• ENT
  • Intranet
  • Portail étudiant
  • Portail université

Outils accessibilité :

  • Accessibilité |
  • Aller au contenu |
  • Aller au menu
 

UPThèses

Recherche

Guérin Lou

Improving solar-receiver efficiency by manipulating turbulence in heat-collecting, fluid-conveying channels: from physical understanding to machine-learning-based optimization

enDépôt légal électronique

Consulter le texte intégral de la thèse (format PDF)  

Couverture du document

Index

École doctorale :

  • MIMME, Mathématiques, Informatique, Matériaux, Mécanique, Énergétique

UFR ou institut :

  • UFR des sciences fondamentales et appliquées (SFA)

Secteur de recherche :

  • Mécanique des milieux fluides

Section CNU :

  • Mécanique, génie mécanique, génie civil

Résumé

  • Français
  • English
 

Français

Amélioration de l'efficacité des récepteurs solaires par manipulation de la turbulence dans les canaux caloporteurs : de la compréhension physique à l'optimisation par apprentissage automatique

Cette thèse étudie l'efficacité des oscillations transverses pariétales pour induire un transfert thermique dissymétrique dans les écoulements turbulents pariétaux. L'approche méthodologique repose sur une combinaison de simulations numériques et de techniques d'apprentissage automatique. Le travail se développe selon trois axes interconnectés. Premièrement, des simulations numériques directes d'un canal plan oscillant sont réalisées pour établir des cas de référence. Cette maquette numérique présente une forte analogie de Reynolds dans le cas non contrôlé, ce qui permet d'évaluer le potentiel d'une amélioration préférentielle du transfert thermique par rapport à la traînée. Une attention particulière est portée aux mécanismes physiques à l'origine du découplage thermique-dynamique. Ces mécanismes impliquent des modifications complexes de l'écoulement pariétal. Deuxièmement, une comparaison systématique de techniques de réduction de dimensionnalité est menée dans le but de développer un modèle à dimension réduite. Cette comparaison inclut plusieurs méthodes d'apprentissage automatique, notamment les autoencodeurs convolutionnels, la décomposition orthogonale propre et les autoencodeurs variationnels Beta. Troisièmement, l'algorithme d'optimisation par politique, adapté de l'apprentissage par renforcement profond et couplé à des simulations implicites aux grandes échelles, permet des études paramétriques exhaustives de l'amplitude et de la période des oscillations. Ces études sont appliquées à la réduction de traînée, à l'augmentation du transfert thermique et au transfert thermique dissymétrique. Cette approche est ensuite étendue à l'optimisation de la forme du signal de contrôle via une paramétrisation polynomiale. Les résultats obtenus améliorent significativement la compréhension des oscillations transverses pariétales en tant que stratégie de contrôle pour l'optimisation du transfert thermique. La méthodologie développée et les analyses menées fournissent des bases solides pour étendre ces travaux à des scénarios plus réalistes. Ces avancées sont particulièrement pertinentes dans le cadre des centrales solaires à concentration, où de telles stratégies de contrôle pourraient significativement améliorer l'efficacité énergétique et contribuer aux efforts d'atténuation du changement climatique.

Mots-clés libres : simulations numériques, écoulements turbulents pariétaux, turbulence proche paroi, transfert thermique dissymétrique, oscillations transverses pariétales, apprentissage par renforcement simplifié, optimisation par politique, autoencodeurs, modélisation d'ordre réduit.

    Rameau (langage normalisé) :
  • Simulation par ordinateur
  • Turbulence
  • Transfert de chaleur
  • Apprentissage automatique
  • Couche limite -- Contrôle
  • Modèles mathématiques

English

Improving solar-receiver efficiency by manipulating turbulence in heat-collecting, fluid-conveying channels: from physical understanding to machine-learning-based optimization

This study investigates the enhancement of Dissimilar Heat Transfer (DHT) in wall-bounded turbulent flows through spanwise wall oscillations, combining numerical simulations with machine learning approaches. The research develops progressively through three interconnected phases. First, baseline Direct Numerical Simulations (DNS) of an idealized channel flow configuration with strong unactuated Reynolds analogy establish the fundamental potential for preferential heat transfer enhancement over drag increase, with particular emphasis on revealing the physical mechanisms behind thermal-momentum decoupling. These mechanisms are shown to involve complex flow modifications extending beyond simple streak intensity variations. Second, the study conducts a systematic comparison of dimensionality reduction techniques—including Convolutional Autoencoders (CAEs), Proper Orthogonal Decomposition (POD), and Beta-Variational Autoencoders (Beta-VAEs)—for developing data-driven Reduced-Order Models (ROMs). Third, the application of the Policy Based Optimization (PBO) algorithm—adapted from deep reinforcement learning for open-loop control and coupled with implicit Large Eddy Simulation (LES) environments—enables comprehensive parametric studies of drag reduction, heat transfer enhancement, and DHT scenarios. This approach is subsequently extended to include waveform optimization of the input signal through polynomial parameterization. The collective insights from these numerous investigations significantly advance the understanding of spanwise oscillations as a control strategy for thermal transport optimization. The developed methodology and analysis provide a foundation for extending these results to more realistic scenarios, such as concentrated solar power plant applications, where such control strategies could contribute meaningfully to energy efficiency improvements, thus to climate change mitigation efforts.

Keywords : numerical simulations, wall-bounded turbulent flows, near wall turbulence, dissimilar heat transfer, spanwise wall oscillations, simplified reinforcement learning, policy based optimisation, autoencoders, reduced-order modeling.

Notice

Diplôme :
Doctorat d'Université
Établissement de soutenance :
Université de Poitiers
UFR, institut ou école :
UFR des sciences fondamentales et appliquées (SFA)
Laboratoire :
Pôle poitevin de recherche pour l’ingénieur en mécanique, matériaux et énergétique
Domaine de recherche :
Mécanique des fluides
Directeur(s) de thèse :
Laurent Cordier, Lionel Agostini, Stéphane Grieu
Date de soutenance :
09 décembre 2025
Président du jury :
Michel Bergmann
Rapporteurs :
Elie Hachem, Taraneh Sayadi
Membres du jury :
Cédric Flageul, Lionel Mathelin, Adrien Toutant

  • Tweeter
  • Partager
 

Menu :

  • Rechercher par...

    • Années de soutenance
    • Auteurs
    • Directeurs de thèse
    • Écoles doctorales
    • Secteurs de recherche
    • Sections CNU
    • UFR, instituts et Écoles
    • Recherche ciblée
  • À propos d'UPthèses

    • Présentation
    • Mode d'emploi
    • Contacts
  • Voir aussi

    • theses.fr
    • Bibliothèques de l'UP
    • Sudoc

Annexe :

  • Une question ?

    Avec le service Ubib.fr, posez votre question par chat à un bibliothécaire dans la fenêtre ci-dessous :


    ou par messagerie électronique 7j/7 - 24h/24h, une réponse vous sera adressée sous 48h.
    Accédez au formulaire...
 
 

Université de Poitiers - 15, rue de l'Hôtel Dieu - 86034 POITIERS Cedex - France - Tél : (33) (0)5 49 45 30 00 - Fax : (33) (0)5 49 45 30 50
these@support.univ-poitiers.fr - Crédits et mentions légales