Développement d'une méthodologie basée sur le couplage MED/CFD et l'apprentissage automatique pour l'analyse du risque d'érosion Interne par suffusion d'ouvrages hydrauliques // Development of a methodology based on DEM/CFD coupling and machine learning

L'érosion côtière est un phénomène naturel qui provoque un recul du littoral en raison du transport et de la perte progressive de sédiments. Ce processus, bien que naturellement lent, est accéléré par le changement climatique de sorte que le niveau des océans pourrait monter de 55 centimètres d'ici l'horizon 2100 si aucune mesure drastique n'est prise à l'échelle planétaire. Ce phénomène représente un danger particulier pour le Liban, où plus de 40 % de la population vit près de ses 210 kilomètres de littoral côtier, la rendant vulnérable à des événements maritimes autant destructeurs pour l'homme que pour la faune et la flore déjà établis. Ces questions sont également préoccupantes en France, où 20 % des côtes subissent déjà l'érosion, mettant en danger des écosystèmes établis, comme sur la côte d'Opale. Parmi les causes d'érosion, la suffusion est un phénomène d'érosion interne lié au transport de particules fines à travers le sol poreux lequel peut mener à l'endommagement des structures hydrauliques concernées (digues, barrages, etc). Afin de mieux comprendre les mécanismes menant à l'érosion du sol par suffusion, l'approche numérique basée sur le couplage entre la méthode des éléments discrets (MED) et la mécanique des fluides numérique (CFD) s'avère particulièrement efficace pour simuler l'écoulement de l'eau à travers le sol décrit comme un milieu granulaire. Ce couplage permet en particulier d'obtenir des informations sur le taux d'érosion et de prédire le comportement mécanique du sol en fonction de divers paramètres liés à la nature du terrain, sa granulométrie ou encore les sollicitations mises en jeu. Cependant, en dépit de l'évolution des moyens numériques et de la parallélisation massive des codes de calculs utilisés, envisager une modélisation fine du phénomène de suffusion à une échelle dépassant celle du Volume Elémentaire Représentatif (VER) s'avère encore très compliquée du fait des temps de calcul impliqués. Dans le cadre de ce projet de thèse, nous proposons de mettre en place une simulation numérique de la suffusion basée sur le couplage MED-CFD et l'exploitation des données générées par un modèle d'apprentissage automatique capable de prédire le comportement mécanique du sol pour un large champ de configurations d'étude et de paramètres mis en jeu (granulométrie, forme des grains, friction etc), et fournir une information précise sur le risque de rupture de l'ouvrage hydraulique concernée en fonction de ces mêmes paramètres.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Coastal erosion is a natural phenomenon leading to the retreat of the shoreline due to the transport and gradual loss of sediments. Although this process is naturally slow, it is being accelerated by climate change, such that ocean levels could rise by 55 centimeters by 2100 if no drastic global measures are taken. This phenomenon poses a particular threat to Lebanon, where more than 40% of the population lives near its 210 kilometers of coastline, making it vulnerable to maritime events that are destructive both to humans and to the already established flora and fauna. These issues are also a concern in France, where 20% of the coasts are already affected by erosion, endangering established ecosystems, such as along the Opale Coast. Among the causes of erosion, suffusion is an internal erosion phenomenon linked to the transport of fine particles through porous soil, which can lead to damage in hydraulic structures (dikes, dams, . . .). To better understand the mechanisms leading to soil erosion by suffusion, the numerical approach based on the coupling between the Discrete Element Method (DEM) and Computational Fluid Dynamics (CFD) has proven particularly effective for simulating water flow through soil described as a granular medium. This coupling makes it possible, in particular, to obtain information on the erosion rate and to predict the mechanical behavior of the soil according to various parameters related to the nature of the terrain, its granulometry, and the applied stresses. However, despite advances in computational tools and the massive parallelization of calculation codes, achieving a detailed modeling of the suffusion phenomenon at a scale larger than that of the Representative Elementary Volume (REV) remains very complex due to the computational time involved. In this PhD project, we propose to develop a numerical simulation of suffusion based on the DEM-CFD coupling and on the use of data generated by a machine learning model capable of predicting the mechanical behavior of soil across a wide range of study configurations and parameters (granulometry, grain shape, friction, etc.), and providing accurate information on the risk of failure of the hydraulic structure based on these same set of parameters.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/12/2025

Boursier étranger du gouvernement français

Université de Picardie - Jules Verne

585 Sciences, Technologie, Santé

Nous recherchons un(e) candidat(e) motivé(e) possédant un Master 2 ou un diplôme d'ingénieur en mécanique des fluides, génie civil (spécialité géotechnique ou hydraulique), ou science des matériaux. Une maîtrise de Python (NumPy, SciPy) et C++ (pour le calcul haute performance) est indispensable, ainsi qu'un intérêt pour la mise en place de plan d'expériences (méthodes Taguchi/Box-Behnken) et l'analyse de données multivariées. Le (ou la) candidat(e) devra faire preuve d'autonomie, de rigueur scientifique (gestion des incertitudes expérimentales) et d'une bonne maîtrise du français à l'écrit comme à l'oral. Une expérience en modélisation numérique (CFD, MED) ou une connaissance des problématiques côtières serait souhaitée. Ce sujet s'adresse à des profils curieux, rigoureux et motivés par la recherche interdisciplinaire en mécanique et sciences des données.
We are looking for a motivated candidate holding a Master's degree (Master 2) or an engineering degree in fluid mechanics, civil engineering (specializing in geotechnics or hydraulics), or materials science. Proficiency in Python (NumPy, SciPy) and C++ (for high-performance computing) is essential, as well as an interest in designing experiments (Taguchi/Box-Behnken methods) and multivariate data analysis. The candidate must demonstrate autonomy, scientific rigor (management of experimental uncertainties), and strong written and spoken French skills. Experience in numerical modeling (CFD, Dem) or knowledge of coastal issues would be an asset. This position is aimed at curious, rigorous candidates motivated by interdisciplinary research in mechanics and data science.