Cette thèse s'inscrit dans le cadre de l'étude de l'effet de défauts de surface sur le phénomène de transition d'une couche limite laminaire vers la turbulence. La première partie de ce travail a consisté à développer le code de stabilité PIMS2D permettant d'étudier les effet de défauts de surface bidimensionnels sur le développement des ondes de Tollmien-Schlichting (TS) à travers les méthodes du exp(N) et du ∆N. L'utilisation de ce nouveau code a permis d'étudier l'impact de défauts de surface de types marches montantes et descendantes, bosses ou rainures sur l'écoulement moyen ainsi que sur le développement des ondes TS. Il a notamment été mis en évidence que le phénomène d'amplification de ces ondes instables était modifié de deux manières différentes selon la distance au défaut et la taille de celui-ci. L'influence d'un gradient de pression favorable ou défavorable sur le facteur N a également été étudiée. Finalement, une large base de données d'études de stabilité autour de différents défauts de surface a été générée, analysée et utilisée pour entraîner un réseau neuronal à quantifier l'effet d'un défaut de surface sur la transition. Ce réseau de neurones prend en entrée les paramètres géométriques et aérodynamiques du défaut et de l'écoulement considéré et prédit en sortie le ∆N associé à ce défaut. |
This thesis focuses on the study of the effect of surface defects on the transition phenomenon from a laminar boundary layer to turbulence. The first part of this work consisted in the development of the stability code PIMS2D allowing to study the effect of two-dimensional surface defects on the development of Tollmien-Schlichting (TS) waves through the exp(N) and ∆N methods. The use of this new code allowed to study the impact of surface defects such as forward and backward facing steps, bumps or gaps on the mean flow and on the development of TS waves. It has been shown that the amplification phenomenon of these unstable waves was modified in two different ways depending on the distance to the defect and its size. The influence of a favorable or unfavorable pressure gradient on the N-factor was also studied. Finally, a large database of stability studies around different surface defects was generated, analyzed, and used to train a neural network to quantify the effect of a surface defect on the transition. This neural network takes as input the geometrical and aerodynamic parameters of the defect and of the considered flow and predicts as output the ∆N associated to this defect. |