La dispersion atmosphérique de substances dangereuses est un évènement susceptible d’entrainer de graves conséquences. Sa modélisation est primordiale pour anticiper des situations accidentelles. 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 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 de dispersion : des simulations CFD k-ϵ dans ce travail. Différents paramètres sont évalués lors de l’apprentissage : échantillonnage et architecture du réseau. Trois méthodologies sont développées :La première méthode permet d’estimer la dispersion continue en champ libre, par réseaux de neurones seuls.La deuxième méthode utilise le réseau de neurones en tant que règle de transition de l’automate cellulaire pour le suivi de l’évolution d’une bouffée en champ libre.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 pour le suivi de l’évolution d’un nuage autour d’un obstacle cylindrique. 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. / Atmospheric dispersion of hazardous materials is an event that could lead to serious consequences. Atmospheric dispersion is studied in particular in this work. Modeling of atmospheric dispersion is an important tool to anticipate industrial accidents. The objective of this work was to develop a model that is both fast and accurate, considering the dispersion in the near field on an industrial site. The approach developed is based on models from artificial intelligence: neural networks and cellular automata. Using neural networks requires training a database typical of the phenomenon, CFD k-ϵ simulations in this work. Training the neural network is carried out by identifying the important parameters: database sampling and network architecture. Three methodologies are developed:The first method estimates the continuous dispersion in free field by neural networks.The second method uses the neural network as a transition rule of the cellular automaton to estimate puff evolution in the free field.The third method divides the problem: the flow calculation is performed by the neural network and the calculation of the dispersion is realized by solving the advection diffusion equation to estimate the evolution of a cloud around a cylindrical obstacle. For the three methods, assessment of the generalization capabilities of the neural network has been validated on a test database and on unlearned cases. A comparison between developed method and CFD simulations is done on unlearned cases in order to validate them. Simulations computing time are low according to crisis duration. Application to real data should be developed to make these models operational.

Le climat de la Terre dépend en grande partie des échanges énergétiques entre les masses d’eau chaudes et froides de nos océans. Afin de prédire et de comprendre les variations de notre climat, les modèles numériques globaux de l’océan doivent pouvoir déterminer quelle fraction d'énergie est convertie en mélange irréversible dans un écoulement turbulent et stablement stratifié. Il apparaît que cette fraction est sensible aux paramètres de l’écoulement, ce qui a récemment conduit les océanographes à remettre en question la paramétrisation d'Osborn pour le coefficient de diffusion turbulente kz, qui utilise une efficacité de mélange constante et fixée à ŋ=0,17. Ceci nous a poussé à réaliser au laboratoire de Mécanique des Fluides et d'Acoustique (LMFA) des mesures conjointes de ŋ et kz, afin de mieux comprendre leur inter-dépendance. Cette étude est avant tout expérimentale et se base sur plusieurs dispositifs permettant de quantifier le mélange dans différents types d'écoulement. Trois de ses expériences ont été réalisées au LMFA : une expérience de lock-exchange dans laquelle le mélange est issu du cisaillement à l'interface de deux courants de gravité se déplaçant en sens opposés, une expérience de grille tractée dans un fluide stratifié et une expérience d’injection de stratification dans la grille d’un canal hydraulique. Ce travail a été complété, d'une part par une collaboration sur la plateforme Coriolis du LEGI à Grenoble, permettant d’atteindre de plus grands nombres de Reynolds ; et d'autre part par une campagne de mesure in situ dans le fjord du Saguenay au Canada en collaboration avec l'ISMER, visant à estimer le mélange turbulent conduisant au renouvellement des eaux profondes du fjord, à partir de l'analyse de transects successifs de densité. Dans ces différentes configurations, l'évolution temporelle des profils verticaux de densité ont permis d'analyser la dépendance du coefficient de diffusion turbulente et de l'efficacité de mélange avec les nombres de Reynolds et de Froude. Nos résultats ont permis de quantifier la décroissance de l'efficacité de mélange avec l'augmentation du nombre de Froude dans un écoulement turbulent, ainsi que la sensibilité du coefficient de diffusion turbulente aux nombres de Froude et de Reynolds de flottabilité. L'utilisation de trois dispositifs expérimentaux différents permet de montrer qu'au-delà de ces lois dites universelles, la variabilité propre à chaque géométrie influence fortement les valeurs de l'efficacité de mélange. Ceci est particulièrement mis en lumière dans la configuration de lock-exchange, pour laquelle la valeur limite de ŋ=0.25 prédite par la physique statistique n'est atteinte que dans une configuration fortement tri-dimensionnelle, jusqu'alors peu utilisée dans la littérature. Enfin, toutes les méthodes d'analyse développées pour les expériences de laboratoire ont pu être utilisées pour l'analyse des données in situ, permettant de clore ce travail de thèse sur une étude environnementale. / Our climate partly depends on energy exchange between warm and cold water masses in the ocean's interior. In order to understand and forecast the climate variations, numerical models of the ocean must estimate the amount of energy converted into irreversible mixing in turbulent stably stratified flows. It seems that this quantity depends on the flow parameters. This assertion challenges the famous Osborn model for turbulent diffusivity kz which uses a fixed mixing efficiency of ŋ=0.17. This motivated us to measure separately kz and ŋ in order to obtain a better understanding of their inter-dependencies. The present work is an experimental study based on set-ups which enable to quantify the mixing in different types of flow. Three of those experiments are held in our lab (LMFA) and consist respectively in a lock-exchange experiment where mixing is generated by the shear at the interface of two opposite gravity currents, a stratified towed grid experiment, and a hydraulic channel experiment where the stratification is injected directly by the grid. This study has been complemented with two international collaborations. The first one, on the Coriolis platform (LEGI) consisted in a stratified towed grid experiment in a rotating tank allowing to broaden our parameter spectrum. The second one is a series of in situ measurements led in collaboration with ISMER in the Saguenay fjord (Canada) aiming at measuring density transects over time in order to quantify the turbulent mixing that participates in the renewal of the fjord's deep water. In all of those configurations, dependencies of mixing efficiency and turbulent diffusivity along with the Froude and the Reynolds numbers are extracted from the time evolution of density profiles. In our results, we were able to quantify the decay of the mixing efficiency with the increase of the Froude number. We also highlighted the sensitivity of turbulent diffusivity on the buoyancy Reynolds number. We used three different experimental setups to show that beyond the so called universal turbulence laws, the flow geometry has a huge impact on the mixing efficiency values. This is especially true in the lock-exchange configuration where the asymptotic value of ŋ=0.25, predicted by statistical physics, can only be reached in a set-up which allows 3D flows. Such investigations are still scarce in the literature. Finally, all the data analysis methods developed for the lab experiments were of great help for the analysis of in situ data and thereby enabled us to consider a real-life environnemental flow.