L'analyse préliminaire et la conception d'aéronefs innovants requièrent de nombreuses simulations et campagnes d'essais aérodynamiques. Les méthodes numériques, et en particulier la mécanique des fluides numérique (CFD), constituent l'outil de référence pour l'analyse aérodynamique moderne, mais leur coût de calcul demeure une limitation. Les modèles de substitution pilotés par les données promettent des prédictions rapides, mais les méthodes classiques de réduction de modèle fondées sur des projections linéaires peinent à représenter les phénomènes non linéaires, en particulier les chocs transsoniques, et restent liées à un maillage de calcul fixe. Des approches plus récentes fondées sur l'apprentissage profond, principalement les réseaux de neurones convolutifs (CNN) et les réseaux de neurones sur graphes (GNN), ont amélioré les performances et introduit une manière naturelle de traiter la variabilité géométrique. Malgré ces avancées, ces méthodes restent limitées pour représenter précisément la variabilité géométrique, passer à l'échelle des maillages industriels et généraliser à différentes discrétisations des données.
Cette thèse développe une famille de méthodes de substitution fondées sur les champs neuronaux, qui opèrent directement sur des domaines non structurés et fournissent des prédictions à résolution arbitraire. En exploitant les réseaux de neurones pour apprendre des représentations continues des données, à savoir les géométries et les champs physiques, les modèles proposés atteignent une forte capacité de passage à l'échelle, et leurs performances sont démontrées sur plusieurs cas industriels de référence en aérodynamique.
Aero-NeF introduit un champ neuronal conditionné multi-échelle au sein d'une architecture encode-process-decode afin de représenter les descripteurs géométriques et les champs physiques dans un espace latent partagé. MARIO simplifie cette conception en un opérateur encode-decode passant à l'échelle, pour lequel une analyse formelle établit le lien avec des architectures d'opérateurs neuronaux existantes telles que DeepONet. Des représentations géométriques plus avancées sont ensuite explorées à travers les champs neuronaux équivariants et la méthodologie de substitution enf2enf.
S'appuyant sur la même idée de mise en correspondance de données discrètes avec des représentations latentes continues, la méthode FusLaB aborde le problème de l'assimilation de données expérimentales, reconstruisant le champ de pression pariétal complet à partir de mesures éparses en soufflerie en contraignant une optimisation latente par un champ neuronal entraîné sur des données CFD. Les méthodes proposées sont validées sur des configurations d'intérêt industriel, allant de profils transsoniques à des jeux de données tridimensionnels de voilures et d'avions complets, démontrant des gains de précision et de passage à l'échelle par rapport aux méthodes de substitution et de réduction de modèle établies. |
Preliminary analysis and design of novel aircraft require extensive aerodynamic simulations and testing. Numerical methods, and Computational Fluid Dynamics (CFD) in particular, represent the reference tool for modern aerodynamic analysis, yet their computational cost remains a limitation. Data-driven surrogate models promise rapid predictions, but classical reduced-order methods based on linear projections struggle to represent nonlinear phenomena, particularly transonic shocks, and remain tied to a fixed computational mesh. More recent approaches based on deep learning, mainly Convolutional Neural Networks (CNNs) and Graph Neural Networks (GNNs), have improved performance and introduced a natural way to handle geometric variability. Despite these advances, such methods remain limited when accurately modeling geometric variability, scaling to industrial mesh sizes, and generalizing across different data discretizations.
This thesis develops a family of surrogate modeling frameworks built on neural fields that operate directly on unstructured domains and produce predictions at arbitrary resolution. By exploiting neural networks to learn continuous representations of data, namely geometries and physical fields, the proposed models achieve strong scalability, with their performance demonstrated on several industrial aerodynamic benchmarks.
Aero-NeF introduces a multiscale conditioned neural field within an encode-process-decode pipeline to represent geometric descriptors and physical fields in a shared latent space. MARIO simplifies this design into a scalable encode-decode operator, for which a formal analysis establishes its relationship to existing neural operator architectures such as DeepONet. More advanced geometric representations are then explored through equivariant neural fields and the enf2enf surrogate modeling methodology.
Building on the same idea of mapping discrete data to continuous latent representations, the FusLaB framework addresses the challenge of assimilating experimental data, reconstructing the full-surface pressure field from sparse wind tunnel measurements by constraining a latent optimization against a CFD-trained neural field. The proposed methods are validated on industrially relevant configurations, ranging from transonic airfoils to three-dimensional wing and full-aircraft datasets, demonstrating accuracy and scalability improvements over established surrogate and reduced-order baselines. |