Les vitesses selon x et y sont requises
=
휕
휕푥푗
퐷푡.
휕푐
휕푥푗
La turbulence est prise en compte à travers le calcul de Dt
Coefficient de
diffusion turbulente
(en un point)
Distance
Angle
Rayon
Vitesse initiale
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
65
66. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
3. Réseau de neurones pour le calcul d’écoulement
Détermination des paramètres de l’écoulement
Vitesse selon x/y
(en un point)
Distance
Angle
휕푐
휕푡
Nombre caractéristique
RUini
휕
휕푥푗
+ 푢푖
휕푐
휕푥푗
=
퐷푡.
휕푐
휕푥푗
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
66
Les vitesses selon x et y sont requises
La turbulence est prise en compte à travers le calcul de Dt
67. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
3. Réseau de neurones pour le calcul d’écoulement
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
67
Valeurs dans la base de données :
Base de données > 8 millions de valeurs Base d’exemples : < 40 000 exemples
Apprentissage final :
20 neurones
R² > 0,98
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
68. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
m.s-1 m.s-1 m2.s-1
CFD
ANN
CFD
ANN
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
68
69. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
3. Réseau de neurones pour le calcul d’écoulement
Modélisation de l’advection diffusion ( D = 12 m ; Uini = 2,5 m.s-1)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
69
70. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
3. Réseau de neurones pour le calcul d’écoulement
Modélisation de l’advection diffusion ( D = 12 m ; Uini = 2,5 m.s-1)
CFD+ADE
ANN+ADE
-35
0
-35
0
Distance selon x (en m)
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
70
35
35
0 35 70 105 140
0 35 70 105 140
Distance selon y (en m)
Temps de calcul :
> 20 minutes
Temps de calcul :
~ 3 minutes
71. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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
1
0,8
0,6
0,4
0,2
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
71
Fractions massiques observées
Fractions massiques modélisées
0
0 0,2 0,4 0,6 0,8 1
Durée en secondes
R² ; FAC2
72. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats
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, 2014
Présentée au 6th International Conference on Safety & Environment in Process & Power Industry, Bologne, 2014
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
72
73. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Conclusions
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
73
Contexte Etat de l’art 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
74. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Conclusions
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
74
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats 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 transitoire
2. Ecoulement en champ
libre
Dispersion transitoire
1. Ecoulement en champ
libre
Dispersion continue
Ecoulement Données d’entrée Réseau de neurones
Dispersion
Stratégie :
Réseau de neurones
Automate cellulaire à règle
de transition réseau de
neurones
Résolution de l’équation
d’advection diffusion
Situations modélisées :
75. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
75
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
76. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones
Merci de votre attention
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
77. Soutenance de thèse - Pierre LAURET - 18 juin 2014 - Ecole des Mines d’Alès
Modélisation de la dispersion atmosphérique
sur un site industriel par combinaison d’automates
cellulaires et de réseaux de neurones
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
77
78. 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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
78
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
79. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
Bruit de mesure – cas d’une base de données réelle
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
79
Article en cours de rédaction
80. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
Bruit de mesure – cas d’une base de données réelle
Table 4: Model evaluation on different noiseless CFD initial configurations (90% of total mass conserved)
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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
80
Article en cours de rédaction
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
81. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
Echantillonnage
Sélection de la concentration maximale
uniformisation
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
81
1827 champs de
concentration
CoEnxceemntrpalteiosns
≈ 1827 champs de [C] x 10 exemples
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
Exemples
Concentrations Concentrations
82. Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
82
Calcul du Score de Validation Croisée pour chaque configuration
App App App App Val
App App App Val App
App App Val App App
App Val App App App
Val App App 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.
83. 83 Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
Stationnaire : Création du champ de vent
Champ libre
Champ de vent uniforme :
Utilisation du profil logarithmique :
Constante de Von Karman : 0.4
Longueur de rugosité : z0 : 0.03 (abaque :
prairie)
Hauteur z : 2m
Vitesse à z : fonction du cas
Vitesse 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
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
84. 84 Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
EQMT en fonction du nombre d’exemples dans la base d’apprentissage
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
85. 85 Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
EQMT en fonction du nombre de neurones dans la couche cachée
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
86. 86 Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
EQMT en fonction de l’initialisation des paramètres
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
87. 87 Modélisation de la dispersion atmosphérique sur un site industriel par combinaison d’automates cellulaires et de réseaux de neurones - 4
Contexte Etat de l’art Modèles issus de l’intelligence artificielle Méthodes et résultats Conclusions
Durée d’un apprentissage
18 juin 2014 Ecole des Mines d’Alès Soutenance de thèse Pierre LAURET
Notas del editor
Fukushima (2011),
Cette modélisation représente lévolution de l’activité volumique du césium 137 (en Bq / m3).
Dans ce cas également : échelle intercontinentale du Japon à la côte ouest des Etats Unis
Source image : A World of Weather: Fundamentals of MeteorologyA Text/Laboratory Manual, Fourth Edition
http://www.meteo.psu.edu/~j2n/ed4image.htm
Source image : A World of Weather: Fundamentals of MeteorologyA Text/Laboratory Manual, Fourth Edition
http://www.meteo.psu.edu/~j2n/ed4image.htm
Carte des concentrations de MIC dans l’air à proximité de l’usine Union Carbide – Sharan et al (1996)
Carte des dépôts de dioxine au sol dans la région proche de Seveso
Modélisation de la dispersion atmosphérique s’effectue à partir de la connaissance de l’écoulement.
1ère approximation : Vitesse homogène selon un plan horizontal et absence d’obstacles
Sinon : résolution des équations de conservation (Masse, quantité de mouvement)
Dispersion : 2 principales méthodes
La 1ère : résolution de l’équation d’advection diffusion que l’on va détailler
Différents termes :
Instationnaire : permet la prise en compte de l’aspect temporel
Terme advectif : transport d’une quantité scalaire (ici la concentration), sans modification de sa valeur
Différents termes :
Instationnaire : permet la prise en compte de l’aspect temporel
Terme advectif : transport d’une quantité scalaire (ici la concentration), sans modification de sa valeur
Terme diffusif : dilution dans un volume plus important
Autre méthode de modélisation de la dispersion : adopter un point de vue lagrangien et effectuer un lâcher et un suivi de particules
Gaussien : résolution de l’ADE selon différentes hypothèses (pas d’obstacles)
CFD : résolution de l’ADE sur un maillage à partir du calcul de l’écoulement
Lagrangien : Suivi de particules dans un écoulement
Pour chaque méthode : prise en compte de la turbulence différente
Autre méthode de modélisation de la dispersion : adopter un point de vue lagrangien et effectuer un lâcher et un suivi de particules
Gaussien : résolution de l’ADE selon différentes hypothèses
CFD : résolution de l’ADE sur un maillage à partir du calcul de l’écoulement
Lagrangien : Suivi de particules dans un écoulement
Pour chaque méthode : prise en compte de la turbulence différente
Modèles utilisés en fonction de leur capacité à fournir des résultats précis, ou rapide, selon l’objectif de la modélisation (situation d’urgence, dimensionnement)
Compromis entre rapidité et précision d’un modèle
Dans une première approche, on s’interresse aux obstacles cylindriques que sont les stockages
Situer le modèle
La modélisation de la dispersion atmosphérique est complémentaire de la simulation informatique et du recueil de données.
Aucune axe pris séparément ne permet de conclure parfaitement sur un phénomène.
Ainsi, il est important de combiner les approches.
La modélisation, une fois valider par la confrontation à des données issues de la réalité physique permet d’éviter des essais complexes à mettre en œuvre et couteux.
La modélisation de la dispersion atmosphérique est complémentaire de la simulation informatique et du recueil de données.
Aucune axe pris séparément ne permet de conclure parfaitement sur un phénomène.
Ainsi, il est important de combiner les approches.
La modélisation, une fois valider par la confrontation à des données issues de la réalité physique permet d’éviter des essais complexes à mettre en œuvre et couteux.
La modélisation de la dispersion atmosphérique est complémentaire de la simulation informatique et du recueil de données.
Aucune axe pris séparément ne permet de conclure parfaitement sur un phénomène.
Ainsi, il est important de combiner les approches.
La modélisation, une fois valider par la confrontation à des données issues de la réalité physique permet d’éviter des essais complexes à mettre en œuvre et couteux.
La modélisation de la dispersion atmosphérique est complémentaire de la simulation informatique et du recueil de données.
Aucune axe pris séparément ne permet de conclure parfaitement sur un phénomène.
Ainsi, il est important de combiner les approches.
La modélisation, une fois valider par la confrontation à des données issues de la réalité physique permet d’éviter des essais complexes à mettre en œuvre et couteux.
La modélisation de la dispersion atmosphérique est complémentaire de la simulation informatique et du recueil de données.
Aucune axe pris séparément ne permet de conclure parfaitement sur un phénomène.
Ainsi, il est important de combiner les approches.
La modélisation, une fois valider par la confrontation à des données issues de la réalité physique permet d’éviter des essais complexes à mettre en œuvre et couteux.
NE PAS PARLER DES SCHEMA DE DISCRETISATION
Dérivées représentent des variation de concentrations
Critères de stabilités imposent une limitation sur le pas de temps
Changer l’équation car on considère un coefficient de diffusion homogène
Bouclés : instabilités potentielles
La modélisation de la dispersion atmosphérique est complémentaire de la simulation informatique et du recueil de données.
Aucune axe pris séparément ne permet de conclure parfaitement sur un phénomène.
Ainsi, il est important de combiner les approches.
La modélisation, une fois valider par la confrontation à des données issues de la réalité physique permet d’éviter des essais complexes à mettre en œuvre et couteux.