Les écoulements chargés en particules sont présents dans de nombreuses applications industrielles telles que le transport de boues ou l’industrie chimique en général. Dans des mélanges constitués de particules solides immergées dans un fluide visqueux, les interactions entre particules jouent un rôle essentiel dans la viscosité globale du mélange.Le phénomène de suspension est causé par des interactions hydrodynamiques à courte distance, connues sous le nom de lubrification. Les forces de lubrification sont généralement sous-estimées en raison de leur nature et de la discrétisation spatiale du problème.Dans cette thèse, nous proposons un modèle de lubrification qui estime les forces et couples hydrodynamiques non résolues par un solveur couplant la résolution des équations de Navier-Stokes incompressible par une méthode de volumes pénalisés, à la résolution de la dynamique des particules par une méthode aux éléments discrets. Les corrections des contraintes hydrodynamiques sont faites localement sur la surface des particules en interaction sans aucune hypothèse sur la forme générale des particules. La version finale du modèle de lubrification proposée peut être utilisée pour des suspensions de particules convexes sans aucune tabulation. La méthode numérique a été validée avec des particules sphériques et des ellipsoïdes, en comparant des simulations à des données expérimentales.Dans le cas de particules sphériques, le modèle de lubrification est aussi précis que les modèles de lubrification existants qui sont limités à ce type de géométrie. La compatibilité du modèle avec des particules convexes a été validée en comparant des simulations,utilisant des ellipsoïdes, à des mesures expérimentales que nous avons réalisées. / Particle-laden flows can be found in many industrial applications such as slurry transport or the chemical industry in general. In mixtures made of solid particles emerged in a viscous fluid, particle interactions play an essential role in the overall mixture viscosity. The suspension phenomenon is caused by short-range hydrodynamic interactions, known as lubrication. Lubrication forces are usually underestimated due to their singularities and the spatial discretization of the numerical schemes. In this thesis, we propose a lubrication model for a coupled volume penalization method and discrete element method solver that estimates the unresolved hydrodynamic forces and torques in incompressible Navier-Stokes flows. Corrections are made locally on the surfaces of the interacting particles without any assumption on the global particle shapes. The final version of the local lubrication model can be used for suspension of convex particles without any tabulations. The numerical method has been validated against experimental data with spherical and ellipsoidal particles. With spherical particles, the lubrication model performs as well as existing numerical models that are limited to this specific particle shape. The model compatibility with convex particles has been validated by comparing simulations using ellipsoids to experimental measurements we made.

Ce travail de thèse fait partie intégrante de l’ANR PLAYER (début janvier 2012), projet visant à étendre les simulations d'écoulements gaz-particules à des particules non-sphériques ayant une inertie couvrant une large gamme. Les avancées de cette ANR portent notamment sur la détermination des forces et couples élémentaires sur de tels objets avec la question du nombre de degrés de liberté supplémentaires à prendre en compte, l'impact de la forme et de l’effet d'inertie ainsi que l’influence d’une force extérieure telle que la gravité sur les interactions particule-turbulence. Dans ce cadre, l’objectif de ce travail de thèse est d'étudier finement la dispersion de particules non-sphériques rigides dans un écoulement turbulent à l’échelle mésocospique (il est supposé que les particules sont des points matériels). Pour ce faire, un suivi lagrangien de particules ellipsoïdales couplé à un code de simulation numérique directe d’un écoulement turbulent de canal a été utilisé. Cette méthode nécessite alors une bonne estimation des forces et couples hydrodynamiques agissant sur ce type de particules, ainsi qu’un couplage des équations du mouvement de translation et de rotation. En se basant sur les résultats obtenus par une simulation numérique directe résolue à l’échelle de la particule (Ansys Fluent, body-fitted method), nous avons établi, dans un premier temps, des corrélations pour les coefficients hydrodynamiques (traînée, portance, couple de tangage) dépendant du nombre de Reynolds particulaire, de la forme, et de l'orientation des particules. L’originalité de ce travail réside en la validité de ces corrélations pour des gammes étendues de facteurs de forme (rapport entre la longueur et la largeur de la particule w ∈ [0,2-32] et de Reynolds particulaires Rep ∈ [1-240]. Ces corrélations ainsi que les équations du mouvement de rotation ont été ensuite intégrées dans le code « maison » de simulation numérique directe d’un écoulement turbulent gaz-solide à l’échelle mésocospique. Après avoir validé ce code à travers différents cas tests, nous avons étudié la dispersion de différentes particules ellipsoïdales dans un écoulement de canal turbulent pour un nombre de Reynolds modéré. Trois principaux effets sont à l’étude : l’effet de forme, l'effet d'inertie et l'effet du croisement de trajectoires. / The present work is a part of a program research ANR PLAYER (started from January 2012), the aim of the project is to extend the simulations of gaz-particles flow to the non-spherical particles with a large range of inertia. The main objectives of this project consist, firstly, on the founding of hydrodynamic forces and torques occurring on these non-spherical particles. As results, we focus on the additional degrees of freedom that must be considered, shape effects and effects of inertia. Secondly, we are interested on the study of particle-turbulence interaction and particle-particle interaction. The aim of this Phd thesis consists on the studying of the dispersion of solide non-spherical particles in turbulent channel flow at mesoscopic scale. In order to achieve this work, we considered a one way coupling and we used a technique of Particles Lagrangian Tracking coupled with a Direct Numerical Simulation of the turbulent channel flow (DNS/PLT). This technique requires a well prediction of hydrodynamic forces and torques occurring on each particle. In addition, this technique requires a coupling of translational and rotational motions. Firstly, a Direct Numerical Simulation is used with a body-fitted method in CFD code Ansys-Fluent to simulate flow around ellipsoids. Based on the obtained results, models of correlation for hydrodynamic coeffients (drag, lift and torque) are proposed. The major results of this part is the accuracy models for a large ranges of particles Reynolds number, aspect ratio and orientations. Indeed these models take the particle Reynolds number Rep ∈ [1-240], the shape (aspect ratio w ∈ [0.2-32]) and the orientation of the particle into account. Secondly, these models of correlation as well as translational and rotational motions are implemented in the in-house DNS code. After a rigorous validation of the code using a different test cases, simulations of dispersion of ellipsoidals particles in a tubulent channel flow is performed for a moderate Reynolds number. Three main effects are investigated in this study: shape effect, inertial effect and the “effect of crossing trajectories”.

Modelling solid-fluid multiphase flows are crucial to many applications such as fluidized beds, pyrolysis and gasification, catalytic cracking etc. Accurate modelling of the fluid-particle forces is essential for lab-scale and industry-scale simulations. Fluid-particle system solutions can be obtained using various techniques including the macro-scale TFM (Two fluid model), the meso-scale CFD-DEM (CFD - Discrete Element Method) and the micro-scale PRS (Particle Resolved Simulation method). As the simulation scale decreases, accuracy increases but with an exponential increase in computational time. Since fluid forces have a large impact on the dynamics of the system, this study trains deep learning models using micro-scale PRS data to predict drag forces on ellipsoidal particle suspensions to be applied to meso-scale and macro-scale models. Two different deep learning methodologies are employed, multi-layer perceptrons (MLP) and 3D convolutional neural networks (CNNs). The former trains on the mean characteristics of the suspension including the Reynolds number of the mean flow, the solid fraction of the suspension, particle shape or aspect ratio and inclination to the mean flow direction, while the latter trains on the 3D spatial characterization of the immediate neighborhood of each particle in addition to the data provided to the MLP. The trained models are analyzed and compared on their ability to predict three different drag force values, the suspension mean drag which is the mean drag for all the particles in a given suspension, the mean orientation drag which is the mean drag of all particles at specific orientations to the mean flow, and finally the individual particle drag. Additionally, the trained models are also compared on their ability to test on data sets that are excluded/hidden during the training phase. For instance, the deep learning models are trained on drag force data at only a few values of Reynolds numbers and tested on an unseen value of Reynolds numbers. The ability of the trained models to perform extrapolations over Reynolds number, solid fraction, and particle shape to predict drag forces is presented. The results show that the CNN performs significantly better compared to the MLP in terms of predicting both suspensions mean drag force and also mean orientation drag force, except a particular case of extrapolation where the MLP does better. With regards to predicting drag force on individual particles in the suspension the CNN performs very well when extrapolated to unseen cases and experiments and performs reasonably well when extrapolating to unseen Reynolds numbers and solid fractions. / M.S. / Multiphase solid-fluid flows are ubiquitous in various industries like pharmaceuticals (tablet coating), agriculture (grain drying, grain conveying), mining (oar roasting, mineral conveying), energy (gasification). Accurate and time-efficient computational simulations are crucial in developing and designing systems dealing with multiphase flows. Particle drag force calculations are very important in modeling solid-fluid multiphase flows. Current simulation methods used in the industry such as two-fluid models (TFM) and CFD-Discrete Element Methods (CFD-DEM) suffer from uncertain drag force modeling because these simulations do not resolve the flow field around a particle. Particle Resolved Simulations (PRS) on the other hand completely resolve the fluid flow around a particle and predict very accurate drag force values. This requires a very fine mesh simulation, thus making PRS simulations many orders more computationally expensive compared to the CFD-DEM simulations. This work aims at using deep learning or artificial intelligence-based methods to improve the drag calculation accuracy of the CFD-DEM simulations by learning from the data generated by PRS simulations. Two different deep learning models have been used, the Multi-Layer Perceptrons(MLP) and Convolutional Neural Networks(CNN). The deep learning models are trained to predict the drag forces given a particle's aspect ratio, the solid fraction of the suspension it is present in, and the Reynolds number of the mean flow field in the suspension. Along with the former information the CNN, owing their ability to learn spatial data better is additionally provided with a 3D image of particles' immediate neighborhood. The trained models are analyzed on their ability to predict drag forces at three different fidelities, the suspension mean drag force, the orientation mean drag, and the individual particle drag. Additionally, the trained models are compared on their abilities to predict unseen datasets. For instance, the models would be trained on particles of an aspect ratio of 10 and 5 and tested on their ability to predict drags of particles of aspect ratio 2.5. The results show that the CNN performs significantly better compared to the MLP in terms of predicting both suspension mean drag force and also mean orientation drag force, except a particular case of extrapolation where the MLP does better. With regards to predicting drag force on individual particles in the suspension, the CNN performs very well when extrapolated to unseen cases and experiments and performs reasonably well when extrapolating to unseen Reynolds numbers and solid fractions.

Les matériaux granulaires sont omniprésents, ils se trouvent aussi bien dans la nature que dans quelques applications industrielles. Parmi les applications industrielles utilisant les matériaux granulaires, on cite le mélange des poudres dans les industries agro-alimentaires, chimiques, métallurgiques et pharmaceutiques. La caractérisation et l'étude du comportement de ces matériaux sont nécessaires pour la compréhension de plusieurs phénomènes naturels comme le mouvement des dunes et les avalanches de neige, et de processus industriels tel que l'écoulement et le mélange des grains dans un mélangeur. Le comportement varié des matériaux granulaires les rend inclassables parmi les trois états de la matière : solide, liquide et gazeux. Ceci a fait dire qu'il s'agit d'un ``quatrième état'' de la matière, situé entre solide et liquide. L'objectif de ce travail est de concevoir et de mettre en oeuvre des méthodes efficaces d'éléments discrets pour la simulation et l'analyse des processus de mélange et de ségrégation des particules ellipsoïdales dans des mélangeurs culbutants industriels tels que le mélangeur à cerceaux. Dans la DEM l'étape la plus critique en terme de temps CPU est celle de la détection et de résolution de contact. Donc pour que la DEM soit efficace il faut optimiser cette étape. On se propose de combiner le modèle du potentiel géométrique et la condition algébrique de contact entre deux ellipsoïdes proposée par Wang et al., pour l'élaboration d'un algorithme efficace de détection de contact externe entre particules ellipsoïdales. Puis de de prouver un résultat théorique et d'élaborer un algorithme pour le contact interne. D'autre part, le couplage DEM-chaîne de Markov permet de diminuer très sensiblement le temps de simulation en déterminant la matrice de transition à partir d'une simulation à courte durée puis en calculant l'état du système à l'aide du modèle de chaîne de Markov. En effet, en utilisant la théorie des matrices strictement positives et en se basant sur le théorème de Perron-Frobenius on peut approximer le nombre de transitions nécessaires pour la convergence vers un état donné. / The importance of granular mixing for many process industries dealing with powders and grains can hardly be exaggerated. For example, chemical, food, and pharmaceutical industries usually require blending different particulate materials. High-quality products ranging from polymers and pharmaceuticals to ceramics and semiconductors increasingly depend on reliable granular flow and high quality and controllable granular mixing processes. In this work we implement a discrete element method for the simulation and analysis of mixing and segregation of ellipsoidal particles inside industrial tumbling blenders. The most critical step in term of time CPU in a discrete element simulation is the detection and resolution of contact. We use the algorithm of separating plane of ellipsoids and the algebraic condition on the separation of two ellipsoid algebraic conditions for the development of an efficient contact detection algorithm for ellipsoidal particles and to prove a theoretical result and a new algorithm for the internal contact. However, the coupling between DEM and Marckov chain makes it possible to very appreciably decrease the simulation time by determining the transition matrix of a short time simulation then by calculating the state from the system using the model from chain from Markov. Indeed, by using the theory of the strictly positive matrices and while basing oneself on the theorem of Perron-Frobenius we can approximate the number of transitions necessary for convergence towards a given state.