Les écoulements turbulents issus de simulations CFD haute-fidélité (DNS/LES) sont extrêmement coûteux à produire et à exploiter, en particulier pour des phénomènes complexes comme les instabilités hydrodynamiques (ex. Rayleigh–Taylor) ou les écoulements à surface libre. À ces difficultés s’ajoute une contrainte fréquente en pratique : le solveur CFD peut être considéré comme une boîte noire (black-box ). Autrement dit, on ne dispose pas nécessairement d’un accès au code, aux opérateurs numériques internes ou à la chaîne de calcul complète , on a principalement accès aux données générées (snapshots spatio-temporels) et éventuellement aux paramètres et conditions aux limites.
Dans ce contexte non intrusif, l’objectif est de développer des approches basées sur l’intelligence artificielle capables d’exploiter uniquement les données pour :
- reconstruire des champs d’écoulement haute-fidélité à partir d’informations partielles ou de résolution plus faible (super-résolution, inpainting, compression/décompression),
- prédire l’évolution temporelle de ces champs à coût réduit via des modèles dynamiques appris (dans l’espace original ou dans un espace latent).
Les réseaux de neurones (CNN, autoencodeurs, modèles séquentiels) offrent un cadre particulièrement adapté à cette approche data-driven : ils permettent d’apprendre une représentation compacte des écoulements turbulents et d’en capturer la dynamique, tout en visant des gains importants en coût de calcul par rapport aux simulations directes.
