.

Le but de cette thèse est de faire des simulations prédictives à partir de modèles de turbulence de type RANS (Reynolds-Averaged Navier-Stokes). Ces simulations font l'objet d'un traitement systématique du modèle, de son incertitude et de leur propagation par le biais d'un modèle de calcul prédictif aux incertitudes quantifiées. Pour faire cela, nous utilisons le cadre robuste de la statistique Bayesienne.La première étape vers ce but a été d'obtenir une estimation de l'erreur de simulations RANS basées sur le modèle de turbulence de Launder-Sharma k-e. Nous avons recherché en particulier à estimer des incertitudes pour les coefficients du modele, pour des écoulements de parois en gradients favorable et défavorable. Dans le but d'estimer la propagation des coefficients qui reproduisent le plus précisemment ces types d'écoulements, nous avons étudié 13 configurations différentes de calibrations Bayesienne. Chaque calibration était associée à un gradient de pression spécifique gràce à un modèle statistique. Nous representont la totalite des incertitudes dans la solution avec une boite-probabilite (p-box). Cette boîte-p représente aussi bien les paramètres de variabilité de l'écoulement que les incertitudes epistemiques de chaque calibration. L'estimation d'un nouvel écoulement de couche-limite est faite pour des valeurs d'incertitudes générées par cette information sur l'incertitude elle-même. L'erreur d'incertitude qui en résulte est consistante avec les mesures expérimentales.Cependant, malgré l'accord avec les mesures, l'erreur obtenue était encore trop large. Ceci est dû au fait que la boite-p est une prédiction non pondérée. Pour améliorer cela, nous avons développé une autre approche qui repose également sur la variabilité des coefficients de fermeture du modèle, au travers de multiples scénarios d'écoulements et de multiples modèles de fermeture. La variabilité est là encore estimée par le recours à la calibration Bayesienne et confrontée aux mesures expérimentales de chaque scénario. Cependant, un scénario-modèle Bayesien moyen (BMSA) est ici utilisé pour faire correspondre les distributions a posteriori à un scénario (prédictif) non mesuré. Contrairement aux boîtes-p, cette approche est une approche pondérée faisant appel aux probabilités des modèles de turbulence, déterminée par les données de calibration. Pour tous les scénarios de prédiction considérés, la déviation standard de l'estimation stochastique est consistante avec les mesures effectuées.Les résultats de l'approche BMSA expriment des barres d'erreur raisonnables. Cependant, afin de l'appliquer à des topologies plus complexes et au-delà de la classe des écoulements de couche-limite, des techniques de modeles de substitution doivent être mises en places. La méthode de la collocation Stochastique-Simplex (SSC) est une de ces techniques et est particulièrement robuste pour la propagation de distributions d'entrée incertaines dans un code de calcul. Néanmois, son utilisation de la triangulation Delaunay peut entrainer un problème de coût prohibitif pour les cas à plus de 5 dimensions. Nous avons donc étudié des moyens pour améliorer cette faible scalabilité. En premier lieu, c'est dans ce but que nous avons en premier proposé une technique alternative d'interpolation basée sur le probleme 'Set-Covering'. Deuxièmement, nous avons intégré la méthode SSC au cadre du modèle de réduction à haute dimension (HDMR) dans le but d'éviter de considérer tous les espaces de haute dimension en même temps.Finalement, avec l'utilisation de notre technique de modelisation de substitution (surrogate modelling technique), nous avons appliqué le cadre BMSA à un écoulement transsonique autour d'un profil d'aile. Avec cet outil nous sommes maintenant capable de faire des simulations prédictives d'écoulements auparavant trop coûteux et offrant des incertitudes quantifiées selon les imperfections des différents modèles de turbulence. / The goal of this thesis is to make predictive simulations with Reynolds-Averaged Navier-Stokes (RANS) turbulence models, i.e. simulations with a systematic treatment of model and data uncertainties and their propagation through a computational model to produce predictions of quantities of interest with quantified uncertainty. To do so, we make use of the robust Bayesian statistical framework.The first step toward our goal concerned obtaining estimates for the error in RANS simulations based on the Launder-Sharma k-e turbulence closure model, for a limited class of flows. In particular we searched for estimates grounded in uncertainties in the space of model closure coefficients, for wall-bounded flows at a variety of favourable and adverse pressure gradients. In order to estimate the spread of closure coefficients which reproduces these flows accurately, we performed 13 separate Bayesian calibrations. Each calibration was at a different pressure gradient, using measured boundary-layer velocity profiles, and a statistical model containing a multiplicative model inadequacy term in the solution space. The results are 13 joint posterior distributions over coefficients and hyper-parameters. To summarize this information we compute Highest Posterior-Density (HPD) intervals, and subsequently represent the total solution uncertainty with a probability box (p-box). This p-box represents both parameter variability across flows, and epistemic uncertainty within each calibration. A prediction of a new boundary-layer flow is made with uncertainty bars generated from this uncertainty information, and the resulting error estimate is shown to be consistent with measurement data.However, although consistent with the data, the obtained error estimates were very large. This is due to the fact that a p-box constitutes a unweighted prediction. To improve upon this, we developed another approach still based on variability in model closure coefficients across multiple flow scenarios, but also across multiple closure models. The variability is again estimated using Bayesian calibration against experimental data for each scenario, but now Bayesian Model-Scenario Averaging (BMSA) is used to collate the resulting posteriors in an unmeasured (prediction) scenario. Unlike the p-boxes, this is a weighted approach involving turbulence model probabilities which are determined from the calibration data. The methodology was applied to the class of turbulent boundary-layers subject to various pressure gradients. For all considered prediction scenarios the standard-deviation of the stochastic estimate is consistent with the measurement ground truth.The BMSA approach results in reasonable error bars, which can also be decomposed into separate contributions. However, to apply it to more complex topologies outside the class of boundary-layer flows, surrogate modelling techniques must be applied. The Simplex-Stochastic Collocation (SSC) method is a robust surrogate modelling technique used to propagate uncertain input distributions through a computer code. However, its use of the Delaunay triangulation can become prohibitively expensive for problems with dimensions higher than 5. We therefore investigated means to improve upon this bad scalability. In order to do so, we first proposed an alternative interpolation stencil technique based upon the Set-Covering problem, which resulted in a significant speed up when sampling the full-dimensional stochastic space. Secondly, we integrated the SSC method into the High-Dimensional Model-Reduction framework in order to avoid sampling high-dimensional spaces all together.Finally, with the use of our efficient surrogate modelling technique, we applied the BMSA framework to the transonic flow over an airfoil. With this we are able to make predictive simulations of computationally expensive flow problems with quantified uncertainty due to various imperfections in the turbulence models.

Cette thèse porte sur l'approximation des équations aux dérivées partielles, en particulier l'équation de diffusion en tomographie optique. Elle peut se présenter en deux parties essentielles. Dans la première partie on discute le problème direct alors que le problème inverse est abordé dans la seconde partie. Pour le problème direct, on suppose que les paramètres optiques et les fonctions sources sont donnés. On résout alors le problème de diffusion dans un domaine où la densité du flux lumineux est considérée comme une fonction inconnue à approcher numériquement. Le plus souvent, pour reconstruire le signal numérique dans ce genre de problème, une discrétisation dans le temps est nécessaire. Nous avons proposé d'utiliser la transformée de Fourier et son inverse afin d'éviter une telle discrétisation. Les techniques que nous avons utilisées sont la quadrature de Gauss-Hermite ainsi que la méthode de Galerkin basée sur les B-splines ou les B-splines tensorielles ainsi que sur les fonctions radiales. Les B-splines sont utilisées en dimension un alors que les B-splines tensorielles sont utilisées lorsque le domaine est rectangulaire avec un maillage uniforme. Lorsque le domaine n'est plus rectangulaire, nous avons proposé de remplacer la base des B-splines tensorielles par les fonctions à base radiale construites à partir d'un nuage de points dispersés dans le domaine. Du point de vue théorique, nous avons étudié l'existence, l'unicité et la régularité de la solution puis nous avons proposé quelques résultats sur l'estimation de l'erreur dans les espaces de type Sobolev ainsi que sur la convergence de la méthode. Dans la seconde partie de notre travail, nous nous sommes intéressés au problème inverse. Il s'agit d'un problème inverse non-linéaire dont la non-linéarité est liée aux paramètres optiques. On suppose qu'on dispose des mesures du flux lumineux aux bords du domaine étudié et des fonctions sources. On veut alors résoudre le problème inverse de façon à simuler numériquement l'indice de réfraction ainsi que les coefficients de diffusion et d'absorption. Du point de vue théorique, nous avons discuté certains résultats tels que la continuité et la dérivabilité, au sens de Fréchet, de l'opérateur mesurant le flux lumineux reçu aux bords. Nous avons établi les propriétés lipschitzienne de la dérivée de Fréchet en fonction des paramètres optiques. Du point de vue numérique nous nous somme intéressés au problème discret dans la base des B-splines et la base des fonctions radiales. En suite, nous avons abordé la résolution du problème inverse non-linéaire par la méthode de Newton-Gauss.

On considère le problème d'advection-diffusion stationnaire v(∇u, ∇v)+( β*∇u, v) = (f, v) et non stationnaire d/dt (u(t), v) + v(∇u, ∇v)+( β*∇u, v) = (g(t), v), ainsi que le problème d'advection (β*∇u, v) = (f, v) sur un domaine polygonal borné du plan. Le terme de diffusion est approché par des éléments de Crouzeix Raviart et le terme de convection par une méthode upwind sur des volumes barycentriques finis avec un maillage triangulaire. Pour le problème stationnaire d'advection-diffusion, la L²-stabilité (c'est-à-dire indépendante du coefficient de diffusion v) est démontrée pour la solution du problème approché obtenue par cette méthode d'éléments finis et de volumes finis. Pour cela une condition sur la géométrie doit être satisfaite. Des exemples de maillages sont donnés. Toujours avec cette condition géométrique sur le maillage, une inégalité de stabilité (où la discrétisation en temps n'est pas couplée à une condition sur la finesse du maillage) est obtenue pour le cas non-stationnaire. La discrétisation en temps y est faite par un schéma d'Euler implicite. Une majoration de l'erreur, proportionnelle au pas en temps et à la finesse du maillage, est ensuite proposée et exprimée explicitement en fonction des données du problème. Pour le problème d'advection, une approche utilisant la théorie des graphes est utilisée pour obtenir l'existence et l'unicité de la solution, ainsi que le résultat de stabilité. Comme pour la stabilité du problème d'advection-diffusion, une condition géométrique - qui est équivalente pour les points intérieurs du maillage à celle du problème d'advection-diffusion - est nécessaire.