Upload
hamon-hebert
View
107
Download
1
Embed Size (px)
Citation preview
1
Plan
Problématique
Présentation de la méthode
Conclusions et perspectives
Résultats
Journée thématique du GDR IFS« Réduction de modèle en IFS »
ENSAM – Jeudi 18 mai 2006
Validation de l’approche de la réduction a priori - POD sur l'équation de Burgers :
potentialités et limites
Verdon N. *, Hamdouni A. *,Ryckelynck D. **, Allery C. *, Beghein C. *
* LEPTAB, Université de La Rochelle
** LMSP, ENSAM Paris
2
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Plan de la présentation
Problématique
Pourquoi un modèle réduit ? Les limitations de la POD Une alternative : la méthode APR
Présentation de la méthode APR
Les différentes étapes de l’algorithme Le cas test : l’équation de Burgers 1D
PrésentationRésultatsSystème dynamique
Conclusions et perspectives
Plan
3
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Problématique
Les méthodes actuelles de CFD demeurent encore très coûteuses en temps de calcul (DNS, LES) et limitent le champ d’action des applications industrielles
Il faut donc un outil CFD peu coûteux et précis Idée : modèle d’ordre réduit => POD
Avantages :
– Modes énergétiquement optimaux
– Très performant associée à un système dynamiqueInconvénients :
– Phase d’échantillonnage longue et coûteuse
– Manque de flexibilité des paramètres de contrôle
Alternative : Méthode APR (A Priori Reduction) Échantillonnage pas nécessaire Evolution dynamique de la base de l’écoulement
Problématique
4
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Présentation de la méthode
La méthode APR est une méthode itérative combinant deux techniques largement utilisées en mécanique des fluides :
La POD ou décomposition de Karhunen-Loève Les techniques de sous-espace de Krylov
Les qualités requises pour l’algorithme sont :
Rapidité de calcul Précision de la solution Obtention d’une base de l’écoulement Caractère a priori de la méthode La méthode doit pouvoir s’adapter rapidement aux
variations de paramètres de contrôle (nombre de Reynolds, etc..)
Présentation de la méthode
5
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Pour un système non-linéaire, ce sous-espace est construit à partir de la jacobienne J du système :
Initialisation de la base
bAx
rArArAr m .,,².,., 1 mK
bAxr
Présentation de la méthode
Si l’on considère le système linéaire suivant :
Et que l’on définit le résidu par :
Le sous-espace de Krylov d’ordre m est défini de la façon suivante :
010000 .,,².,., rJrJrJr m
0)u( hF
On considère le système non-linéaire suivant :
On veut décomposer la vitesse sur une base Yi :
de taille N
n
ii xtxu
1
a(t)).(),(
Idée : on initialise la base avec un sous-espace de Krylov
6
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Projection des équations, résolution et reconstruction
a.u
0)a.(. hT F
Présentation de la méthode
Le système d’équation est ensuite projeté :
(Y de taille N x n)
où encore en notation matricielle :
On a l’expression de la vitesse sur la base Yi (Krylov) :
n
ii xtxu
1
a(t)).(),(
0)a( f de taille n << Nou encore :
nouvelles inconnues : coefficients temporels a(t) déterminés par Newton-Raphson par exemple
La solution est alors reconstruite :
n
iir xtxu
1
a(t)).(),(
7
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Adaptation de la base
Elle comprend deux étapes principales :
Une phase d’amélioration de la base existante
Collection des données temporellesDécomposition de Karhunen-Loève sur ces
donnéesAmélioration de la base
Une phase d’expansion de la base améliorée
Résidu calculé à chaque pas de tempsChoix du résidu à conserverCalcul de vecteurs de base à rajouter (Krylov)
Présentation de la méthode
8
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Phase d’amélioration :formulation du problème
)(,),(),( 21 MtatataE
C
Présentation de la méthode
Les coefficients temporels sont stockés à chaque pas de temps :
On réalise une décomposition de Karhunen-Loève sur cet ensemble
Tkj
M
kkiij tata )(.)(C
1
Où C est la matrice de covariance n x n définie par :
où M est le nombre de pas de temps
Le problème à résoudre s’écrit :
9
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Phase d’amélioration :sélection des modes propres
n 21
,,, 21
Présentation de la méthode
On obtient alors n valeurs propres solutions du problème rangées dans l’ordre décroissant :
Sélection des h valeurs propres significatives
On forme la matrice d’amélioration V dont les colonnes sont les h vecteurs propres conservés
La base est enfin améliorée : V~ (de taille N x h)
10
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Phase d’expansion
))(( krhk tuFr
KmKKK rJrJrJr .,,².,., 1exp
Les résidus sont calculés à chaque pas de temps :
Choix du résidu
KtRésidu conservé = résidu du pas de temps
Formation de l’espace de Krylov correspondant :
Ne satisfait plus le critère de convergence
Kr
Présentation de la méthode
11
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Formation de la nouvelle base
La nouvelle base est alors formée de : La base améliorée
La base obtenue par expansion avec sous-espace de Krylov
V~
KmKKK rJrJrJr .,,².,., 1exp
Nouvelle base pour l’itération suivante : exp,
~
Présentation de la méthode
12
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Algorithme global
010000 .,,².,., rJrJrJr m 0)u( hF
Initialisation de la base
Présentation de la méthode
Projection des équations
Problème initial discrétisé
Résolution du système réduit et reconstruction de
la solution complète
Mise à jour de la base
Amélioration
Expansion0)a( f
n
iir xtxu
1
a(t)).(),(
V~
KmKKK rJrJrJr .,,².,., 1exp
exp,~
Critère de convergence
OK
solution du problème),( txur
pas OK
13
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Cas-test : Equation de Burgers 1D
Rappel de l’équation :
Conditions aux limites et conditions initiales
Solution analytique
avec
x
uu
x
u
t
u
2
2
[1,0])sin()0,( xxxu
00),1(),0( ttutu
10
1
)cos(
)sin(2),(
22
22
n
tnn
n
tnn
xneaa
xnneatxu
dxxa 1
0
10 )cos(1)2(exp
dxxnxan )cos()cos(1)2(exp21
0
1
Résultats
14
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Résultats : solution de référence
Résultat qualitatif correct
1.0
Résultats
15
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Calcul de l’erreur
Newton-Raphson A Priori Reduction
50 5.38e-3 5.43e-3
60 4.46e-3 4.51e-3
70 3.81e-3 3.86e-3
80 3.32e-3 3.37e-3
90 2.95e-3 3.0e-3
100 2.64e-3 2.69e-3
150 1.74e-3 1.79e-3
200 1.29e-3 1.34e-3
Résultats
N
Méthode
2),(),(maxLr
Tttxutxue
L’erreur est calculée en norme L2 :
16
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Comparaison des temps de calcul
Résultats
Temps de calcul jusqu’à 100 fois plus faible
17
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Evolution avec la viscosité
Résultats
410
La méthode APR fournit la même solution que Newton-Raphson
18
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Système dynamique
Après calcul, on dispose d’une base Y de l’écoulement La vitesse est décomposée sur cette base de la façon suivante :
Idée : on construit un système dynamique comme avec la base POD Cas de l’équation de Burgers 1D
Équation récrite en utilisant la décomposition de la vitesse :
Après projection sur la base Y, après orthogonalisation des modes :
Les coefficients B et C sont calculés une fois pour toute, on a juste un système de n équations différentielles à résoudre (RK4, etc..)
Résultats
n
iir xtxu
1
a(t)).(),(
n
i
n
j
jiji
n
i
ii
n
ii
i
dx
daa
dx
da
dt
da
1 112
2
1
k
n
j
n
kj
C
kji
n
jj
B
ji
i aadx
da
dx
d
dt
da
ijkij
1 112
2
,,
Calcul très rapide
19
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Système dynamique :Résultats
Résultats
e ≈ 2.5e-3
=> précision du même ordre de grandeur que dans l’échantillonage
L’équation de Burgers est résolue par système dynamique sur 3 secondes à partir de la solution obtenue par la méthode APR sur 0.1 secondes
20
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Travaux en cours
L’algorithme est en train d’être implémenté sur le code Volumes Finis 2D CAFFA (Peric&Ferziger)
L’exemple choisi est la cavité entraînée :
Validations préalables :
Re=400Re=16000
u=0,v=0
u=0,v=0
u=0,v=0
u=U,v=0U
Conclusions et perspectives
21
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Travaux en cours
Algorithme employé par CAFFA
Équations de Navier-Stokes : U=(u,v)
Initialisation des variables Linéarisation des équations Résolution du système algébrique (écrit en flux)
=> on détermine les composantes u et v Traitement de la pression : résolution de
l’équation de Poisson :
PgradUUUdt
U
Udiv
1
0)(
Conclusions et perspectives
SN,W,E,nbnbnb
nb QAA PP
)v,u(fP
MODIFICATIONS APPORTEES PAR LA METHODE APR
1. Détermination d’une base de l’écoulement et résolution du système par la méthode APR
2. Projection de la pression
)(.)(),(1
tbxtxPn
ii
N
iir
N
iir
xtx
xtx
1
1
a(t)).(),(v
a(t)).(),(u
22
Plan
Problématique
Présentation de la méthode
Résultats
Conclusions et perspectives
Conclusions
L’algorithme de réduction a priori possède de nombreuses qualités : Rapidité de calcul Précision du résultat peu altérée Fournit une base de l’écoulement
Potentialités : Couplé à un système dynamique, il permet d’obtenir une
solution précise sur des temps bien plus long que celui nécessaire pour construire la base
Le gain de temps devrait être encore plus intéressant en 2D Limites :
Le traitement du terme de pression va poser des problèmesChoix de la base de projection pour la pression
important Un problème de stockage va intervenir lorsque l’on
échantillonne les vecteurs solutions de l’équation réduite
Conclusions et perspectives