FacebookTwitterLinkedInImprimer

 

Thèse de Jingang Qu : « Acceleration of Numerical Simulations with Deep Learning: Application to Thermodynamic Equilibrium Calculations  » 

La simulation du transport réactif de fluides a de multiples applications - écoulements en milieu poreux, combustion, génie des procédés - et requiert des calculs d’équilibre thermodynamique (aussi appelés calculs « flash »). Cependant, ces calculs peuvent avoir des durées importantes et, comme ils interviennent en grand nombre dans les simulations réalisées, ils limitent en pratique ces dernières à des systèmes contenant peu d’espèces chimiques ou à des échelles de temps et d’espace restreintes.

Le travail mené au cours de cette thèse a consisté à accélérer les flashs diphasiques en intégrant des modèles d’apprentissage profond dans l’algorithme de flash existant [1]. Par ce moyen, on visait une accélération de la convergence de l’algorithme et donc une réduction du temps de calcul, sans remettre en cause l’exactitude de la solution.

C’est ce qui a été obtenu, avec une accélération d’un facteur 6 sur les architectures informatiques mono-cœur existantes [2, 3]. De plus, la fourniture d’un algorithme parallèle pouvant fonctionner sur les architectures matérielles de type GPU1 a conduit à des gains de temps d’un facteur 100 (figure 1).

Les perspectives de poursuite sont nombreuses car l’implémentation dans les simulateurs de transport réactif industriels requiert des évolutions importantes pour adapter les codes aux architectures matérielles utilisées. De plus, l’extension de ces travaux de recherche aux flashs triphasiques ainsi qu’à des modèles d’équation d’état plus complexes est à l’étude. Ceci permettra de modéliser une gamme plus vaste d’interactions chimiques, et notamment en ce qui concerne les systèmes aqueux.
 

Figure 1
Figure 1: Comparaison des temps de calcul entre CARNOT² et l'algorithme PTFlash intégrant les modèles d'apprentissage pour un mélange de 9 espèces chimiques.



1- Unité de traitement graphique (Graphics Processing Unit)
2- Librairie IFPEN implémentant l'algorithme classique
  

Références 

  1. https://www.ifpenergiesnouvelles.fr/breve/des-flashs-plus-rapides-grace-lapprentissage-profond
      

  2. Jingang Qu, Thibault Faney, Jean-Charles de Hemptinne, Soleiman Yousef, Patrick Gallinari, PTFlash: A vectorized and parallel deep learning framework for two-phase flash calculation, Fuel, Volume 331, Part 1, 2023.
    >> https://doi.org/10.1016/j.fuel.2022.125603
      

  3. Jingang Qu, Thibault Faney, Jean-Charles de Hemptinne, Soleiman Yousef, Patrick Gallinari, HMOE: Hypernetwork-based Mixture of Experts for Domain Generalization, arXiv, soumis à ICCV 2023.
    >> https://doi.org/10.48550/arXiv.2211.08253

     

Contact scientifique : thibault.faney@ifpen.fr

>> NUMÉRO 53 DE SCIENCE@IFPEN