0% ont trouvé ce document utile (0 vote)

23 vues79 pages

Turbulence Python

Ce document présente un travail de recherche sur le développement d'un outil d'analyse du mouvement des particules en turbulence, en se basant sur des concepts théoriques tels que les équations de Navier-Stokes et la théorie de Kolmogorov. Il aborde également le développement d'un programme en Python pour analyser les données de turbulence et les résultats statistiques obtenus. Le document souligne l'importance de la compréhension de la turbulence, un phénomène complexe et encore mal résolu dans le domaine de la physique.

Transféré par

ragloo.gloo

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

23 vues79 pages

Turbulence Python

Transféré par

ragloo.gloo

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

AVERTISSEMENT

Ce document est le fruit d'un long travail approuvé par le jury de

soutenance et mis à disposition de l'ensemble de la
communauté universitaire élargie.

Il est soumis à la propriété intellectuelle de l'auteur. Ceci

implique une obligation de citation et de référencement lors de
l’utilisation de ce document.

D'autre part, toute contrefaçon, plagiat, reproduction illicite

encourt une poursuite pénale.

Contact : [email protected]

LIENS

Code de la Propriété Intellectuelle. articles L 122. 4

Code de la Propriété Intellectuelle. articles L 335.2- L 335.10
http://www.cfcopies.com/V2/leg/leg_droi.php
http://www.culture.gouv.fr/culture/infos-pratiques/droits/protection.htm
Université de Lorraine
Faculté des sciences et technologies
Master MEPP (Mécanique, Énergétique, Procédés et Produits)
Spécialité MFE (Mécanique des Fluides et Énergie)
Laboratoire : LEMTA (Laboratoire d’Énergétique et de Mécanique Théorique et
Appliquée)

Maı̂tre de stage : Markus Abel

Développement d’un outil d’analyse du

mouvement des particules en turbulence

Justin Jacquot

Nancy, le 4 Septembre 2012

Table des matières

I Introduction 8

II Rappels théoriques 12
1 Probabilités et statistiques 14
1.1 Outils mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Description statistique du champ de vecteurs : Processus Stochastique . . 15

2 La turbulence 17
2.1 Un phénomène naturel avant tout . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Les équations de Navier-Stokes . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Description statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Décomposition statistique . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Equations de Navier-Stokes moyennées . . . . . . . . . . . . . . . . 19
2.4 Turbulence Homogène et isotrope - Théorie de Kolmogorov . . . . . . . . 22
2.4.1 Turbulence homogène . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Turbulence isotrope . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.3 La théorie de Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.4 Les fonctions de strucure et le phénomène d’intermittence . . . . . 25
2.5 Turbulence Non-idéale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3 Les particules et la turbulence 28

3.1 Rappel général sur la description des écoulements . . . . . . . . . . . . . . 28
3.1.1 Champ de vitesse Eulérien . . . . . . . . . . . . . . . . . . . . . . 28
3.1.2 Champ de vitesse Lagrangien . . . . . . . . . . . . . . . . . . . . . 28
3.2 Advection des Particules . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.1 Grandeurs caractéristiques : Nombre de Stokes (et de Kubo) . . . 29
3.2.2 Équations d’advection : cas de particules discrètes . . . . . . . . . 30
3.2.3 La méthode de la “pair dispersion” . . . . . . . . . . . . . . . . . . 32

III Application à Python 34

4 Développement et programmation d’un système d’analyse universel pour
la turbulence 35
4.1 Le choix de Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Développement du programme : besoins et exigences . . . . . . . . . . . . 36
4.3 Écriture des modules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.1 Lecture des données . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.2 Manipulation des données qui nous intéressent . . . . . . . . . . . 37
4.3.3 Analyse statistique (moments, PDF, ...) . . . . . . . . . . . . . . . 38
4.3.4 Représentation graphique des données analysées . . . . . . . . . . 39
4.3.5 Rapport final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4
5 Les données 40
5.1 La base de données ICTR . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2 Le format HDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2.1 Qu’est-ce que le format HDF ? . . . . . . . . . . . . . . . . . . . . 40
5.2.2 Compatibilité avec Python . . . . . . . . . . . . . . . . . . . . . . 41
5.3 Ouverture quant aux données à exploiter . . . . . . . . . . . . . . . . . . . 41
5.3.1 netCDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.3.2 The JHU Turbulence Database Cluster (TDC) . . . . . . . . . . . 41
5.3.3 eFluids . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

IV Résultats 43
6 Analyse numérique et interprétation 45
6.1 Schéma général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2 Quelques résultats statistiques . . . . . . . . . . . . . . . . . . . . . . . . 48
6.3 Influence du nombre de Stokes : . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.1 À un temps fixé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.3.2 Évolution temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.3.3 L’intermittence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

V Discussion et Conclusion 59
A Organigramme 62

B Exemple du Code source développé 65

C Exemple du rapport généré 72

5
Nomenclature

Lettres grecques Signification

χ variable aléatoire
σ écart type
π constante géomètrique
µ mathématique → moyenne / physique → viscosité dynamique
ν viscosité cinématique
ρ masse volumique
ε tenseur des dissipations turbulent
κ énergie cinétique turbulente
φ flux (d’énergie)
δ incrément (spatial ou temporel)
τ quantité temporelle
λ micro-échelle de la turbulence

Symboles mathématiques Signification

A moyenne d’ensemble
Pb
somme de a à b
i=a
→
−
A vecteur (tenseur d’ordre 1)
[A] délimiteurs ou analyse dimensionnelle
|A| valeur absolue
hAi moyenne
ln logarithmique népérien (relation : ax = ex ln(a)
)
≪ très inférieur à
≫ très supérieur à
≤ inférieur ou égal à
≥ supérieur ou égal à
d dérivée simple
∂ dérivée partielle (d rond)
D dérivée particulaire
∇ nabla (gradient)
∆ laplacien

Abréviations Signification
PDF Probability Density Function
RANS Reynolds Average Navier Stokes
DNS Direct Numerical Simulation
LES Large Eddy Simulation
THI Turbulence Homogène Isotrope
HDF Hierarchical Data Format
2D Deux Dimensions
3D Trois Dimensions

6
7
Première partie

Introduction

8
Source illimitée de problèmes, touchant une quantité exceptionnelle de domaines de
la physique, la turbulence des fluides est, encore de nos jours, très loin d’être résolue et
comprise.
L’homme étant curieux par nature, il se pencha avec attention sur le sujet et tente depuis
maintenant quelques siècles de comprendre et d’interpréter ce phénomène.
La turbulence est observable partout, et à tout instant. La beauté de sa complexité nous
attire, nous fascine, nous émerveille. Nous cherchons à l’enfermer dans des lois et des
modèles physiques mais en vain, le désordre qu’elle engendre ne se laisse pas faire. Com-
ment apprivoiser ce chaos ? Par où commencer et dans quelle direction se lancer ? Y
reconnait-on quelque chose de familier pour nous repérer ? Peut-on expliquer, modéliser
une quantité turbulente, sans rien laisser au hasard ? Comment prédire les mouvements
futurs d’un fluide soumis à un comportement si capricieux ? Des scientifiques du monde
entier travaillent à ces questions pour avancer doucement vers une connaissance toujours
plus grande de ce phénomène si subtil.

Pour notre part, l’intérêt porté à la turbulence est essentiellement dû à la curiosité.
Pourquoi à l’heure actuelle, avec les connaissances et la facilité de diffusion de celles-ci,
la turbulence reste un problème ouvert ? Quelles sont les difficultés rencontrées lors des
actions mises en œuvre pour comprendre ce phénoméne ? Et comment trouver un moyen
de l’approcher différement ?

Tout d’abord il nous a fallu trouver comment était caractérisé un écoulement tur-
bulent. Après une période de documentation non négligeable, nous pouvons résumer les
grandes lignes de ce qui est mis en place, aujourd’hui, pour parvenir à une telle description.

Les écoulements de fluides incompressibles sont gouvernés par les équations de Navier-
Stokes. Elles relient la vitesse et la pression en chaque point de l’écoulement. Quatre
fonctions inconnues doivent être déterminées : les trois composantes du vecteur vitesse
et la pression. Deux termes interviennent dans les équations de Navier-Stokes. Le terme
de diffusion, qui est linéaire, traduit l’effet de la viscosité du fluide sur l’écoulement et
a pour effet de contrôler tout développement d’instabilité. Le deuxième terme, appelé
terme inertiel, est non linéaire et est à l’origine des interactions à des échelles spatiales
très différentes. Plus la vitesse de l’écoulement est grande, plus l’influence du terme iner-
tiel dans les équations de Navier-Stokes est forte, le comportement de l’écoulement dépend
donc du rapport vitesse/viscosité, c’est-à-dire du nombre de Reynolds. Dans la simula-
tion numérique d’un écoulement fluide on résout, au moyen d’un ordinateur, les équations
de Navier-Stokes préalablement discrétisées avec un schéma numérique. Cela consiste à
calculer, en chaque point de l’espace de calcul (c’est-à-dire du maillage de l’espace) et
pour certaines valeurs du temps, la vitesse et la pression du fluide. On définit donc un pas
d’espace qui représente la taille du maillage, et un pas de temps qui représente l’intervalle
de temps entre deux instants de calcul de la solution. La difficulté de la simulation est liée
à la physique du problème traité, c’est-à-dire à la turbulence. L’écoulement étant irrégulié
en temps et en espace (turbulence forte), cela nécessite des pas d’espace et de temps très
petits (pour essayer de ne rien laisser de côté). Le calcul précis de toutes les échelles d’un
écoulement turbulent sur de longs intervalles de temps entraı̂ne des contraintes très fortes,
le temps de calcul et la mémoire nécessaire étant alors très grands. On parle de simulation
numérique directe (DNS) de la turbulence. Toutes ces contraintes font que la simulation
numérique directe d’écoulements reste limitée à des écoulements en géométries simples
(écoulement périodique pour la turbulence homogène, écoulement dans un canal pour le
développement de couches limites), et à des nombres de Reynolds faibles (quelques mil-
liers) comparés aux nombres de Reynolds couramment rencontrés dans les écoulements
industriels ou dans l’atmosphère (jusqu’à plusieurs milliards).

Tout le travail réalisé lors de ce stage est de créer un programme permettant l’analyse
des ”solutions” calculées lors de la simulation. La plupart des logiciels de simulations
numériques en mécanique des fluides possèdent une interface graphique, le plus connu

9
est probablement Fluent (édité par la société ANSYS 1 ). C’est-à-dire qu’il est possible
de visualiser le résultat obtenu de manière explicite, en trois dimensions. Ce résultat de
l’équation de Navier Stokes (soumis aux caractéristiques de l’écoulement turbulent que
nous souhaitons simuler) est dans l’ordinateur sous un format uniquement numérique
et il est impossible de comprendre cet amas de données sans l’aide d’un logiciel de ce
genre. Mais bien entendu, la puissance numérique nécessaire à ce genre de modélisation
est énorme et limite une fois de plus les possibilités de l’analyse.
C’est pourquoi il est important de travailler avec les données brutes, directement issues
de la simulation, sans chercher à les représenter directement. C’est ici le point de départ
de notre travail, comprendre comment exploiter ce type de données.

Certains grands noms de la physique restent indissociables des découvertes faites dans
le domaine de la mécanique des fluides, et plus particulièrment de la turbulence. Nous
pourrons noter Andre N. Kolmogorov, U. Frisch [1], M. Lesieur [2] qui ont retenu notre
attention.
Beaucoup de chemins différents ont été empruntés pour parvenir à comprendre la tur-
bulence, celui que nous avons choisi est inspiré par Stefan B. Pope[3]. La description
statistique du comportement d’un fluide. Nous ne pouvons que difficilement savoir com-
ment se comporte un fluide turbulent dans le détail et à différentes échelles, car ceci nous
emmène sur des équations d’une rare compléxité et que nous ne sommes pas capable
de résoudre (sauf sous condition d’une trop grande quantité d’hypothèses). La démarche
statistique consiste à répéter le maximum de fois les expériences que nous savons faire
et de rassembler toutes les données générées par celles-ci. S’ensuit alors un long travail
de calculs de moyennes, de moments, de densités de probabilités qui nous permettra de
déterminer le mouvement moyen, le plus probable, au sein de ce type d’écoulement.

Quelques documents essentiels ont servi de base à la première étape du travail réalisé
pendant ce stage, la compréhension du lien entre les mathématiques statistiques et la
physique de la turbulence.
Pour la partie mathématique, un retour aux sources en statistiques et probabilités était
indispensable, c’est pourquoi nous avons choisi un petit manuel [4], complet et accessible
aux nons mathématiciens, écrit par Robert. A Donnelly, un professeur de management
du Goldy-Beacom College de Wilmington(Delaware, État de la côte Est des États-Unis),
soucieux de rendre compréhensible les statistiques à ses élèves. Ce fût donc le premier
ouvrage utilisé pour éclaircir la dimension mathématique qui nous attendait. Avec une
approche plus poussée et orientée vers la physique, nous nous sommes également beau-
coup aidés de l’ouvrage de Jean-Louis Féménias [5], entre autre pour la compréhension
des procédés stochastiques appliqués à la physique.
L’aspect numérique étant une part primordiale de notre projet, il a fallu se mettre à
la programmation de manière plus approfondie que ce qui avait pu être abordé en cours
jusqu’à présent. Le langage choisi pour concevoir notre programme est Python, ce qui nous
a conduit vers le livre de Gerard Swinnen [6], idéal pour comprendre son architecture et
apprendre les bases de son utilisation. Mais en complément, les forums de programmation
ont été irremplaçables, les principaux sont le site du zéro [7], developpez.com [8], stack-
overflow [9] ou même Google groups [10]. Python est un langage gratuit et fait de plus
en plus d’émules dans le monde scientifique et universitaire, c’est pourquoi il est aussi
simple de trouver de l’aide sur la toile. Nous pensons notamment à Thomas Caswell un
doctorant de l’Université de Chicago qui est venu à notre secours depuis Google groups
et nous a été d’une aide précieuse pour l’utilisation d’un module de lecture de Python.

Le programme que nous avons initié pendant ce stage était surtout un moyen de
mesurer les possibilités qui nous étaient accessibles pour mettre au point une analyse
automatisée de la turbulence. Mais le projet a été remarqué dans le monde scientifique,
et ce qui était au départ un brouillon de laboratoire à l’échelle d’une université, est en
train de servir de base à une collaboration à échelle européenne. Ce travail prendra bientôt
1. http ://ansys.com/

10
place au sein de l’ICTR (International Collaboration for Turbulence Research) en tant
que première ébauche d’une plus grande réalisation.
Cette collaboration sera en partie dûe à GitHub [11] qui a permis la diffusion efficace de
nos travaux. GitHub est un service web d’hébergement et de gestion de développement
de logiciels. GitHub est libre, et public. Au fur et à mesure que la conception du logiciel
évolue, il est possible, pour qui veut, de suivre son avancement et même d’y participer.
Cette plateforme est devenue le rendez-vous des développeurs opensources du monde
entier, et est depuis peu le plus populaire de tous (devant SourceForge et d’autres).
Son fontionnement est du même type que celui des réseaux sociaux, c’est ce qui rend la
visibilité et la popularité des projets qu’il contient très importante. Certains noms connus
y apparaissent car sont développés sur GitHub, tels que Facebook, Tweeter, Mozilla, Linux
Mint ou encore Python.
Notre projet est disponible par le lien suivant : https ://github.com/markus-abel/pyturb,
une page Wiki expliquant le fonctionnement du logiciel est disponible sur cette page, et
bien évidemment le code source y est présent et en libre accès.
Après s’être éloigné légèrement du contenu de ce mémoire, recentrons-nous sur l’essence-
même de ce qui le compose.
Le travail de Master que nous avons entrepris constiste à créer le prototype d’un pro-
gramme informatique permettant la lecture des données issues de simulations numériques,
puis d’en faire l’analyse statistique.

Dans ce mémoire, en première partie, nous proposons une introduction générale à

la turbulence. Elle sera constituée des quelques bases fondamentales en mathématiques
statistiques, puis d’une description de la turbulence au sein d’un fluide monophasique
ainsi que diphasique (présence de particules).

Dans une deuxième partie, nous présentons le travail réalisé pour concevoir le pro-
gramme ainsi que le détail de son architecture. Une brève explication de son fonction-
nement sera proposée ainsi qu’une ouverture sur les possiblités d’utilisations futures de
celui-ci.

Dans une troisième partie, nous exploitons les graphiques réalisés par notre pro-
gramme, en essayant de comprendre au mieux les statistiques obtenues concernant les
simulations numériques analysées.

Pour finir, dans une quatrième partie, nous discutons de manière générale les résultats
étudiés dans la partie précédente, et nous concluons sur l’efficacité et l’avenir des travaux
réalisés pendant ce stage en laboratoire.

11
Deuxième partie

Rappels théoriques

12
Cette partie a pour but d’introduire de manière accessible et claire la plupart des
éléments nécessaires à la compréhension des résultats obtenus suite aux analyses délivrées
par notre programme.
Nous n’avons en aucun cas la prétention de dire que ceci sera suffisant tant l’étendue des
des prérequis indispensables à la description de la turbulence est grande. Mais à travers
cette première partie, notre intention est de rendre ce rapport compréhensible au plus
grand nombre.

Nous nous adressons ici aux lecteurs non initiés au phénomène de la turbulence, les
connaisseurs peuvent passer cette première partie sans se soucier de son contenu, et se
rendre directement à la partie programmation.

13
Chapitre 1

Probabilités et statistiques

Les bases du calcul des probabilités et des statistiques sont exprimées ici de manière
très brève mais devraient être suffisantes pour faire le lien avec la suite. Nous nous ap-
puyons sur le livre de Robert A. Donnelly[4] pour la formulation générale.

1.1 Outils mathématiques

La moyenne
La moyenne arithmétique est la somme des valeurs de la variable divisée par le nombre
des ces valeurs. Dans le cas où les valeurs de la variable sont aléatoires la moyenne est
appelée l’espérance :
n
1X
X= χi (1.1)
n i=1
Dans notre cas, par exemple, si nous répétions plusieurs fois notre simulation, n corre-
spondrait au nombre de simulations effectuées et χi à une variable telle que Ux (x, y, z, t),
c’est-à-dire qu’à une position et un temps donnés, nous pourrions calculer une moyenne
de la composante de la vitesse selon x après avoir répété plusieurs fois l’expérience.

La variance
La variance correspond à la moyenne des carrés des écarts à la moyenne. Elle permet
de caractériser la dispersion des valeurs par rapport à la moyenne :
n
1X
V AR(X) = σχ2 = (χi − X)2 (1.2)
n i=1

Dans notre cas, par exemple, la variance nous sert à obtenir une idée de la précision et
des écarts maximums possibles que peuvent prendre les valeurs des vitesses en fonction
de l’espace et du temps.

Les moments
Le moment d’ordre k d’une variable aléatoire est un indicateur de la dispersion de
cette variable.
n
1X k
Mk = χ (1.3)
n i=1 i
Dans notre cas, nous utiliserons les moments d’ordre 2, 3, et 4. Le moment d’ordre 1
est nul pour une distribution gaussienne centrée en zéro (correspond à la moyenne) et le
moment d’ordre 2 correspond à la variance.

14
Probabilités
La probabilité d’un évènement A peut être considérée comme une supposition sur la
possibilité de réalisation de cet évènement.
La probabilité d’un évènement est toujours un nombre réel compris entre 0 et 1. La
somme des probabilités de toutes les valeurs possibles d’une variable aléatoire valant un,
ces probabilités sont en quelque sorte réparties sur ces différentes valeurs. Toute relation
qui établit une correspondance entre les valeurs prises par une variable et leur probabilité
s’appelle une loi (ou distribution) de probabilité.
Exemple d’une PDF 1 , la fonction de Gauss :
1 1 (x−µ)
2

f (x) = √ e− 2 σ 2 (1.4)
σ 2π
Avec :
σ = La variance des valeurs de la variable aléatoire correspondante.
µ = La moyenne des valeurs de la variable aléatoire correspondante.

La représentation graphique correspondante est présentée sur la Figure 1.1 :

Figure 1.1 – Représentation graphique d’une PDF, la fonction de Gauss pour σ = 1 et

µ = 0.

1.2 Description statistique du champ de vecteurs :

Processus Stochastique
Cette partie représente une courte introduction au processus stochastique. Celle-ci est
abordée par une approche physique, en évitant les équations lourdes proposées par les
mathématiques qui sont trop longues à expliquer et à comprendre.
Il est important d’assimiler ce à quoi correspond un processus stochastique tant pour la
compréhension globale de notre système d’étude que pour l’interprétation des résultats.
Ces processus sont issus de la branche de la statistique descriptive.
La statistique descriptive permet de décrire un ensemble relativement important de données,
ce qui convient bien à notre problème. Nous allons redéfinir de manière simple et précise
quelques outils statistiques de base qui nous seront utiles.

Variables Aléatoires
La variable aléatoire est une variable qui correspond à l’ensemble des résultats possi-
bles d’une expérience à caractère aléatoire. C’est d’une certaine manière l’interprétation
numérique d’un résultat issu d’une expérience. Elle est souvent à valeur réelle.
Il y a deux types différents de variables aléatoires :

1. Probability Density Function

15
– Variables aléatoires continues : cette variable peut prendre n’importe quelle valeur
numérique située dans un intervalle correspondant aux résultats d’une expérience.
– Variables aléatoires discrètes : cette variable est limitée à des valeurs entières spécifiques
à cause de la forme du résultat.

Vecteurs aléatoires
Notre système d’étude étant exprimé en trois dimensions, alors mathématiquement
parlant, les objets aléatoires considérés sont repérés par trois coordonnées constituant
un système de variables aléatoires. Une réalisation (x; y; z) de ce système de variables
aléatoires (X; Y ; Z) donne un point aléatoire de coordonnées aléatoires (x; y; z) ou un
vecteur aléatoire.

Avec le temps : Processus Stochastique

Un processus stochastique[12] correspond à un phénomène d’évolution temporelle pou-
vant être analysé de manière statistique, reposant sur des calculs de probabilités. C’est
l’ensemble de ces réalisations qui va constituer un processus stochastique. Une réalisation
est obtenue par l’expérience qui consiste à enregistrer une suite d’évènements au cours
du temps. Analytiquement, un processus stochastique correspond au mélange entre une
ou plusieurs variable(s) aléatoire(s) n(i ) et un paramètre d’évolution de temps t, ce qui
nous donne un quantité aléatoire ni (t) :
– à t fixé, la variable aléatoire est ”nombre d’évènements observés au bout du temps
t”.
– à n fixé, il donne l’évolution temporelle de la probabilité Pn (t) d’observation de n
évènements.

Ce sont bien ces deux entrées n et t qui caractérisent un processus stochastique. Lors
de l’observation statistique d’un phénomène physique, nous sommes amenés à répéter
plusieurs fois une expérience, ce qui conduit à différentes séquences temporelles. Voici
maintenant quelques exemples explicites de processus stochastiques :

– Le processus “pile ou face” consiste à enregistrer la suite des ”piles” ou “faces”

lorsqu’on lance une pièce de monnaie ;
– Le processus brownien consiste à suivre la position d’une particule en suspension
dans un fluide ;
– Le processus de Poisson consiste à compter le nombre de personnes dans une file
d’attente lorsque ces personnes y arrivent au hasard ;
– Un processus épidémiologique consiste à dénombrer les individus infectés par une
maladie au cours du temps ;
– Un processus météorologique peut consister à relever le nombre d’heures densoleille-
ment par jour ;
– Un processus boursier peut consister à relever le cours des titres chaque jour.

La nature erratique et non reproductible des réalisations du processus tient au fait que leur
évolution est en général le résultat de l’action d’un grand nombre d’agents incontrôlables,
ou dont l’effet est même inconnu. La particule brownienne se déplace sous l’effet de ses col-
lisions avec les particules du fluide : les lois dynamiques gouvernant ces mêmes particules
sont connues. Dans ce cas, nous pourrions en principe établir le lien entre le mouvement
brownien et la dynamique microscopique sous-jacente, mais la complexité de la description
de ces mouvements microscopiques défie l’analyse. Dans le cas des fluctuations boursières,
on se rend bien compte qu’il est illusoire de faire remonter la théorie à la description de
l’état physicochimique des cerveaux des opérateurs !

16
Chapitre 2

La turbulence

2.1 Un phénomène naturel avant tout

Qu’est-ce que la turbulence et pourquoi sa compréhension est-elle si peu maı̂trisée
encore de nos jours ?
Tout d’abord , prenons une définition la plus large possible pour introduire ce phénomène
physique. Par exemple, celle issue d’un dictionnaire de la langue française [13] :

Turbulence : n.f. 1.a) Trouble, tumulte collectif. b) Agitation désordonnée, bruyante. 2.

Caractère d’une personne turbulente → dissipation, pétulance, vivacité. 3. Sc. Formation
de tourbillons, dans un fluide. Turbulence d’un courant fluvial, d’une masse d’air. Étude
des turbulences (en mécanique statistique). Météorologie, ...

Nous nous intéressons à la turbulence en mécanique des fluides seulement, car ce

phénomène est observable dans d’autres domaines de la physique comme la physique des
plasmas.
La première remarque à faire est que ce phénomène est observable par tous très facile-
ment. Il est présent partout autour de nous. C’est sous ce régime que sont représentés
la plupart des écoulements ”naturels” des fluides usuels que sont l’air et l’eau. Les man-
ifestations de la turbulence sont d’une grande diversité, et c’est dans la nature que son
illustration en est la meilleure :

– les mouvements de fluides ”biologiques” tel que le sang dans toute une hiérarchie
de vaisseaux en “macro-circulation” ;
– les mouvements de “géofluides” : vent atmosphérique, courants fluviaux, marins ;
– les mouvements de fluides stellaires : circulations gazeuses autour des planètes, gaz
de la photosphère du Soleil, jets de plasmas d’étoiles ...

Ce phénomène se rencontre également dans de nombreux cas de laboratoires et dans le

monde industriel :

– l’hydraulique : hydrodynamique des carènes, coques, ouvrages, machines ;

– l’aéronautique : voilures d’avions, moteurs, turbomachines ;
– l’énergétique et la thermique : combustion, fours, échangeurs ;
– le génie des procédés : génie chimique, pétrolier, nucléaire, ...

Nous constatons un grand nombre de manifestations de la turbulence, avec certaines car-

actéristiques toujours identiques, telle que l’aspect chaotique et imprévisible de l’écoulement
en question.

17
L’expérience de Reynolds : En 1883, un ingénieur et physicien Irlandais du nom
de Osborne Reynolds met au point une expérience permettant de différencier les régimes
d’écoulements pour les fluides.

Figure 2.1 – Dessin représentant Osborne Reynolds et son expérience.

Comme nous le voyons dans la Figure 2.1, provenant du site web mecaflux.com 1 , un
réservoir d’eau se déverse dans une conduite dans laquelle on introduit un colorant. Selon
le régime laminaire ou turbulent, le colorant est transporté en ligne droite ou est mélangé
par les structures tourbillonnaires. La transition se produit pour une valeur avoisinant
2500 du nombre de Reynolds défini par :
U.D
Re = (2.1)
ν
où U est la vitesse moyenne (m.s−1 ), ν la viscosité cinématique moléculaire (m2 .s−1 ) et
D le diamètre hydraulique (m) de la conduite. Le diamètre hydraulique D est calculé à
partir de la surface passante S et du périmètre mouillé P selon une formule qui permet
de retrouver le diamètre géométrique naturel dans une conduite à section circulaire :
4.S
D= (2.2)
P
La Figure 2.2 (récupérée sur le même site web que la précédente) est une bonne représentation
de ce qui est observable dans la conduite nommée précédemment.

Figure 2.2 – Dessin représentant les différents régimes d’écoulements observables.

Pour l’air, dans les conditions normales de température et de pression, la viscosité

cinématique est de l’ordre de 10−5 . Ainsi dans un conduit d’aération de 20 cm de diamètre,
1. http ://www.mecaflux.com

18
l’écoulement sera turbulent à partir d’une vitesse de 12,5 cm.s−1 .

Pour l’eau, à pression atmosphérique et température de 20 degrés, la viscosité cinématique

est de l’ordre de 10−6 .Ainsi dans une conduite de 20 cm de diamètre, l’écoulement sera
turbulent à partir d’une vitesse de 12,5 mm.s−1 .

2.2 Les équations de Navier-Stokes

Durant le XIX e sciècle, le mathématicien et ingénieur des Ponts Claude Navier et le
physicien George Stokes travaillèrent ensemble à la mise en équation de la description du
mouvement des fluides newtoniens. C’est la résolution de ces équations qui nous permet
encore à l’heure actuelle d’obtenir une approximation raisonnable des courants océaniques
et des mouvements des masses d’air de l’atmosphère. Cette résolution est très complexe
et elle n’est possible qu’en posant un certain nombre d’hypothèses telle que la continuité
du milieu étudié ou encore le caractère incompressible de celui-ci.
En se limitant donc aux fluides incompressibles homogènes visqueux newtoniens, les
équations de conservation de la masse et de la quantité de mouvement, en référentiel
galiléen s’écrivent :
∂Ui
=0 (2.3)
∂xi

∂Ui ∂Ui ∂P ∂ 2 Ui
ρ + Ui = ρFi − +µ (2.4)
∂t ∂xj ∂xi ∂xj ∂xi
où Fi (i = 1, 2, 3) correspond aux forces extérieures de volume, µ est la viscosité dynamique
du fluide et ρ la masse volumique.

2.3 Description statistique

Pour une résolution statistique des équations de Navier-Stokes, nous considérons la
vitesse et la pression comme deux fonctions aléatoires de l’espace et du temps. Nous
devons analyser un très grand nombre de réalisations du même écoulement pour pouvoir
approcher la description de celui-ci.
L’idée directrice de cette analyse sera d’établir et d’interpréter les équations gouvernant
les propriétés statistiques telles que moyennes, moments, pdf, fonctions de structures....

2.3.1 Décomposition statistique

Soient la vitesse et la pression, décomposées en moyenne d’ensemble et terme de
fluctuation :
Ui (xj , t) = U i (xj , t) + ui (xj , t) (2.5)
P (xj , t) = P (xj , t) + p(xj , t) (2.6)
Le symbole ( ) correspond à l’opérateur de moyenne statistique ou moyenne d’ensemble
et les lettres minuscules u et p correspondent aux fluctuations (ou écarts par rapport à
la moyenne) 2 .

2.3.2 Equations de Navier-Stokes moyennées

Ce rapport n’étant pas un ouvrage déstiné à la démonstration des équations de la
turbulence, nous ne démontrerons que certaines parties de la théorie qui nous paraı̂ssent
indispensables.
Nous admettons les résultats connus suivants, tirés du livre de Patrick Chassaing [14].

2. Par définition, les fluctuations sont centrées, ce qui implique que leur moyenne est nulle : ui (xj , t) =
0 et p(xj , t) = 0

19
Résultats admis :

D’après l’équation d’advection totale, que nous appliquerons ici à une quantité scalaire
G pour généraliser notre expression :
∂G ∂G ∂G
Uj = Uj + uj (2.7)
∂xj ∂xj ∂xj
| {z } | {z } | {z }
Advection totale mouvement moyen mouvement f luctuant

Nous moyennons ensuite cette équation en décomposant G de la même manière que la

vitesse et la pression et nous obtenons :

∂G ∂G ∂G
Uj = Uj + uj (2.8)
∂xj ∂xj ∂xj
| {z } | {z } | {z }
Moyenne de mouvement moyen de Moyenne du
l’advection totale la valeur moyenne transfert turbulent

Nous utilisons maintenant un nouvel opérateur de dérivation particulaire qui correspond

à la variation suivant le mouvement moyen :

D ! ∂G ∂G
G ≡ + Uj (2.9)
Dt ∂t ∂xj
L’équation de Navier-Stokes moyennée devient alors :

∂U i ∂U i ∂ui ∂P ∂2U i
ρ + Uj + uj = ρF i − +µ (2.10)
∂t ∂xj ∂xj ∂xi ∂xj ∂xj
De manière plus habituelle, ou plus conventionnelle, cette équation s’écrit également sous
la forme suivante :
∂U i ∂U i 1 ∂p ∂2U i ∂
+ Ui =− +ν − ui uj (2.11)
∂t ∂xj ρ ∂xi ∂xj ∂xj ∂xj
∂
Le terme ∂x j
ui uj correspond ici au tenseur des corrélations des fluctuations de vitesse
ui uj , c’est un tenseur symétrique d’ordre deux. Il traduit l’influence du champ turbulent
sur le champ moyen.
À partir de là nous pouvons introduire le tenseur des tensions de Reynolds : ρui uj .

Il nous est également possible d’écrire les équations de Navier-Stokes de telle sorte à
obtenir des informations sur l’énergie au sein de l’écoulement. Cette partie est tirée du
cours de turbulence reçu en Waster 2 par Ophélie Caballina [15].

Soit l’équation des tensions de Reynolds :

∂ui uj ∂ui uj
+ Uj = Pi j + Ti j + Πi j + Di j − εi j (2.12)
∂t ∂xj
Tous les termes de droites sont expliqués ci-dessous :

∂U ∂u u
– Pi j = ui uk ∂xkj + uj uk ∂xi j j Production ;
∂ui uj uk
– Ti j = − ∂xk Transport turbulent ;

∂p ∂p
– Πi j = − ρ1 ui ∂x j
+ uj ∂x i
Corrélation Pression-Vitesse ;
∂2u u
i j
– Di j = ν ∂xk ∂x k
Diffusions visqueuses ;
∂ui ∂u
j
– εi j = 2ν ∂x k ∂xk
Tenseur de dissipation turbulente.

20
Il nous est possible d’obtenir une équation de transport pour l’énergie cinétique turbu-
lente κ = 21 ui ui , ceci par contraction des indices dans l’équation des tensions de Reynolds
(équation 2.12 ).

Équation de l’énergie cinétique turbulente :

∂κ ∂U i 1 ∂ui uj uk 1 ∂uk p ∂2κ ∂ui ∂ui

= −ui uk − − +ν −ν (2.13)
∂t ∂xk 2 ∂xk ρ ∂xk ∂xk ∂xk ∂xk ∂xk
| {z } | {z } | {z } | {z } | {z }
Pk Tk Πk Dk εk

– Pk : Production turbulente (énergie cédée par le mouvement moyen au mouvement

turbulent, terme toujours positif) ;

– Tk : Transport/Diffusion turbulent(e) par les fluctuations de vitesse ;

– Πk : Transfert d’énergie par interaction Pression-Fluctuations de vitesse ;

– Dk : Diffusion visqueuse de l’énergie cinétique turbulente par la viscosité ;

– εk : Dissipation visqueuse de l’énergie turbulente sous forme de chaleur (conduit

toujours à une diminution de la turbulence).

Actuellement, un problème de fermeture existe toujours quant à la résolution des équations

descriptives de la turbulence. Il y a plus d’inconnues que d’équations et il nous est donc
impossible de résoudre ces équations. Plusieurs modèles de fermeture ont été mis au point,
tels que ceux en un point (du premier ou second ordre) ou deux points (généralement
formulé dans l’espace de Fourrier).
Malgré tout, les outils numériques nous permettent, depuis maintenant une quarantaine
d’années, de simuler avec plus ou moins d’exactitude les écoulements turbulents.
Voici les méthodes les plus courantes :

– RANS : Reynolds Averaged Navier-Stokes, c’est la plus ancienne des modélisations

de la turbulence. Malgré certaines idées reçues, il est tout à fait possible d’appliquer
ce modèle aux écoulements instationnaires ;

– DNS : Direct Numerical Simulation, qui est réservée à des géométries simples et des
petits nombres de Reynolds. C’est une méthode qui est très coûteuse en temps de
calcul (t ∼ Re3 ) ;

– LES : Large Eddy Simulation, filtre les plus petites échelles de l’écoulement pour ne
résoudre que les grandes. Cette méthode est plus coûteuse en temps de calcul que
la RANS mais l’est beaucoup moins que la DNS ;

– PDF methods : Probability Density Function methods, qui porte sur la localisation
de la fonction de densité de probabilité de la vitesse en un point. C’est-à-dire qu’on
cherche à définir fl (v, x, t) = dv qui va nous donner la probabilité de la vitesse com-
prise entre v et v + dv à un point x. Cette approche est la même que celle utilisée
dans la théorie cinétique des gaz. La méthode PDF est couramment employée pour
le suivi lagrangien des particules. C’est celle-ci qui nous intéresse.

Pour approcher une résolution de ce type d’écoulement, nous posons certaines hy-
pothèses importantes. Dans notre cas d’étude, nous supposons une turbulence homogène
et isotrope.

21
2.4 Turbulence Homogène et isotrope - Théorie de
Kolmogorov
Nous pouvons introduire le terme de turbulence homogène isotrope (THI) en décomposant
ces deux propriétés physiques :

2.4.1 Turbulence homogène

Nous parlons d’un champ de turbulence homogène. Ce champ est un domaine infini
de l’espace dans lequel les propriétés statistiques de la turbulence sont indépendantes
de la position du point dans ce domaine. Analytiquement, cette homogénéité définit la
stationnarité dans l’espace de toute moyenne statistique des quantités fluctuantes.
On peut résumer simplement en disant que le champ de vitesse moyenne U i (→ −
x , t) et celui
→
− →
−
des tensions de Reynolds ui uj ( x , t) sont indépendants du vecteur position x .

Conséquences admises de l’hypothèse d’homogénéité :

– Toute moyenne statistique de grandeur en un point est constante dans le champ et

ne dépend que du temps.
– Toute propriété statistique en deux points est invariante par translation spatiale.

2.4.2 Turbulence isotrope

À tout instant, les propriétés du champ d’agitation turbulente sont invariantes par
rotation et symètrie plane en tout point du champ.

Remarque :

– tout champ isotrope est nécessairement homogène, car toute translation peut se
réduire au produit de deux rotations ;
– l’hypothèse d’isotropie n’est compatible qu’avec un champ de vitesse moyenne nul.

Pour résumer sur la turbulence homogène isotrope, nous choisirons la définition donnée
par Taylor que nous considérons comme la plus claire. Pour lui, la THI est caractérisée
par :

– un domaine spatial infini ;

– invariance par translation de toute propriété statistique en un point ;
– invariance par translation, rotation et symétrie plane de toute propriété statistique
prise en au moins deux points.

2.4.3 La théorie de Kolmogorov

En dehors des noms de Navier et Stokes qui sont indissociables de l’avancée remar-
quable quant à la mise en équations de la description physique des écoulements, un autre
homme a marqué l’histoire dans ce domaine, et plus particulièrement dans la turbulence,
son nom est Andreı̈ Nicolaı̈evitch Kolmogorov.

L’homme :

Andreı̈ Nicolaı̈evitch Kolmogorov est un mathématicien russe du XXe sciècle. Né en 1903
à Tambov (au sud-est de Moscou), il décède à Moscou en 1987.
Il intégre l’université de Moscou en 1920. Ces premiers travaux portent sur l’analyse har-
monique mais c’est pour les calculs de probabilités que sa renommée est la plus grande.
Son intérêt se tourne également vers les processus et en 1931 il publie les premières bases
des processus stochastiques. C’est également cette année là qu’il devient directeur du
département de mathématiques de l’université de Moscou.

22
Lorsqu’il commence à regarder les équations aux dérivées partielles de la physique, il se
penche sur la compréhension et la résolution des équations de Navier-Stokes. Ses réfléxions
vont le conduire à mettre au point une théorie apportant une description statistique des
fluctuations à petites échelles de la turbulence appelée théorie de l’équilibre universel
des structures fines (ou théorie K41). Kolmogorov est l’auteur d’un très grand nombre
d’avancées mathématiques non citées ici bien entendu, l’étendue de son travail est très
importante et il nous est indispensable de garder son nom en mémoire.[16]

Kolmogorov et la turbulence :

Kolmogorov a permis de caractériser les échelles de la turbulence en fonction de cer-

taines propriétés connues de l’écoulement :
Soient U et L les échelles caractéristiques de vitesse et de longueur du champ moyen. On
constate une cascade de tourbillons d’échelles de plus en plus fines, créées par les proces-
sus non linéaires engendrés par les termes d’inertie dans les équations de Navier-Stokes 3 .

→ Ce processus s’arrête quand des échelles lk suffisamment petites pour que l’énergie
y soit dissipée sous forme de chaleur sont atteintes. On parle dans ce cas des Cascades de
Richardson.

(Remarque : En 1922 le météorologiste Richardson réfléchit aux interactions entre les

tourbillons de différentes tailles et soumet l’idée de cascades d’énergie entre les échelles.
Et c’est quatre ans plus tard, en 1926, qu’il découvre expérimentalement une loi qui stip-
ule que le taux d’accroissement du carré de la distance entre 2 particules placées dans un
écoulement turbulent varie comme la distance entre les particules élevée à la puissance
4 ∂ 2
2 2
3 : ∂t < l >∼< l > .)
3

→ Soient u et l, la vitesse et la longueur caractéristiques des plus grosses structures

porteuses d’énergie cinétique turbulente et uk et ul les grandeurs caractéristiques des fluc-
tuations les plus fines, tailles des structures dissipatives. C’est L’échelle de Kolmogorov.

En THI, on note ε le taux de dissipation de l’énergie dans le fluide :

ε = 2νSij Sij (2.14)

Avec Sij la partie symètrique du tenseur gradient de vitesse :

1 ∂Ui ∂Uj
Sij = + (2.15)
2 ∂xj ∂xi

L’unité du taux de dissipation de l’énergie est :

W
[ε] = ≡ L2 .T −3 (2.16)
Kg

Après quelques réfléxions, on constate que plus le nombre de Reynolds est élevé, plus
les tourbillons dissipateurs sont petits :

u3 u3 u3
ε∼ ∼ I ∼ k (2.17)
l lI lk
uI et lI sont les grandeurs caractéristiques intermédiaires.

Puisque l’énergie est dissipée à l’échelle lk , on peut écrire :

φ u2
ε∼ ∼ ν 2k (2.18)
ρ lk
3. Voir Partie 2.5 pour l’introduction à la théorie fractale.

23
uk lk
Avec la relation Rek = ν ∼ 1, on établit que :
1/4
ν3 1/4
lk ∼ ; uk ∼ (νε) (2.19)
ε
ul
Si on introduit ensuite le nombre de Reynolds turbulent, Ret = ν , on peut réécrire
l’échelle de longueur de Kolmogorov :
−3/4
lk ∼ l (Ret ) (2.20)

La théorie K41 (succinctement) :

Kolmogorav considère une turbulence pleinement développée, localement homogène et

insiste sur le rôle des incréments.

Soit l’incrément spatial de vitesse (issu de la description Eulérienne de l’écoulement) :

δvr (x) = |v(x + r) − v(x)| (2.21)

r est un vecteur auquel on donne généralement une direction telle qu’il soit tangent à
l’écoulement et dans son sens ou alors orthogonal à celui-ci avec une direction donnée.
Où l’incrément temporel de vitesse (issu de la description Lagrangienne de l’écoulement) :

δu(t) = |u(t + τ ) − u(t)| (2.22)

τ est le pas d’incrémentation dans le temps.

Pour la compréhension des hypothèses de Kolmogorov nous devons introduire la notion

de fonctions de structure sur laquelle nous reviendrons plus tard.
Soit la fonction de structure spatiale longitudinale d’ordre p pour l’écoulement, décrit ici
comme le moment d’ordre p de l’incrément de la vitesse longitudinale :
p
Sp =< δu||r > (2.23)

Trois hypothèses sont primordiales à la justification de sa réfléxion, nous les présentons

ci-dessous 4 :

– Hyp1 : Pour des nombres de Reynolds infinis, toutes les symétries des équations de
Navier-Stokes, détruites par la turbulence, sont restaurées dans les statistiques de
l’écoulement. ;

– Hyp2 : Sous les hypothèses de Hyp1, la turbulence est autosimilaire : δu(x, λr) =
λh δu(x, r) en loi. ; (λ est la micro-échelle de la turbulence.)

– Hyp3 : Sous les hypothèses de Hyp1, la turbulence a un taux moyen de dissipitation

par unité de masse ε fini non nul. ;

Il est très important de retenir que Kolmogorov se place dans le domaine inertiel. Ce do-
maine est critique, il se situe juste entre l’échelle où les dissipations thermiques prédominent
et l’échelle intégrale où les grands tourbillons apportent les incréments d’énergie à la cas-
cade. Il fait la conjecture que dans le domaine inertiel, l’énergie est transférée des échelles
les plus grandes vers les plus petites sans perte, avec un taux ε qu’il suppose constant
dans tout le domaine.

– La Loi des deux-tiers :

Dans un fluide turbulent localement homogène, à des nombres de Reynolds tendant
4. Elles sont écrites ici comme les a recueilli U.Frisch en 1995 [1]

24
vers l’infini, la fonction de structure d’ordre 2, S2 (r), entre deux points distants de
2
||
la longueur r est une puissance deux-tiers de cette distance : h δur i = C0 ε2/3 r2/3 ,
où C0 est une constante adimensionnelle universelle, et ε est le taux moyen de dis-
sipation turbulente.

– La Loi des quatre-cinquièmes :

Dans des écoulements turbulents localement homogènes, à très grands nombres de
Reynolds, la fonction de structure d’ordre 3, S3 (r), entre deux points distants de r
3
||
est h δur i = − 45 εr où r est comparable à la longueur d’échelle.

Des deux lois précédentes, après quelques manipulations, il est possible de tirer une
expression de l’énergie pour un nombre d’onde κ : E(κ) = C0 ε2/3 κ−5/3 .

L’héritage de Kolmogorov comme le dit U.Frisch, dans son livre [1] consacré à celui-ci,
est d’une importance première en turbulence mais également dans d’autres domaines où
l’étude des probabilités et des processus est nécessaire.

Maintenant que certains principes sont introduits en turbulence, nous allons pouvoir
nous concentrer sur une partie qui nous intéresse plus particulièrement, l’intermittence,
mise en évidence par les fonctions de structure.

2.4.4 Les fonctions de strucure et le phénomène d’intermittence

Pour commencer, il nous faut introduire la dimension fractale de la turbulence. La
cascade d’énergie de Richardson en est une très bonne illustration (Figure 2.3 ).

Figure 2.3 – Image représentant la dissipation de l’énergie (cascade d’énergie de Richard-

son).

Des études récentes et plus approfondies (moyens expérimentaux et numériques plus

performants) en relation avec les changements d’échelles dans la turbulence pleinement
développée, homogène et isotrope au sens de Kolmogorov vont nous apprendre quelque
chose d’important qui n’avait pas forcément été remarqué avant.
Dans le régime inertiel, on constate une déviation du modèle fratal que Kolmogorov avait
établi et qui prédisait un comportement linéaire du spectre ζq . Cette linéarité n’est plus
respectée et les statistiques des incréments de vitessse Eulériennes et Lagrangiennes nous
le prouvent clairement par leurs comportements en loi de puissance anormaux en fonction
de l’échelle. C’est cet écart à la linéarité que nous appelons phénomène d’intermittence.

L’outil mathématique qui nous permet de mettre en évidence ce phénomène est une fonc-

25
tion de structure, que l’on calcule pour différentes échelles de la turbulence. Les fonctions
de structure correspondent en fait à l’étude de la densité de probabilité des incréments de
vitesse. L’expérience (ou la simulation) consiste à déterminer cette densité de probabilité
pour différentes échelles de la turbulence, d’où le rappel sur la dimension fractale de la
turbulence.
Par exemple, dans le cas Eulérien (Figure 2.4 ), nous avons ce type de courbe qui permet
de mettre en évidence le phénomène d’intermittence.

Figure 2.4 – Image provenant d’un article publié sur le site web du laboratoire de
physique de l’ENS Lyon[17] représentant la probabilité de mesurer un incrément de vitesse
δl u sur une échelle l (Eulérien) à partir d’un signal expérimental acquis en soufflerie
(Modane), depuis la grande échelle (bas) jusqu’à une échelle dissipative (haut).

On remarque que pour l = L, c’est-à-dire lorsque le pas de l’incrément est égal à

l’échelle intégrale de la turbulence (première courbe en partant du bas), nous avons une
distribution qui se rapproche très fortement de la densité Gaussienne.

Le cas Lagrangien (Figure 2.5 ), c’est-à-dire pour une étude temporelle des fontions
de strucutre, nous apporte des courbes très similaires au cas Eulérien.

Figure 2.5 – Idem que pour la figure3.4 pour la provenance de l’image. La forme et la
description du même type, mais l’incrément est temporel.

Dans les deux cas différenciés ici, Eulérien et Lagrangien, nous remarquons l’appari-
tion du phénomène d’intermittence assez rapidement. Ceci se voit très clairement par
l’aplatissement de la densité de probabilité (l’éloignement de forme Gaussienne) lorsque
le rapport de l’incrément sur l’échelle de l’écoulement diminue.

26
2.5 Turbulence Non-idéale
La plupart des écoulements turbulents ne sont pas libres, c’est-à-dire qu’ils sont limités
par des surfaces solides, dans une ou plusieurs directions. Par exemple, l’écoulement de
l’air autour d’un avion, l’écoulement de l’eau autour de la coque d’un bâteau, ou à plus
grande échelle, les mouvements atmosphériques déviés par les sols ou les montagnes.

Nous pouvons discerner trois cas connus et très étudiés :

– les écoulements dans un canal ;
– les écoulements dans en conduite ;
– la couche limite sur une plaque plane.

Pour chacun de ces cas, le vecteur de la vitesse moyenne est parallèle à la paroi et le
comportement du fluide en proche paroi sera très similaire.
Une chose importante à comprendre et à détérminer est la valeur du coefficient de traı̂née
à la paroi.

Après avoir détaillé les écoulements turbulents en eux-mêmes, nous allons pouvoir
nous intéresser au cas des particules entraı̂nées par ces flux incohérents et imprévisibles.

27
Chapitre 3

Les particules et la turbulence

3.1 Rappel général sur la description des écoulements

Cette sous-partie 3.1 est un léger exposé sur les deux types d’observations dont
nous pouvons avoir à faire lors de l’étude d’un écoulement (turbulent ou non). Nous
différencions le point de vue Eulérien du point de vue Lagrangien. Pour les définir de
manière appliquée à notre travail, nous nous placerons dans le cas de l’étude des champs
de vitesses.

3.1.1 Champ de vitesse Eulérien

C’est lorsque l’on se place à une position fixe et que l’on observe l’écoulement évoluer
depuis ce point. Du point de vue expérimental il s’agit de la mesure locale du fluide en
un très grand nombre de points de l’écoulement. Pour comprendre cette description de
manière imagée, il suffit de se placer au bord d’une rivière et d’observer toujours le même
repère droit devant soi pendant que l’écoulement évolue à cet endroit précis.
Le champ de vitesse est alors décrit en donnant à tout instant t le vecteur vitesse V en
tout point −→r de l’espace, soit :
V (−
→
r , t) (3.1)

3.1.2 Champ de vitesse Lagrangien

De ce point de vue, il s’agit de suivre le mouvement d’une particule du fluide au cours
du temps, tout au long de sa trajectoire. De manière imagée, nous sommes une fois de
plus au bord d’une rivière, sauf que cette fois-ci, nous ne restons pas au bord à la regarder
évoluer mais nous faisons comme si nous étions une petite particule emportée par cette
écoulement et étudions notre propre trajectoire depuis cette particule en mouvement.
Dans l’expression de la vitesse d’une particule, nous prenons en compte la position initiale
au temps initial :
U (r0 , t0 , t) (3.2)
C’est bien la vitesse d’une particule de fluide à l’instant t qui se trouvait en r0 à l’instant
t0 .
Dans le cas des écoulements avec particules et l’étude du mouvement de ces particules,
il est alors logique que nous privilégions l’approche Lagrangienne pour la suite de notre
travail. Remarque : Il est possible d’obtenir la trajectoire de la particule fluide étudiée en
intégrant de manière temporelle le champ de vitesse Lagrangien :
Z t
r(t) = r0 + U (r0 , t0 , t′ )dt′ (3.3)
t0

Expérimentalement :
Comme l’explique Nicolas Mordant dans sa thèse[18], la difficulté principale pour ef-
fectuer des mesures lagrangiennes réside dans le fait qu’il faut marquer d’une manière

28
ou d’une autre des particules de fluide et pouvoir les suivre individuellement. Avant le
développement de l’informatique et, en particulier, de l’acquisition numérique d’image, il
était plutôt difficile de mettre en œuvre une mesure lagrangienne en laboratoire.
Les mesures lagrangiennes directes sont les méthodes expérimentales encore utilisées
de nos jours (ce ne sont pas des simulations numériques mais des expériences !). Le principe
consiste à placer dans le fluide un certain nombre de particules solides et à enregistrer
leur mouvement. Le point commun à toutes ces expériences est l’utilisation de méthodes
optiques. Un dispositif photographique ou un ensemble de caméras enregistrent les tra-
jectoires des particules puis on en extrait les informations sur la vitesse par dérivation
des trajectoires.

3.2 Advection des Particules

3.2.1 Grandeurs caractéristiques : Nombre de Stokes (et de Kubo)
– Le nombre de Stokes :

Le nombre de Stokes St est un nombre adimensionnel permettant la caractérisation

du comportement d’une particule (fluide ou solide) dans un fluide. Il correspond au
rapport entre l’énergie cinétique de la particule et l’énergie dissipée par frottement.
Du point de vue de l’étude des écoulements multiphasiques, et en considérant de
manière générale que nous avons à faire à une particule fluide, nous pouvons ap-
procher le nombre de Stokes de la manière suivante :

L’étude du mouvement d’une particule dans un écoulement fait apparaı̂tre un temps

caractéristique appelé temps de réponse de la particule τr . C’est le temps au bout
duquel une goutte lâchée dans un écoulement uniforme se met à être emportée par
celui-ci. L’étude des écoulements diphasiques nous a permis d’obtenir cette équation
pour le temps caractéristique :

2 (ρp + 12 ρp ) 2 Rep0.66 3 + 3Φµ

τr = r (1 + ) (3.4)
9 µf 6 2 + 3Φµ
où r est le rayon de la particule.

On a Rep le nombre de Reynolds praticulaire qui vaut :

ρf d|Vf − Up |
Rep = (3.5)
µf
Avec :
ρf = la masse volumique du fluide ;
d = le diamètre de la particule ;
vf = la vitesse du fluide ;
uo = la vitesse de la particule ;
µf = la viscosité dynamique du fluide.

Dans le cas d’une particule, nous avons bien évidement :

µp
Φµ = ≫1 (3.6)
µf
ainsi que
ρp ≫ ρf (3.7)
Soit pour finir nous obtenons :

ρp d 2 Re0.66
p
τr = (1 + ) (3.8)
18µf 6

29
Le nombre de Stokes apparaı̂t en divisant le temps de ”réponse” de la particule par
le temps caractéristique de l’écoulement :
τr
St = (3.9)
τe
Remarque : une autre écriture, peut-être plus courante existe :
ρp d2p vf
St = (3.10)
µf L
Avec :
ρp = la masse volumique de la particule ;
dp = la longueur caractéristique de la particule ;
vf = la vitesse du fluide ;
µf = la viscosité dynamique du fluide ;
L = la longueur caractéristique de l’écoulement.

Nous pouvons désormais apporter une explication physique sur ce que nous ap-
porte le nombre de Stokes. Deux cas clairs se présentent alors à nous :

– St ≫ 1 :

La trajectoire de la particule est très peu affectée par l’écoulement et on dit

qu’elle est en régime inertiel.

– St ≪ 1 :

La particule est alors considérée comme un traceur de l’écoulement, c’est-à-

dire qu’elle est directement emportée par celui-ci, et toutes les particules à très
faible nombre de Stokes ont la même trajectoire, ce qui pose un problème d’ho-
mogénéisation du mélange.

– Nombre de Kubo :

Le nombre de Kubo R permet de classer les régimes de transport dans les systèmes
turbulents. Lorsqu’il est petit, il conduit au coefficient de diffusion quasi-linéaire.
Au départ, il a été défini pour la turbulence comme :
f luctation de vitesse × temps de corrélation
R= (3.11)
longueur de corrélation
u′ .τ
R= (3.12)
L
Après avoir posé ces quelques notions importantes qui nous permettent de caractériser
un écoulement, nous allons tenter de présenter simplement une équation descriptive du
comportement de particules entraı̂nées par un fluide turbulent.

3.2.2 Équations d’advection : cas de particules discrètes

Une fois de plus, il s’agit ici de proposer un rapide aperçu de la théorie connue et
utilisée en mécanique des fluides, c’est pourquoi nous exposerons les lignes directrices
principales sans rentrer dans les détails.
Nous nous appuierons sur le cours d’écoulements multiphasiques de Benoit Oesterlé[19]
donné en Master 2 Recherche à Nancy. Une des parties de ce cours permet de mettre en
équation (sous quelques hypothèses tout de même) le mouvement d’une particule discrète
entraı̂née par un écoulement turbulent, cette partie repose sur la théorie de Tchen.

30
La théorie de Tchen :

Pour pouvoir utiliser la théorie de Tchen il nous faut donc nous situer dans des con-
ditions particulières, qui seront définies par :

Hypothèses :

– Rep ≪ 1 ;
– T.H.I. ;
– pas de force extérieure (ni vitesse relative moyenne, ni mouvement isotrope des
particules) ;
– particules discrètes de très faible inertie (St << 1).

Maintenant que ces hypothèses sont posées, nous allons pouvoir formuler une équation à
caractère le plus général possible (même si ce n’est pas évident sous ces conditions).

Équation du mouvement d’une particule discrète :

du′P i u′ − u∗′
i du∗′
= − Pi +b i (3.13)
dt τP dt
3ρ
f
Avec : b = 2ρp +ρ f
et u∗′ (t) = u′f (x(t), t) la fluctuation de vitesse du fluide (où x(t) est
la position de la particule).

Soient les conséquences de la théorie de Tchen sont les suivantes :

– Variance de vitesse des particules :

∗ ′2 1 + b2 St
hu′2
P i = hu i (3.14)
1 + St
– Covariance fluide-particule :
1 + b St
hu′P u∗′ i = hu∗ ′2 i (3.15)
1 + St
Remarque : Il est ici également très intéressant de construire les fonctions de densité
de probabilité des vitesses moyennes ainsi que des fluctuations de vitesse. On admet
ici que : hu∗′2 i ≈ hu′2
f if

– Cas de particules lourdes dans un gaz : b ≈ 0 ⇒ hu′2 ′2

P iP ≤ huf if
′2 ′2
– Cas des bulles dans un liquide : b = 3 ⇒ huP iP ≥ huf if

Les corrections après Tchen :

Après l’équation du mouvement exprimée par Tchen pour une particule sphérique rigide
dans un écoulement non uniforme, plusieurs articles d’amélioration (ou de correction) ont
été publiés.
La première approche de Tchen fut de considérer une particule sphérique soumise à la
force de pesanteur dans un écoulement instationnaire et uniforme. Et c’est seulement
après avoir validé cette partie qu’il décida d’aller plus loin et de considérer cette fois-ci le
cas d’un écoulement instationnaire et non uniforme.
C’est dans cette partie que persistait encore quelques erreurs.
En 1983, Riley et Maxey[20] publient un article dans lequel apparait l’équation proposée
par Corrsin et Lumley :

31

dVi Dui
mp = mF − ν∇2 ui
dt Dt Y (t)
| {z }
(1)
1 d
− mF {Vi (t) − ui [Y (t), t]}
| 2 dt {z }
(2)
Z t
d/dτ Vi (τ ) − ui [Y (t), t]
−6πaµ [ Vi (t) − ui [Y (t), t] +a dτ 1/2
]
| {z } −∞ [πν(t − τ )]
(3) | {z }
(4)

+(mp − mF )gi (3.16)

| {z }
(5)

Avec : a = le rayon d’une particule sphérique rigide ;

mp = la masse de la particule ;
Y (t) = insantanément centrée ;
V (t) = vitesse de la particule ;
ui (X, t) = le champ de vitesse de l’écoulement ;
mF = la masse du fluide déplacée par la sphère ;
µ et ν = respectivement la viscosité dynamique et la viscosité cinématique.

Chaque terme de l’équation précédente peut maintenant être décrit comme :

(1) : Ici nous voyons apparaı̂tre un terme correctif introduit par Faxen 1 (−ν∇2 ui ),
sans celui-ci, nous serions dans le cas d’un écoulement entraı̂nant une particule sans
influence de l’inertie.
(2) : Ce terme correspond à une accélération relative de la particule par rapport au fluide.
(3) : C’est la traı̂née de Stokes, on peut reconnaı̂tre facilement 6πaµ 1
mp = τ p .
(4) : Ce terme a été introduit par Basset 2 , il correspond à la force de mémoire appliquée
à la particule. C’est l’influence de la trajectoire passée sur le comportement présent.
(5) : L’équation de sédimentation.

3.2.3 La méthode de la “pair dispersion”

Cette sous-partie est une très brève introduction à la méthode de la pair dispersion et
est entiérment inspirée de l’article ”The Role of Pair Dispersion in Turbulent Flow”[21]
rédigé par Mickaël Bourgoin, Nicholas T. Ouellette, Haitao Xu, Jacob Berg et Eberhard
Bodenschatz, en ligne sur le site www.sciencemag.org.
L’étude est principalement réalisée sur les fluctuations locales de concentration de
mélange au sein d’un fluide diphasique. Après un grand nombre d’observations, on con-
state que ces fluctations locales de concentrations sont intièrement liées au problème de
la séparation des paires d’éléments fluides.
L’équipe de recherche a donc mesuré le taux de séparation des particules d’un flux in-
tensément turbulent (en laboratoire) et a remarqué le fait, déjà exprimé par Batchelor en
1952, que la séparation initiale d’une paire de particules joue un rôle important dans la
diffusion ultérieure des éléments fluides.
Dans un fluide au repos, la dispersion relative des deux éléments de fluide (ou partic-
ules de traceur) est dominée par diffusion. Les particules ont un mouvement brownien, et
la séparation quadratique moyenne entre elles croı̂t linéairement dans le temps. Dans un
1. Hilding Faxén, physicien suédois du XX e siècle, connu pour avoir apporté une correction à la loi
de Stokes pour la friction d’un objet sphérique dans un fluide visqueux
2. Alfred Barnard Basset, mathématicien anglais de la fin du XIX e , début du XX e siècle, connu
en dynamiqu des fluides pour la force de Basset (ou Boussiesq-Basset force) qui décrit l’effet de la force
d’histoire d’un corps dans un mouvement instationnaire.

32
écoulement turbulent, cependant, si les deux particules sont séparées par des distances
plus petites que la taille caractéristique des plus grands tourbillons de l’écoulement, elles
se sépareront plus rapidement (superdiffusivité). Pour le cas de grandes distances de
séparation en revanche, la superdiffusivité ne sera plus présente, et, en moyenne, la dis-
persion relative entre deux particules sera de nouveau linéaire dans le temps.
L’équation définie par Batchelor (rappelée dans l’article sur lequel nous nous appuyons)
est un bon exemple de ce qui est utilisé comme base pour le calcul de la séparation des
particules :
→
− −→ 11 2
h[ ∆(t) − ∆0 ]2 i = C2 (ε∆0 ) 3 t (3.17)
3
13
∆20
Pour t < t0 = ε

Avec :
∆(t) = la séparation entre deux particules fluides à un temps t.
∆0 = la séparation initiale entre deux particules fluides.
C2 = la constante universelle de la loi d’échelle pour le domaine inertielle eulérien du
second ordre de la fonction de structure de vitesse. Sa valeur connue est d’environ 2,13.

Dans le modèle classique de la turbulence en cascade, t0 peut être identifié comme le

temps pendant lequel les deux éléments de fluide se “souviennent” de leur vitesse initiale
à mesure qu’ils progressent dans le même tourbillon de taille ∆0 . À certains moments
de l’ordre de t0 , ce tourbillon se brise, et la croissance de la séparation de la paire de
particules observée devrait subir une transition de Richardson-Obukhov (non détaillée
ici).

La turbulence est un domaine de la physique extrêmement large et cette partie n’a

pour but que d’en résumer très succintement les quelques bases qui nous seront utiles
pour comprendre la démarche suivie lors de la conception de notre programme.

33
Troisième partie

Application à Python

34
Chapitre 4

Développement et
programmation d’un système
d’analyse universel pour la
turbulence

4.1 Le choix de Python

À l’heure actuelle, il existe plusieurs langages de programmation connus dont la
réputation quant à leur qualité et leurs performances n’est plus à faire. Voici les princi-
paux langages qui auraient également pu répondre à nos attentes : C, C++, Fortran (qui
sont tous trois des languages compilés), Matlab, Mathematica (qui sont eux interprêtés).
Python a été choisi pour sa syntaxe simple à utiliser, pour ses outils de haut niveau pro-
posés ainsi que pour sa gratuité. Étant un logiciel libre, il possède un très grand nombre
de bibliotèques disponibles en ligne et très simples à utiliser. Ses extensions destinées au
monde scientifique sont efficaces et claires, telles que Numpy (manipulation de matrices
et de tableaux multidimensionnels), matplotlib (tracé de graphiques de tous types et à
plusieurs dimensions), Pickle (écriture de données sous différents formats et lecture de
données), etc. Nous avons utilisé la dernière version de Python disponible, la 3.2, qui
fonctionne parfaitement.
La Figure 4.1 est une image représentant son interface sous Linux (Ubuntu 12.04 LTS) :

Figure 4.1 – Interface graphique de Python 3.2 et exemple d’utilisation de numpy.

35
4.2 Développement du programme : besoins et exi-
gences
Le but principal de ce programme est de proposer une base pour la lecture aisni que
l’analyse des données issues de simulations numériques telle que la DNS. Notre souhait fut
avant tout de pouvoir proposer un script pouvant être adapté par chaque utilisateur de la
manière la plus élémentaire possible, et cela pour le plus de formats de données possibles.
Ne connaissant pas toutes les possibilités de format, nous avons réfléchi à un programme
pouvant lire des données stockées sous format binaire, ASCII, HDF, netCDF... Pour
être sûr que nous pourrions utiliser correctement notre programme, nous avons décidé de
prendre comme base la banque de données en ligne icfdDatabase 1 . Les fichiers de données
sont très lourds, ils pèsent parfois jusqu’à plusieurs Téra Octets ! Il fallait donc créer un
programme peu coûteux en temps de calcul et capable de traiter des tableaux à 2 ou 3
dimensions et de très grande taille.

Organigramme :

Un organigramme nous permet de comprendre visuellement la direction de notre étude,

ce dont nous avons besoin et ce que nous voulons atteindre.

Figure 4.2 – À gauche : Lecture et vérification des données en entrée. À droite : Fonc-
tionnement général du programme.

Sur la Figure 4.2, nous pouvons observer à gauche, ce qui serait la lecture idéale
des données, avec une récupération et une vérification compléte de ce que le fichier de
données contient. À droite, nous soumettons le fonctionnement général du logiciel, suivant
les étapes que nous allons décrire dans la section suivante.
Les compléments de l’organigramme sont proposés dans l’annexe.

4.3 Écriture des modules

Pour faciliter la compréhension de ce programme nous avons procédé de sorte à créer
un programme ≪ main ≫ faisant appel à différents modules interprétant des tâches bien
1. Données récupérées de DNS ou autres types de simulations en turbulence :
http ://mp0806.cineca.it/icfd.php ?uuid=09f74890f39f11dc8b1f001b6393b217)

36
définies. Ces différents modules sont décrits ci-dessous.

4.3.1 Lecture des données

Nous voulons automatiser au maximum le traitement des données, et pour cela le plus
compliqué est de pouvoir lire le maximum de formats différents. Une fois la lecture des
données faite, nous pouvons les ranger à notre manière pour faciliter leur analyse future
mais également pour diminuer le temps de calcul. Un des problèmes rencontrés lors de la
lecture des ensembles de données récupérés est la grande variété de formes et des données
en elles-mêmes,i.e des tableaux simples à 2 dimensions, des tableaux à 3 dimensions, ou
dans le cas du fichier HDF provenant de l’iCFDdtatbase, des tableaux 2 dimensions plus
une 3e qui est sous forme de tuple 2 .
Il faut aussi savoir que les fichiers de données récupérés sont créés au départ pour aboutir
à une étude précise utile au laboratoire à la base de la simulation en question. Certaines
valeurs du tableaux nous seront donc utiles (positions, vitesses Eulériennes, Lagrangienne,
accélérations, pressions ...) mais d’autres ne nous concernerons pas du tout. C’est pourquoi
après lecture, nous effectuons un tri et reformons un tableaux comprenant uniquement les
valeurs qui nous seront utiles. Ils s’agit alors d’ordonner ce nouveau tableau de manière
la plus simple et compréhensible possible, le but étant toujours de limiter au maximum
le temps de calcul.
Sur la Figure 4.3 nous présentons un petit aperçu des données que nous avons utilisées 3 ,
ici lues avec un logiciel destiné uniquement à la lecture de fichiers au format HDF, puis
lues en utilisant Python sur la Figure 4.4 :

Figure 4.3 – À gauche : Capture d’écran lors de la lecture d’un fichier de données sous
format HDF à l’aide du logiciel libre HDFView. À droite : Capture d’écran lors de la
lecture d’un fichier de données sous format HDF en utilisant Python et le module h5py.

Comme nous pouvons le voir dans les deux Figures précédentes, le fichier HDF en lui-
même est construit par arborescence. Ici, il y a un dossier principal conteneur (’DNS’), puis
à l’intérieur de celui-ci un autre dossier qui contient les données (’BEAM’). Ce cas-là est
relativement simple mais il se peut que l’on trouve d’autres fichiers avec une organisation
différente, c’est pourquoi il est vraiment important de savoir lire correctement les fichiers à
analyser. Sur le site de l’ICTR 4 nous pouvons voir une rubrique ”dataformat” qui précise
de quelle manière il est préférable de ranger les données.
Chaque module sera défini dans Python comme une fonction ; celui qui permet d’ouvrir
puis de lire un fichier HDF, sera appelé read().

4.3.2 Manipulation des données qui nous intéressent

Notre approche statistique est essentiellement centrée sur l’analyse des positions, des
vitesses et des accélérations du fluide ou des particules présentes dans le fluide. Du
2. Correspondance mathmatique : si n est un entier naturel alors un n-uplet est une collection ordonnée
de n objets, appelée composantes du n-uplet.
3. Données téléchargéesdepuis l’iCFD database2 de Federico Toschi.
4. International Collaboration for Turbulence Research : http ://www.ictr.eu/ictr.html

37
moins pour l’instant, car ce projet n’en est qu’à son commencement, et, plus tard, il
sera sûrement intéressant de regarder la statistique au sein des champs de pression, etc...
La figure 4.2 nous montre comment lire les fichiers HDF de manière très simple, mais il est
impossible d’exploiter les données qui y sont enfermées. C’est là que Python prend toute
son importance. Il suffit de séléctionner les colonnes ou lignes dont nous avons besoin,
puis de les insérer dans un nouveau tableau conçu à l’aide de Numpy.
La lecture avec HDFView nous permet de voir les entêtes des colonnes, nous choisissons
donc dans un premier temps les 6 premières colonnes de notre fichier qui correspondent
aux positions des particules ainsi qu’à leurs vitesses. Le fichier de données ’BEAM’ est
construit comme ceci :

DataSet = [time] [P article] [P roperty] (4.1)

| {z } | {z } | {z }
dimension1 dimension2 dimension3(tuple)

(Nous appelons DataSet notre fichier ’BEAM’ contenant les données issues de la DNS.)

La Figure 4.5 montre comment se fait la manipulation des données avec Python.

Figure 4.4 – Capture d’écran lors de la manipulation d’un fichier de données au format
HDF en utilisant Python et h5py.

Après avoir compris les subtilités de notre tableau, nous pouvons réfléchir à comment
accéder à des outils statistiques numériques efficaces (ie avec un coût de calcul faible)
simples à utiliser.
Il nous sera très important de connaı̂tre les caractéristiques de l’écoulement, autres que
le nombre de Stokes. Il serait idéal d’avoir accès au nombre de Reynolds, au type de
géométrie (et même les paramètres intrinsèques à la gémoétrie en question), au type de
simulation, si nous avons affaire à des données Eulériennes ou Lagrangiennes, etc...
Ce module, quant à lui, sera défini comme dataSortOut().

4.3.3 Analyse statistique (moments, PDF, ...)

Une fois de plus nous remarquons la grande polyvalence que nous apporte Python,
car des options de statistiques existent déjà dans les bibliothèques de Numpy et de Scipy.
Il nous est donc possible de calculer les moyennes, les moments, ainsi que les fonctions
de densité de probabilité sans composer la moindre formule mathématique, tout est déjà
fait.
Avant chaque analyse, il nous faut créer un tableau pour ranger ces nouvelles données
traitées. Nous pouvons ensuite appliquer nos calculs de moyennes, de moments, etc aux
valeurs de positions ou de vitesses, triées grâce au module précédent.
Ce module sera uniquement consacré au traitement mathématique des données sur lesquelles
nous portons notre intérêt, il sera appelé analysis().

38
4.3.4 Représentation graphique des données analysées
Là aussi une bibliotèque est spécialement dédiée aux outils graphiques, et il devient
extrêmement simple de représenter, par exemple, l’évolution des positions ou vitesses
moyennes de l’ensemble des particules dans le temps. Avec cette représentation en 3D,
il nous est facile de voir si le comportement moyen est plutôt calme ou très perturbé, et
c’est de manière intuitive et logique que nous chercherons à observer ce mouvement moyen
pour différents nombres de Stokes (qui sera le paramètre principal pour caractériser notre
écoulement).
Nous nommerons simplement ce module plot().

4.3.5 Rapport final

Ce dernier module devient intéressant pour l’utilisateur car si son fichier de données
est correctement lisible par notre programme, alors il n’aura qu’à lancer le traitement de
celui-ci et il obtiendra un rapport directement rédigé sous le format qu’il souhaite.
Il faut ici utiliser un autre logiciel, qui ne fonctionne qu’avec Python et qui s’appelle
Pyreport. Après quelques modifications dans le script de notre programme d’analyse, il
est facile de générer un rapport propre (avec ou sans le code source) sous tous ces types
de formats : *.pdf, *.ps, *.dvi, *.trac, *.eps, *.tex, *.rst, *.moin ou html.
Le site web de Gael Varoquaux nous a été très utile pour prendre en main Pyreport 5 .
Le format html est intéressant pour une utilisation en direct de notre programme sur un
site internet, car les résultats s’affichent automatiquement sur une nouvelle page web. Le
format *.tex est quant à lui idéal pour qui sait utiliser lateX, car une fois le rapport écrit
en lateX, l’utilisateur choisit lui-même son format final, comme le *.pdf ou le *ps par
exemple, il peut également apporter des modifications au document s’il le souhaite. Pour
l’utilisateur qui ne connaı̂t pas lateX alors il sera prévu une petite routine permettant de
compiler automatiquement au format souhaité.
Ce module sera appelé write().

Tous les modules qui viennent d’être présentés sont appelés par le programme ≪ main ≫ dans
l’ordre logique d’exécution. Il suffit simplement d’écrire (manuellement) le nom du fichier
que l’on souhaite analyser dans notre ≪ main ≫ et l’exploitation se fait automatiquement,
de la lecture des données brutes à l’écriture d’un rapport final des données analysées.
Une de nos contraintes principales est, comme déjà mentionné précédemment, le format
du fichier de données que l’on cherche à lire en entrée de notre programme. Il s’agit donc
de prendre connaissance des différents formats qui existent pour le stockage des grands
volumes de données en général, mais surtout pour celles issues de simulations numériques
des écoulements.

5. http ://gael-varoquaux.info/computers/pyreport/

39
Chapitre 5

Les données

5.1 La base de données ICTR

Notre objectif est de comprendre toujours mieux le phénomène physique complexe
qu’est la turbulence, et pour cela, nous avons décidé de commencer par mettre en place
une étude statistique automatisée des écoulements turbulents.
Une collaboration internationnale est mise en place depuis 2007, comprenant plus d’une
trentaine de laboratoires, pour unir et partager les connaissances en relation avec la turbu-
lence. Ce groupe de recherche s’appelle l’ICTR 1 . Le site web de l’ICTR est une plateforme
d’échange, est c’est ici que nous avons trouvé un lien conduisant à une base de données en
ligne d’une très grande capacité. Le physicien Federic Toschi en étant l’auteur, nous avons
naturellement cherché à nous rapprocher de lui. De plus, une partie de ces travaux est ori-
entée vers l’étude et la simulation Lagrangienne des écoulements turbulents. Ce chercheur
italien a créé cette base de données dans le but de la rendre accessible à tous et de faire
en sorte qu’elle soit continuellement alimentée par une communauté de scientifiques à di-
mension internationale. Cette base de données s’appelle ”iCFDdatabase2” 2 . Cette page
web constitue un répertoire libre de données issues de simulations d’écoulements de tous
genres, laminaires, turbulents, Eulériens, Lagrangiens, 2 dimensions, 3 dimensions, avec
propriétés thermiques ou non, etc... Ce système de partage est excellent pour la recherche
scientifique qui se retrouve accélèrée par un dynamisme d’ensemble commun à un grand
nombre de laboratoires à l’échelle internationale. De plus, la gratuité d’accès aux données
permet d’accroı̂tre la diversité et le nombre de regards qui portent leur intérêt au vaste
domaine de la turbulence.
La facilité d’accès est importante, mais ces données doivent également être lisibles facile-
ment ! C’est là que notre travail commence, dans quel format sont-elles stockées ?

5.2 Le format HDF

C’est dans le format HDF que sont stockées les données de l’iCFDdatabase2 et nous
avons donc dû apprivoiser ce format pour pouvoir utiliser au mieux les informations
contenues dans les fichiers récupérés.

5.2.1 Qu’est-ce que le format HDF ?

Tout d’abord, la signification de cet acronyme est : Hierarchical Data Format.
Après lecture de différentes définitions concernant ce format, nous pourrons dire qu’un
fichier HDF est, d’une certaine manière, un conteneur de fichiers. Les fichiers HDF peuvent
contenir une très grande quantité de données, c’est un format unique en son genre et
entiérement dédié au stockage de données. Les premiers formats HDF ont été développés
1. International Collaboration for Turbulence Research
2. http : //mp0806.cineca.it/icfd.php ?uuid=09f74890f39f11dc8b1f001b6393b217

40
au NCSA 3 puis la socièté HDF Group a été créée 4 . Ce groupe est à but non lucratif et
propose ses logiciels de lecture et de stockage de données gratuitement en ligne. Ce format
est utilisé dans le monde entier par les plus grandes entreprises et institutions telles que
la NASA, BOEING, CAT, etc.

5.2.2 Compatibilité avec Python

Python ne nous permet pas directement de prendre en charge les fichiers au format
HDF. Il nous a donc fallu trouver comment les ouvrir à partir de Python pour pouvoir
exploiter les données qu’ils contiennent par la suite. Après quelques recherches, nous
avons compris qu’il existait plusieurs solutions connues pour le couplage de HDF avec les
langages C, C++ ou Fartran, mais qu’une seule existait, encore peu utilisée, pour Python.
Il s’agit du module ”h5py” écrit par un doctorant de l’Université du Colorado, Andrew
Collette 5 . Ce module est en libre accès et son utilisation reste simple, il est conçu pour
être importé de la même manière que tous les autres et son usage est similaire à différentes
fonctions de lecture ou d’écriture déjà existantes dans Python. Notre module h5py permet
de lire les fichiers enregistrés sous la dernière version, HDF5, mais bien évidemment aussi
ceux des versions plus anciennes.

5.3 Ouverture quant aux données à exploiter

Nous cherchons bien entendu à stantardiser notre programme et pour cela nous ferons
en sorte de pouvoir lire des formats autres que le HDF.

5.3.1 netCDF
Nous avons déjà connaissance de netCDF : network Common Data Form qui contient
déjà en lui-même certaines fonctions propres au stockage des données et peut également
être défini comme un format de données “auto-documenté”. C’est-à-dire qu’un en-tête
décrit la disposition des données dans le reste du fichier, et en particulier des tableaux
de données. C’est un format qui reste très polyvalent grâce à l’indépendance qu’il montre
face à l’architecture materielle qui permet la création, l’accès et le partage de données
scientifiques.
NetCDF est un projet entièrement réalisé par une communauté de checheurs soucieux
de vouloir comprendre les mouvements naturels à grande échelle (dans l’atmosphère),
l’UCAR (University Corporation for Atmospheric Research. C’est une entité du savoir à
but non lucratif qui regroupe un nombre considérable de centres de recherche tels que
,par exemple : la NSF, la NOAA, la NASA, la FAA, et l’EPA 6 . Le site web de Unidata 7
héberge tout ce qui est en lien avec netCDF.

5.3.2 The JHU Turbulence Database Cluster (TDC)

La TDC 8 est developpée en tant que ressource libre par l’Université John Hopkins,
parrainée par la NSF 9 . C’est en fait un portail permettant l’accès à une énorme base de
données concentrée sur le cluster 10 de l’Univrsité John Hopkins. Pour l’instant, encore
3. National Center for Supercomputing Applications
4. http ://www.hdfgroup.org/
5. Andrew Collette, research scientist at the University of Colorado’s, Laboratory for Atmospheric
and Space Physics. Personal website : http ://alfven.org/wp/
6. Dans l’ordre de citation : National Science Foundation, National Oceanic and Atmospheric Admin-
istration, National Aeronautics and Space Administration, Federal Aviation Administration, Environ-
mental Protection Agency
7. http ://www.unidata.ucar.edu/
8. http ://turbulence.pha.jhu.edu/
9. National Science Foundation
10. “grappe de serveurs” fonctionnant comme un seul système et permettant de très lourds calculs
impossible à réaliser avec une machine normale.

41
très peu de données sont disponibles sur ce site, dans le sens où deux possibilités nous
sont offertes :
– La DNS en 3 dimensions d’un écoulement turbulent isotrope pour un fluide incom-
pressible ;
– La DNS permettant la résolution des équations de la magnéto-hydrodynamique
incompressible.
Tout ceci étant accessible pour 1024 pas de temps, donc par l’intermédiaire d’un maillage
comprenant 1024 nœuds dans chaque direction utilisant une méthode pseudo-spectrale
et en forçant les grandes échelles. Nous pouvons penser au fait qu’il serait possible de
travailler en utilisant ce portail pour le futur, pour certains besoins spécifiques.

5.3.3 eFluids
Le site web eFluids 11 fonctionne de la même manière que la TDC, c’est un portail
permettant l’accés à une base de données libre. Ce portail est mis à jour et complété par
une très grande communauté de scientifiques évoluant dans des laboratoires du monde
entier, principalement aux USA mais également en Suède, en Australie, en Allemagne, en
Irlande, etc... La diversité de ses sources fait sa force et les domaines visés sont aussi bien
l’ingénierie, la recherche ou l’enseignement.

11. http ://www.efluids.com/efluids/pages/databases.html

42
Quatrième partie

Résultats

43
Dans cette partie, nous décrirons les résultats de nos analyses, basés sur les données
décrites précédemment. À part dans le cas du rapport automatisé qui fonctionne avec
le schéma détaillé dans le Chapitre 4, nous utilisons une routine pour l’analyse statis-
tique complète de la description des données en turbulence lagrangienne. Du point de vue
théorique, la descritpion systématique de l’influence du nombre de Stokes sur la statis-
tique des particules n’est pas toujours très bien comprise.

44
Chapitre 6

Analyse numérique et
interprétation

Nous présentons ici des résultats à titre d’exemple pour plusieurs nombres de Stokes
tels que St = 0.99, St = 19.99, St = 39.99 et St = 60, la différence qui sépare ces nom-
bres nous laisse supposer un effet marqué sur les résultats attendus. Nous démontrons
également dans le Chapitre 4 comment notre programme d’analyse lit les attributs des
données récupérées, assemble les quantités analysables et finalement affiche les résultats.
À la fin de chaque section nous donnerons une brève explication pour terminer avec une
étude comparative à la fin du chapitre.

Dans un premier temps, il s’agit de déterminer les paramètres d’entrée : les informa-
tions nécessaires au minimum pour un ensemble de données en turbulence incompressible
sont le nombre de Reynolds et les détails de la géométrie. Dans le cas d’un écoulement
anisotrope nous préférerons connaı̂tre la direction selon laquelle la moyenne est effectuée,
comme dans le cas d’un écoulement en conduite.

Dans notre cas d’essai, nous choisirons les données optimales correspondant à un
écoulement homogène isotrope issues d’une simulation spectrale de la turbulence. Les
particules entraı̂nées sont soumises à la correction de Faxén mais pas à celle de Basset
(cf. Section 3.2.2).

6.1 Schéma général

Nous décrivons dans un premier temps le mouvement général de l’écoulement comme
le produit l’analyse, à titre d’exemple nous commmencerons par observer le cas St =
0.99. Premièrement, nous affichons les trajectoires de plusieurs particules choisies arbi-
trairement dans un graphique 3D, dans le but d’obtenir une représentation, explicite,
du mouvement des particules (cf. Figure 6.1 ). La même est réalisée pour la vitesse (cf.
Figure 6.2 ). L’observation de ces graphiques permet à l’utilisateur de se faire une idée
des fluctuations engendrées par la turbulence. Bien entendu, les valeurs moyennes de la
position et de la vitesse sont calculées et contrôlées pour la stationnarité, l’homogénéité
et l’isotropie dans l’analyse des variations temporelles, spatiales et directionnelles. C’est
la première étape pour caractériser les données.
Par cette représentation il nous est possible de voir nettement le caractère turbulent ,
donc ”aléatoire”, du mouvement des particules. Nous sommes ici dans le cas d’un nombre
de Stokes très faible donc nous savons que les particules suivent presque sans écart le
mouvement du fluide qui les emporte.

La trajectoire moyenne ainsi que la vitesse moyenne de toutes les particules ont
également été représentées graphiquement (respectivement Figure 6.3 et Figure 6.4 ).

45
Figure 6.1 – St = 0.99, 3 different Particules trajectories, T = 3300 × dt.

Figure 6.2 – St = 0.99, 3 different Particles velocities, T = 500 × dt.

Ce qui est représenté ici est la moyenne des positions < x >, < y > et < z > pour les
1280 particules de nos données à chaque pas de temps dt. Au passage, on constate que
cette position moyenne évoluant dans le temps suit une certaine direction, comme une
trajectoire. Ceci n’était pas forcément attendu sachant les propriétés de la simulation,
toutes les particules semblent se diriger vers le même endroit.
Nous trouvons un ensemble de données très stationnaires avec des fluctuations con-
stantes à travers le temps et l’espace. Bien sûr, le théorème central limite doit être vérifié
et nous reconnaissons le fait que la variance diminue avec l’augmentation de la quantité
de données prises en compte.

Physiquement, des questions très importantes ont été formulées pour les statistiques de
la vitesse et de l’accélération. En particulier, l’accélération des particules est une quantité
cruciale car elle correspond à la force que le fluide exerce sur la particule, comme nous le
voyons dans l’équation de Maxey et Lumley (equation (3.16)) où la traı̂née de Stokes va
agir de telle sorte à amortir les forces du fluide sur la particule. Les autres forces comme

46
Figure 6.3 – St = 0.99, Mean position of 1280 Particules, T = 3300 × dt.

Figure 6.4 – St = 0.99, Mean velocity of 1280 particles, T = 3300 × dt.

la correction de Faxén, la force de Basset, et le terme de masse ajoutée sont aussi des
facteurs qui influencent l’accélération. Dans la simulation étudiée ici, elles sont négligées
et le nombre de Stokes est le paramètre caractéristique de la réponse de la particule à la
force du fluide environnant.
Nous pouvons observer sur la Figure 6.5 la représentation en 3D de l’accélération d’une
particule évoluant dans le temps et l’espace. On peut y voir de grandes variations avec
une amplitude allant de 0 à 16 000 m.s−2 , ce qui est très important.
Si l’accélération est statistiquement moyennée, nous nous attendons à une distribution
normale de celle-ci, mais étant donné les connaissances au sujet des scalaires passifs 1 et
de l’advection des particules, ce n’est finalement pas ce qui est le plus certain.
Pour pouvoir mieux apprécier ou valider nos suppositions, nous avons jugé important de
mettre au point un outil permettant la comparaison des statistiques des accélérations des
1. Dans la théorie de la turbulence, on parle de scalaire passif lorsque la quantité scalire considérée
n’a pas d’influence sur le fluide (ce n’est pas le cas pour la température)

47
Figure 6.5 – Represation of the acceleration of one particle made by F.Toschi and
E.Bodenschatz[22].

particules pour différents nombres de Stokes. C’est ce qui a donc été réalisé lors de ce
stage.
Après la description des résultats obtenus, nous proposons une très brève présentation
des différences pour certaines valeurs de Stokes .

6.2 Quelques résultats statistiques

Une partie du travail réalisé ici a été d’effectuer des réductions, c’est-à-dire que nous
avons considéré les cas non isotropes, non homogènes et non stationnaires, mais que par
simplification nous nous sommes contentés du cas de la THI. Nous concentrons notre
travail sur l’étude numérique ou l’estimation des PDF et ne montrons pas l’analyse en
termes de fonctions de structure (qui est plus utile essentiellement pour caractériser le
phénomène d’intermittence dans un écoulement eulérien). Pour les données lagrangien-
nes, nous avons besoin de compliquer le maillage de la simulation, ce qui implique une
augmentation importante du temps de calcul. L’idéal pour cette étude serait alors d’u-
tiliser la méthode de la “pair dispersion” (voir Section 3.2.3). Récemment, le volume de
dispersion a été étudié à l’aide de la méthode des tétraèdres qui nous apporterait les
informations nécessaires. Or, les ressources numériques dont nous disposons sont limitées
et nous ne pouvons pas nous lancer dans cette partie actuellement. Nous ne détaillons
pas cette méthode dans ce mémoire Ce programme n’étant encore qu’un prototype, il est
compréhensible que nous n’ayons pas investi de plus gros moyens uniquement pour porter
ces étapes préliminaires à un stde plus avancé du développement. Mais nous gardons à
l’esprit et sur papier les calculs réalisables qu’il serait intéressant d’approfondir lorsque
nous aurons les moyens nécessaires à disposition.

Nous affichons maintenant successivement les figures des PDF pour les positions, la
vitesse et l’accélération (des particules et non du fluide) pour un nombre de Stokes de
0,99. Par soucis de lisibilité nous affichons plusieurs histogrammes de la quantité analysée
pour plusieurs pas de temps. Le rendu final peut paraı̂tre approximatif mais ceci reste un
bon moyen de visualiser les PDF.

À quoi nous attendons-nous avec le nombre de Stokes ?

48
Comme expliqué dans la Section 3.2.1, le cas St ∼ 1 correspond à la situation où les temps
caractéristiques du fluide et des particules sont égaux, c’est donc un cas très particulier.
Qualitativement nous pourrions comprendre que c’est la situation critique pour laquelle
les particules et le fluide ont une influence maximale l’un sur l’autre, ceci va amener le
phénomène d’intermittence et donc modifier ce que nous supposions sur les ”prédictions”
possibles du mouvement des particules. L’accélération du fluide environnant peut être
amplifiée par la particule. La forme générale de la statistique correspondante sera un
profil trés large et aplati, et donc très peu Gaussien. Ce résultat observé sur la forme
des PDF des accélérations des particules dans l’espace va également nous informer sur
la répartition des particules en elle-même. Le profil très éloigné du Gaussien pour les
accélérations nous laisse supposer une diffusion anormale des particules, visiblement une
superdiffusion (c’est-à-dire plus rapide que dans le cas Brownien d’une marche aléatoire),
qui fera tendre le sytème (fluide - particules) vers un état mixte entre régime laminaire et
turbulent.Cette instabilité évoluera probablement assez rapidement et s’approchera peut-
être d’un comportement exponentiel. Cette supposition nous vient du fait que lors de
l’étude de la dispersion entre deux particules, leur diffusion évolue selon un comportement
exponentiel.
Pour terminer, il faut comprendre qu’il ne s’agit pas obligatoirement d’une transition d’un
régime à un autre mais d’un comportement instable qui tend à se stabiliser.

Les positions :
Dans le cas des positions, ceci nous informera sur la distribution des particules au sein
du fluide, c’est ce que nous montrent la Figure 6.6.

Figure 6.6 – St = 0.99, PDF of positions. Left : X, Middle : Y, Right : Z, each calculated
for 1280 particles and 200 time steps.

Figure 6.7 – St = 0.99, PDF 3D of positions for 1280 particles and 20 time steps.

Nous constatons que la distribution des particules n’est pas Gaussienne et surtout

49
selon la direction Z. Cette information sur Z pourrait nous apprendre que la répartition
des particules n’est pas complètement isotrope.
Il est également possible de réaliser une représentation 3D de la répartition des particules
dans l’espace, mais une fois de plus le problème des ressources numériques limitées fait
son apparition car cette projection demande beaucoup d’énergie. Nous le montrons sur
la Figure 6.7 pour seulement 20 pas de temps. Il est très difficile de remarquer quelque
chose de valable sur un si petit temps d’étude et même si un constat sur une partic-
ularité est faisable alors il serait délicat d’en tenir compte. Cette représentation est ici
pour démontrer les possibilités du programme que nous avons élaboré. Néanmoins, nous
observons une vertaine homogénéité dans l’ensemble de la répartition des paritucules.

Les vitesses :
Les représentations des PDF des vitesses sont obtenues de la même manière que pour
les positions, c’est-à-dire par l’accumulation des histogrammes des différentes valeurs des
vitesses. Nous constatons que les vitesses sont centrées en zéro, ce qui nous permet de
calquer une fonction Gaussienne sur ces histogrammes. Nous pourrons ainsi plus aisément
comparer un comportement général Gaussien ou non, ce qui est visible sur la Figure 6.8.

Figure 6.8 – St = 0.99, PDF of velocities. Left : Ux, Middle : Uy, Right : Uz, each
calculated for 1280 particles and 100 time steps.

Nous constatons que nos histogrammes n’ont toujours pas une forme Gaussienne mais
qu’ils en sont moins éloignés que pour les positions. Il est également possible de constater
cet écart à l’aide d’une représentation semi-logarithmique des PDF, nous l’utiliserons dans
la suite de ce Chapitre pour approcher la mise en évidence du phénomène d’intermittence.
Une représentation 3D de la répartition de la vitesse est également réalisable (Figure 6.9 ),
mais comme dans le cas des positions, les ressources numériques nous obligent à limiter
le nombre de pas de temps pris en compte.

Figure 6.9 – St = 0.99, PDF 3D of velocities for 1280 particles and 10 time steps.

50
Les accélérations :
Les fichiers HDF de Federico Toschi que nous utilisons ne contiennent pas d’informa-
tions sur l’accélération des particules, c’est pourquoi nous la calculons nous-même par la
méthode la plus simple qui existe :
uti − uti−1
a(ti ) = (6.1)
ti − ti−1
Nous obtenons ainsi des valeurs de l’accélération pour chaque particule à chaque pas de
temps.

Le procédé pour obtenir les PDF est le même que précédemment, nous pouvons donc
analyser la Figure 6.10 correspondantes possédant elles aussi le tracer d’une fonction de
Gauss.

Figure 6.10 – St = 0.99, PDF of accelerations. Left : Ax, Middle : Ay, Right : Az, each
calculated for 1280 particles and 100 time steps.

Il est évident ici que les profils des PDF des accélérations ne sont pas Gaussiens mais
nous pouvons tout de même remarquer que la répartition est toujours centrée en zéro.
La Figure 6.11 nous montre une fois de plus la représentation en 3D de la répartition
de l’áccélération des particules dans l’espace.

Figure 6.11 – St = 0.99, PDF 3D of accelerations for 1280 particles and 10 time steps.

Ce que nous voyons sur la Figure 6.11 est plutôt intéressant car inattendu. Les par-
ticules ont l’air d’être concentrées en zéro selon Y et Z (ce qui correspondrait à une
forme d’homogénéité de l’accélération selon ces directions) mais l’évolution est totalement
différente selon la direction X. On peut constater une répartition allongée qui semble d’une
certaine manière se “propager” selon cette axe, comme si l’accélération évoluait le long de
→
−
X . Il faut garder à l’esprit que nous avons représenté cette répartition des l’accélérations
des particules uniquement pour 10 pas de temps, ce qui nous laisse supposer un très grand

51
allongement sur un temps plus long.

6.3 Influence du nombre de Stokes :

L’analyse détaillée au-dessus est très coûteuse et trop approfondie pour établir une
étude comparative complète pour beaucoup de nombres de Stokes différents. C’est pourquoi
dans cette partie, nous présentons un extrait des résultats les plus importants pour des
particules caractérisées par des nombres de Stokes de 0.99, 20, 40 et 60. Ceci dans le but
d’obtenir un aperçu du changement des propriétés statistiques des trajectoires correspon-
dant aux données analysées.

Il est vraiment important de comparer la statistique de la vitesse du fluide et des par-

ticules car nous avons ainsi un aperçu de la réponse des particules soumises à un champ
externe.

6.3.1 À un temps fixé

Les positions :
Nous avons premièrement affiché sur la Figure 6.12 les valeurs moyennes des fluctua-
tions des positions des particules pour un seul pas de temps sur une même représentation
pour différents nombres de Stokes.
Les fluctuations sont calculées comme expliqué dans la partie 2.3.1, en soustrayant la
valeur moyenne des positions à chaque positions de chaque particule :

x i = Xi − X (6.2)

Figure 6.12 – Mean fluctations of positions for different Stokes number and 1 dt.

Nous pouvons réaliser ce graphique uniquement pour 4 valeurs du nombre de Stokes,

une fois de plus car les ressources numériques ne nous permettent pas de lire un plus
grand nombre de fichiers de données (du moins pour des fichiers aussi lourds). Il faut
néanmoins savoir que les fichiers de données de Federico Toschi sont très complets et que
les simulations ont été réalisées pour chaque unité du nombre de Stokes de 1 à 60 .

La représentation de l’évolution des fluctuations des positions en fonction du nombre

de Stokes affichée ici n’est pas assez précise pour que nous puissions réellement l’exploiter.
Mais nous pouvons tout de même observer de très grosses variations suivant la direction
→
−
X.

52
Dans le cas de cette étude des fluctuations des positions à un temps fixé, nous avons
également voulu tracer la variance en fonction du nombre de Stokes, que nous pouvons
voir sur la Figure 6.13.

Figure 6.13 – Standard deviation of positions for different Stokes number and 1 dt.

Sur cette figure, nous n’observons pas d’homogénéité, ce qui n’est pas normal, c’est
très probablement dû à une statistique trop faible, et avec plus de particules et plus de
pas de temps nous pourrions nous attendre à de très fortes similitudes entre ces trois
courbes.
D’un autre côté, si on essaie d’analyser le peu que l’on peut voir, alors on constate que
la dépendance du nombre de Stokes est différente suivant les directions. Nous observons
une augmentation selon y et z mais une diminution selon x. Ceci peut être possible,
lorsqu’une très grosse structure fluctuante (un gros tourbillon) domine le flux durant le
temps d’étude. Ce qui entrı̂ane le fait que la direction de l’écoulement impose finalement
moins de fluctuations que le courant traversant celui-ci.
Ce cas est aussi possible pour les particules, et il serait intéressant de déterminer quali-
tativement, quelle serait la dépendance des champs du fluide et des particules.
Il est également tout à fait faisable de calculer les fluctuations de vitesses (du fluide
et des particules) ainsi que celles des accélérations.

Les vitesses :
Pour le cas des fluctuations de vitesses, le calcul est du même type, mais la puissance
nécessaire est trop importante pour pouvoir analyser plus de 3 fichiers de données. Ce qui
est vraiment dommage car l’idéal serait de pouvoir observer cette évolution de manière
beaucoup plus détaillée, par exemple avec 10 nombres de Stokes différents. Nous placerons
ici deux grahiques qui se suivent, pour nous permettre une étude un petit peu plus réelle.

Figure 6.14 – Mean fluctations of velocities v and u for different Stokes number and 1
dt.

Malgré le manque de précision, nous pouvons voir sur la Figure 6.14 que les fluctua-
tions des vitesses du fluide et des particules restent relativement centrées en zéro quelque

53
soit le nombre de Reynolds. Le comportement général est très particulier et nous voyons
clairement que les fluctuations sont presque identiques pour des nombres de Stokes à
peine inférieurs à 20 et à 60.
Cette étude serait à approfondire dans le futur, par exemple pour comprendre les vari-
ations d’énergie engendrées par les fluctuations en fonction de l’influence des particules
sur le fluide ou inversement.

Nous considérons ici la vitesse quadratique, qui nous permet d’avoir un comportement
global des vitesses. Ce sont les conditions d’homogénéité et d’isotropie qui nous permettent
ceci :
q
V = Vx2 + Vy2 + Vz2 (6.3)

Nous pouvons ensuite réaliser un graphique avec un intérêt plus statistique. Nous
calculons la moyenne des moments d’ordres 2, 4 et 6 des vitesses de chaque particule pour
différents nombres de Stokes à un pas de temps (Figure 6.15 ).

Figure 6.15 – Moments of particules velocities v for different Stokes number and 1 dt.

Puis nous traçons les rapports de la moyenne des moments 4 et 6 sur la moyenne des
moments 2 au carré et au cube sur la Figure 6.16.

Figure 6.16 – Moments 4 / (moment 2)2 and moment 6 / (moment 2)3 of particules
velocities v for different Stokes number and 1 dt.

Les moments des vitesses des particules vont en fait correspondre à la quantité de
mouvement des particules, et par la suite peuvent nous informer sur la densité en partic-
ules du système.
Pour le cas d’une concentration en particules beaucoup plus élevée, les moments des
vitesses des particules nous renseigneraient sur les collisions ainsi que sur la fragmenta-
tion des particules au sein du système fluide-particules.

54
Nous ne le réaliserons pas ici mais les moments des accélérations des particules nous ap-
porteraient des informations sur la force des particules.

Représentation semi-logarithmique des PDF :

Pour mettre en évidence explicitement la dépendance fluide-particules en fonction du

nombre de Stokes, nous avons décicidé de tracer les représentations semi-logarithmiques
des PDF des vitesses des particules et du fluide sur le même graphique et pour différents
nombres de Stokes. C’est la Figure 6.17 qui correspond à cette représentation.

Figure 6.17 – Semi logarithmic representation of PDF of fluid and particles quadratic
velocities for Stokes number a) 0.99, b) 19.99, c) 39.99 and d) 60.

Dans le cas a) d’un nombre de Stokes de 0.99, les PDF des vitesses des particules et du
fluides sont quasiment égales, elles possèdent presque exactement la même distribution.
Alors que lorsque le nombre de Stokes augmente, on constate que l’écart séparant ses
deux distributions augmente jusqu’à nous montrer une quasi indépendance entre la PDF
de la vitesse du fluide et celle des particules.
Par cette figure nous pouvons une fois de plus valider qualitativement le lien qu’impose
le nombre de Stokes entre le fluide et les particules. On observe clairement que pour un
nombre de Stokes petit la dépendance entre ces deux quantités sera très grande ,une forme
d’homogénéité du système fluide-particules, alors que pour un grand nombre de Stokes
nous tendrons vers un état du système de moins en moins lié (système hétérogène).

6.3.2 Évolution temporelle

Dans la partie précédente nous avons décrit l’évolution en fonction du nombre de
Stokes de la statistique du mouvement des particules pour un seul pas de temps, mais
maintenant nous allons étudier l’évolution temporelle en fonction du nombre de Stokes
des statistiques de l’écoulement. Les graphiques réalisés dans la Section 6.2 pour le cas
d’un nombre de Stokes de 0.99 sont utilisables ici.
Comme nous l’avons montré précédemment, il est difficile d’afficher les PDF pour la
totalité des pas de temps de manière efficace. C’est pourquoi les PDF de quelques pas de
temps seulement sont proposées.
Nous ne regarderons pas la répartition des particules en fonction du nombre de Stokes
mais directement les PDF des vitesses et des accélérations. Nous observons différents
profils pour différents nombres de Stokes.
Pour permettre une étude comparative plus générale nous utilisons également la vitesse
ainsi que l’accélération quadratique des particules pour 100 pas de temps. La méthode

55
utilisée est une fois de plus l’accumulation d’histogrammes répertoriant les valeurs des
vitesses et des accélérations. La vue globale de ces histogrammes nous permet de faire
une analogie avec la représentation d’une fonction de probabilité.

Figure 6.18 – For 100dt, Pdf of mean particles quadratic velocities for Stokes number
a) 0.99, b) 19.99, c) 39.99 and d) 60.

Sur la Figure 6.18 la première remarque à faire est que la vitesse n’est pas du tout
centrée en zéro mais plutôt aux alentours de 2. Ce qui pourrait éventuellement nous
apporter une information sur le mouvement général de la simulation.
Mais nous remarquons surtout la différence importante de distribution dans le cas d’un
nombre de Stokes de 60. Alors que pour les nombres de Stokes plus faibles la forme de la
distribution semble plutôt régulière et se concentrer de manière presque homogène autour
de la même valeur, le dernier cas quant à lui posséde une forme complètement irrégulière.
De plus, l’histogramme réalisé est le résultat d’une accumulation de distributions pour
100 pas de temps ce qui nous pousse à croire qu’en visualisant chaque pas de temps cas
par cas il n’y aurait quasiment aucune ressemblance de forme entre eux. Le seul point
sensiblement similaire est la concentration aux alentours de la même valeur, 2.

Figure 6.19 – For 100dt, Pdf of mean particles quadratic accelerations for Stokes number
a) 0.99, b) 19.99, c) 39.99 and d) 60.

Le cas de l’accélération (Figure 6.19 ) est du même genre mise à part qu’un changement

56
est observable à partir d’un nombre de Stokes de 40. On constate sur les histogrammes
c) et d) un applatissement de la distribution qui laisse supposer une légère augmentation
de la concentration de la distribution sur une même zone, donc une ”homogénéisation”
de l’accélération vers des valeurs plus petites. Cette perte d’accélération se comprend par
l’augmentation de l’importance des particules par rapport au fluide, par exemple l’aug-
mentation de la masse des particules. Des particules plus lourdes sont moins soumises à
l’influence d’entraı̂nement du fluide et leur accélération sera donc moins importante.

La représentation en 3D est intéressante à regarder mais, comme dit plus tôt, le nombre
de pas de temps pour l’observation est très limité en raison du coût de calcul important.
Nous proposons tout de même de l’afficher pour 20 pas de temps sur la Figure 6.20 :

Figure 6.20 – For 20dt, 3D distribution of mean particles quadratic accelerations for
Stokes number a) 0.99, b) 19.99, c) 39.99 and d) 60.

Il est impossible de tirer de conclusion ou d’obtenir une information utilisable sur un

temps d’étude si court. Nous remarquons tout de même que la forme générale des distribu-
tions est plutôt ellipsoı̈dale et allongée, probablement suivant le direction de l’écoulement
quelque soit le nombre de Stokes. En observant les unités, on constate quand même que
l’amplitude générale de la distribution pour un nombre de Stokes de 60 est plus impor-
tante. Une observation sur un domaine temporel plus grand nous apporterait probable-
ment une répartition beaucoup plus homogène dans l’espace de l’accélération.

6.3.3 L’intermittence
Comme mentionné dans la Section 2.4.4, l’étude du phénomène d’intermittence re-
quiert une très bonne statistique des vitesses des particules et du fluide. Dans notre cas
il s’agirait de moyenner la totalité de ces valeurs en temps et en espace, ce qui nous est
numériquement impossible pour l’instant.
La méthode principale connue pour mettre en évidence l’intermittence est l’étude de la
forme générale des PDF des incréments de vitesse.
t N’ayant pas pu réaliser nous-même des graphiques nous permettant la mise en évidence
de l’intermittence, nous nous appuierons sur les travaux de Laurent Chevillard, publiés
dans son mémoire de thèse [23]. La Figure 6.21 nous montre très bien ce que nous cher-
chons.

57
Figure 6.21 – Représentations graphiques de l’intermittence avec commentaires,
provenant de la thèse de Laurent Chevillard [23].

Pour obtenir ce genre de courbe, il nous aurait fallu détérminer pour quelle quantité
temporelle (le pas de temps) τ , exprimée dans l’équation 2.22, une visualisation de l’in-
termittence était possible. Car bien entendu il faut absolument se placer dans l’échelle
inertielle. Pour cela nous devons connaı̂tre l’échelle intégrale temporelle T , qui peut être
défini par T = L
σ (avec L = l’échelle intégralle spatiale et σ la racine carrée de la variance
de la vitesse Lagrangienne).
Après avoir obtenu ces quantités, en connaissant les caractéristiques de l’écoulement, nous
aurions pu nous placer dans le cas de coefficient Tτ cohérents (tels que ceux appliqués par
Laurent Chevillard).
Il est plus facile d’apprécier la forme non Gaussienne des densités de probabilité des
incréments sur une représentation semi-logarithmique. Nous constatons un aplatissement
des PDF vers les extérieurs des courbes, c’est-à-dire pour des incréments de vitesses plus
grands 2 .

C’est ainsi que se termine ce chapitre d’analyse des résultats. Nous avons fait de notre
mieux pour décrire et interprêter les graphiques obtenus même si nous avons conscience
qu’ils ne sont qu’à un stade de ”brouillon” en quelque sorte et que leur précision ou leur
esthétique ne sont pour l’instant idéales. Nous tenons à indiquer que les généralisations
et spécificités de calculs mentionnés précédemment feront l’objet de travaux futurs, en
particulier en ce qui concerne l’analyse automatisée des données directement depuis la
base de données.

2. Remarque : la probabilité de rencontrer un incrément de vitesse de particule plus grande est plus
importante que dans le cas d’un processus de Wiener (qui est le processus stochastique permettant
l’expression du mouvement Brownien

58
Cinquième partie

Discussion et Conclusion

59
Comprendre la turbulence. Voilà ce qui pourrait être rapporté si quelqu’un nous posait
la question du but de nos travaux. Sans aucun doute, la motivation principale était de
pouvoir enrichir nos connaissances et d’apporter un outil le permettant aux intéressés.
La mise en place d’un tel projet fut longue et laborieuse, car quoi de plus complexe
lorsqu’il s’agit de commencer à partir de rien. Sans même savoir s’il était possible de le
concrétiser. Une suite d’idées désordonnées, de discusions, intéressantes, parfois floues,
face à un vaste océan de questions ouvertes.

La physique de la turbulence pose problème. Les moyens numériques sont poten-

tiellement présents pour résoudre des problèmes. Alors maintenant, comment coupler ces
deux mondes si différents ? C’est à cette question que nous avons tenté de répondre en
réfléchissant à la conception de ce programme, qui un jour peut-être, sera capable de nous
offrir des réponses en toute simplicité.
La rapidité de calcul et la précision que peut nous apporter un ordinateur est tout sim-
plement indispensable à la compréhension des mouvements d’un fluide turbulent. Leur
modélisation nécessite une puissance numérique incroyable, alors imaginez-vous ce qu’il
en est pour la détermination d’un modèle de prédictions. Permettre une analyse statis-
tique nous permettant d’accumuler le maximum d’informations sur les mouvements prob-
ables d’un tel fluide était notre idée. Nous nous sommes finalement laissés tenter pour
utiliser des données issues de simulations numériques d’écoulements turbulents entraı̂nant
des particules, de masses relatives différentes, nous informant sur l’influence réciproque
qu’avaient les particules sur le fluide, et inversement.

La standardisation était une autre ligne directrice de notre projet. Car bien sûr, des
logiciels du même genre avaient déjà été pensés, mais à chaque fois pour rester au sein
du laboratoire de son créateur, avec un triste usage unique, ou presque.
Notre idée était donc d’apporter une base de logiciel pouvant être utilisé, manipulé, retra-
vaillé par n’importe quel individu possédant des notions en programmation et souhaitant
un tel outil pour analyser statistiquement de gros volumes de données. D’où l’utilisation
de Python, ce langage totalement libre, ainsi que GitHub, permettant une interaction
avec le monde des développeurs.
L’apprentissage de Python a été assez rapide et facilité par la communauté d’adeptes
présente en permanence sur le web. Les forums nous ont permis de prendre connaissance
de modules en tout genre, apportant des possibilités sans limite à ce langage. Les expli-
cations et tutoriels relatifs ont parfois été accompagnés de discussions avec des experts,
en toute simplicité, mû par l’esprit d’entraide.

Après quelques mois de travail, le ciel semblait s’éclaircir doucement au-dessus de nos
têtes, et la vue de notre projet commençait à être satisfaisante. Certaines parties ont été
dures et décourageantes, mais d’autres ont su nous redonner confiance, comme la per-
spective de finaliser notre analyse par un rapport rédigé automatiquement dans le format
demandé, sans intervention de l’utilisateur. Nous pouvons maintenant considérer cette
”découverte” comme une récompense à nos efforts.

L’aspect mécanique des fluides de ce stage a été une part très importante mais ne se
ressent pas énormément dans le programme en lui-même. Ce dernier est plus axé sur la
statistique pure et non sur l’interprétation physique correspondante, car très complexe et
notre analyse n’est pas suffisamment importante pour l’instant.
Cependant, le niveau de connaissances que nous en avons tiré est vraiment appréciable.
Nous n’avions étudié que très brièvement les mouvements des particules en cours durant
les cours de Master, et essentiellement le cas de la sédimentation, très différent de la tur-
bulence. Mais apprendre quels pouvaient être les résultats des interactions entre fluides et
particules au sein d’écoulements turbulents a été passionnant. Rechercher les théories et
nombres adimensionnels les plus courants, les simulations et hypothèses couramment im-
posées en fonction des cas d’études, les représentations du chaos généré par la turbulence,
tant de temps passé à apprendre et comprendre. Nous pouvons dire que la partie bibli-

60
ographique à la base de ce travail fut assez difficile, surtout le fait de se replonger dans les
théories relatives aux statistiques, aux probabilités ou encore aux processus stochastiques,
qui ne correspondent pas aux derniers enseignements reçus.
La découverte d’un phénomène tel que l’intermittence a été très motivante. Nous avons
été poussés par l’envie de comprendre l’origine de ce phénomène ou de connaı̂tre le pre-
mier auteur de cette hypothèse. Se renseigner sur les travaux réalisés pour mettre en
évidence celui-ci, et même tenter de les reproduire était parfois la seule idée que nous
avions en tête. Si le temps nous l’avait permis et que les données utilisées avaient contenu
assez d’informations, nous aurions probablement réussi à obtenir des courbes lisibles et
compréhensibles pour observer l’intermittence. Malheureusement nous n’avons pas pu.
Néanmois, l’import est que l’idée, elle, soit toujours là.

Comme nous venons de le mentionner, ce travail préliminaire nous a pris énormément

de temps et l’analyse en elle-même se voudrait plus poussée. Idem pour l’esthétique
générale du rapport final engendré par celle-ci. Comme expliqué précédemment, nous
avons avancé à tâtons, sans certitude d’un résultat viable.
Même si beaucoup de choses sont encore à faire, nous sommes satisfaits de l’avancement
actuel des choses. Nous sommes arrivés à rendre ce programme utile et pratique. De plus,
le fait que le projet ait séduit la communauté scientifique est gratifiant et rassurant, car
il ne sera pas laissé à l’abandon et continuera d’évoluer dans de bonnes conditions.

61
Annexe A

Organigramme

Dans cette annexe, nous présentons un supplément à l’organigramme avancée dans la

Section 4.2.
Il s’agit une fois de plus d’une ébauche et ne constitue pas la version finale. Il est présenté
dans l’état actuel de son avancement.

62
ut Ar"alz).. DAta

f
-··········----------------------------~~:~---------------------------------,
n truc·turedJ
Buif'ü ~taJ ys i s G~a i n
\

R~o:g -:·rr-: rty

C>-Ot
\ /
'-·--·--·-·~-·--·--·' ----------------~--
•••• .... ......

-
\ •1
f
'' 1
1
1

' 1

<.....Q c>

Q
'
•> •
. ..
•"- _..• ;;, 0
F 11 ;;r
~ •n 0
~
~- 0' •
3
~
a·
• •
""
1

••
..
' ' :z: .. •+
..• ••
••
• •'
0

••
::J ; . l·,- 0

..
•,
•,v• 1
.:.:-- •... ......
0

~~
3

..•• • ~~
•• .. "
~

.. ·-
•- &< !
'
<
0 ~ 0
a
" §
..
0 0
6
•
I
<
0
a
Annexe B

Exemple du Code source

développé

Le morceau de code affiché ci-dessous est proposé à titre démonstratif. Il correspond

à un aperçu des morceaux de scripts développés lors de ce stage mais n’est en aucun cas
le programme en lui-même.

Nous pouvons y voir la forme générale du langage utilisé, qui permettra peut-être à
certains de se faire une idée de la démarche suivie.

Des commentaires seront présents dans la totalité du code source ainsi qu’un tutoriel
sur la page GitHub correspondante. Un fichier “Read me” attaché au logiciel est également
prévu.

65
! " #

"
#
!$ % & %

#
## #

#

'( ) #*

'++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
'
'
+", -(.//" 01
+ -0
+23(4
5+ -0
6+27&84
9+ -60
'
': ($ # +.//
'
;( ;9

%

#: +24

<+9 -- 9-92.40 9-92.4000

=+9 -- 9-92.40 9-92.4000
>+9 -- 9-92.40 9-92.4000

?+.
* ?@%%..

+.
* @56A.

<2? 4+92?42 42.4
=2? 4+92?42 4254
>2? 4+92?42 4264

+ B5

?+?B5

#: -?0

9 %

%+ -<0
%+ -=0
9%+ ->0

5+%2.4
6+%254
%+%264

95+9%2.4
96+9%254
! #

9%+9%264

'5%

'
'
': %
'
'

+ -50

+ - ? +% 0

! -;% % (+.//;0

!#-<0
!#-=0
!9#->0

-5595#+ % 50

-6696#+ % 60
-%%9%#+ % %0

*-0

;;;
C

;;;

8+9 -- 9-92.40500

8+9 -- 9-92.40500
89+9 -- 9-92.40500

+.
* @%%..

824+-<240
824+-=240
8924+->240

+B5

'
':
'
'

+ -60

+ - ? +% 0

! -;8 56A. %%.. (+.//;0

!#-<0
!#-=0
!9#->0

- -80 -80 -890#+30

*-0

F+9 -- 9-92.40 9-92.4000

F+9 -- 9-92.40 9-92.4000
F9+9 -- 9-92.40 9-92.4000

?+.
! $ #

* ?@%%..

+.
* @56A.

F2? 4+92?42 42%4
F2? 4+92?42 42G4
F92? 4+92?42 42"4

+ B5

?+?B5

E FFF9 %

F%+ -F0
F%+ -F0
F9%+ -F90

F5+F%2.4
F6+F%254
F%+F%264

F95+F9%2.4
F96+F9%254
F9%+F9%264

'6% )

'
'
': ) %
'
'

+ -%0

+ - ? +% 0

! -;%) % (+.//;0

!#-F0
!#-F0
!9#-F90

-F5F5F95#+E % 50

-F6F6F96#+E % 60
-F%F%F9%#+E % %0

*-0

;;;
C

;;;

8F+9 -- 9-92.40500

8F+9 -- 9-92.40500
8F9+9 -- 9-92.40500

+.
* @%%..

8F24+-F240
8F24+-F240
8F924+-F9240
! % #

+B5

'
': )
'
'

+ -G0

+ - ? +% 0

! -;8) 56A. %%.. (+.//;0

!#-F0
!#-F0
!9#-F90

- -8F0 -8F0 -8F90#+8)

*-0

H

&+9 -- 9-92.40 9-92.4000

&+9 -- 9-92.40 9-92.4000
&9+9 -- 9-92.40 9-92.4000

$+.
* $@%%..

&2$4+-F2$4 F2$ 540I-#: 2$4 #: 2$ 540

&2$4+-F2$4 F2$ 540I-#: 2$4 #: 2$ 540
&92$4+-F92$4 F92$ 540I-#: 2$4 #: 2$ 540

$+$B5

&%+ -&0
&%+ -&0
&9%+ -&90

&5+&%2.4
&6+&%254
&%+&%264

&95+&9%2.4
&96+&9%254
&9%+&9%264

'%%

'
'
': %
'
'

+ -"0

+ - ? +% 0

! -;% % (+.//;0

!#-&0
!#-&0
!9#-&90
! & #

-&5&5&95#+& % 50

-&6&6&96#+& % 60
-&%&%&9%#+& % %0

*-0

;;;
C

;;;

8&+9 -- 9-92.40 9-92.4000

8&+9 -- 9-92.40 9-92.4000
8&9+9 -- 9-92.40 9-92.4000

+.
* @%%..

8&24+-&240
8&24+-&240
8&924+-&9240

+B5

'
':
'
'

+ -J0

+ - ? +% 0

! -;8 56A. %%.. (+.//;0

!#-& 0
!#-& 0
!9#-& 90

- -8&0 -8&0 -8&90#+8

*-0

, ## )

:5+5.

+.5

'
'G ) * K -+. +50
'
'
': * *
'L #
'
'
': F)
'
'

-M0
-; ) <56A. (+.//;0
#-;<;0
! # #

#-;-<0;0
- +# $ + * +."0

+.
* @:5

# + -F245.. +5 + +.M"0

+# -# 0
+-# # * +50

+B5

*-0

, ##

'
'
'
'" ) * K -+. +50
'
'
': &
'
'

-5.0
-; <56A. (+.//;0
#-;<;0
#-;-<0;0
- +# $ + * +."0

+.
* @:5

# + --&2B545.5A05.. +5 + +.M"0

+# -# 0
+-# # * +50

+B5

*-0

'
'
'N # *
'8 ) #$
' ?#
'
Annexe C

Exemple du rapport généré

Nous exposons ici le rapport généré par le code de l’annexe précédent. L’esthétique
générale et le contenu sont très basiques, mais nous voulions surtout proposer un bref
aperçu du format final obtenu lors de l’analyse des données séléctionnées.
Un rapport beaucoup plus riche en commentaires et en figures est facilement réalisable.

72
/home/justin/Bureau/Stage/Par semaines/semaine28/Data_Analysed_Report.py August 27, 2012 1

Statistic analysis of particles advected in turbulent flows.

This example is for a Stokes number = 0.99.
Shape o f t h e d a t a s e t : (3300, 1280)

1. 3D representation of the motion of particles :

The first figure is the representations of 3 different particles motion :

The second figure is the mean motion of all the particles :

2. 3D representation of the velocity of particles :

The first figure is the velocities of 3 different particles :
/home/justin/Bureau/Stage/Par semaines/semaine28/Data_Analysed_Report.py August 27, 2012 2

The second figure is the mean velocity of all the particles :

3. 3D representation of the acceleration of particles :

The first figure is the accelerations of 3 differents particles :
/home/justin/Bureau/Stage/Par semaines/semaine28/Data_Analysed_Report.py August 27, 2012 3

The second figure is the mean acceleration of all the particles :

4. Pdf of the velocity with a Gaussian function (mu = 0 and sigma = 1)

There we show one of the easiest representation of pdf. It’s only a demonstration of the Pyreport capabilities.
This is for the Ux velocity :

5. Pdf of the vacceleration of particles with a Gaussian function (mu = 0 and

sigma = 1)
This is for the Ax acceleration :
/home/justin/Bureau/Stage/Par semaines/semaine28/Data_Analysed_Report.py August 27, 2012 4

With that example report, you can see the possibilities of our software. Many other options are available to make the
appearance of the analysis report more enjoyable and more functional.
77
Bibliographie

[1] Uriel Frisch. Turbulence : The Legacy of A. N. Kolmogorov. Cambridge University

Press, 1995.
[2] Marcel Lesieur. Turbulence in Fluids. Springer, 2007.
[3] Stephen B Pope. Turbulent flows. CAMBRIDGE UNIVERSITY PRESS, 2000.
[4] Ph.D. Robert A.Donnelly, Jr. The complete idiot’s guide to Sataistics, second edition.
ALPHA BOOKS, 2007.
[5] Jean-Louis Féménias. Probabilités et statistiques pour les sciences physiques.
DUNOD, 2003.
[6] Gerard Swinnen. Apprendre à programmer avec Python 3. EYROLLES, 2011.
[7] Les Zéros. Le site du zéro, jun 2009. www.siteduzero.com.
[8] Developpez LLC. developpez.net, 2007. http ://www.developpez.net/forums/.
[9] stackoverflow Team. stackoverflow, 2008. http ://stackoverflow.com/.
[10] Google. Google groups, 2001. https ://groups.google.com/forum/ ?fromgroups.
[11] GitHub. github social coding, 2008. https ://github.com/.
[12] A.Philippe Martin. Introduction aux processus stochastiques en physique. 4eme
séminaire transalpin de physique : Nonequilibrium statistical mechanics, Mar 2006.
[13] Paul Robert. Le Grand Robert De La Langue Franaise. Dictionnaires Le Robert,
2001.
[14] Patrick Chassaing. Turbulence en mécanique des fluides. CÉPADUÈS-EDITIONS,
2000.
[15] Ophélie Caballina. Turbulence avancée, Compléments pour la simulation des
écoulements turbulents. INPL, Année universitaire 2011/2012.
[16] Jean-Luc Verley. Kolmogorov andreı̈ nikolaı̈evitch (1903-1987). UNIVERSALIS,
ressource documentaire pour l’enseignement, 2012.
[17] A. Arneodo, B. Castaing, L. Chevillard, J-F. Lévêque, and S.G. Roux. Déscription
multifractale unifiée du phénomène d’intermittence en turbulence Eulérienne et La-
grangienne. http ://www.ens-lyon.fr/PHYSIQUE, 2008.
[18] Nicolas Mordant. Mesure Lagrangienne en turbulence : mise en œuvre et analyse.
PhD thesis, École Normale Supérieure de Lyon, 2001.
[19] Benoı̂ t Oesterlé. Écoulements multiphasiques. Laboratoire LEMTA-CNRS, Année
universitaire 2011/2012.
[20] Martin R. Maxey and James J. Riley. Equation of motion for a small rigid spher in
a nonuniform flow. Physic Fluids, page 1, Apr 1983.
[21] Mickaël Bourgoin, Nicholas T. Ouellette, Haitao Xu, Jacob Berg, and Eber-
hard Bodenschatz. The Role of Pair Dispersion in Turbulent Flow.
http ://www.sciencemag.org/content/311/5762/835.full, February 2006.
[22] Federico Toschi and Eberhard Bodenschatz. Lagrangian properties of particles in
turbulence. Annual Review of Fluid Mechanics, Sep 2008.
[23] Laurent Chevillard. Description multifractale unifiée du phénomène d’intermittence
en turbulence Eulérienne et Lagrangienne. PhD thesis, Université Bordeaux I, 2004.

78
79
Résumé

Ce rapport est la finalité d’un stage de Master 2 Recherche en mécanique des fluides
effectué en laboratoire, le LEMTA, avec le soutien de l’ESSTIN. La direction principale
des travaux ralisés est l’élaboration d’un programme informatique permettant l’analyse
automatique de données issues d’écoulements turbulents de fluides, porteurs ou non de
particules. Ces données peuvent provenir d’une simulation numérique ou d’une expérience.
Cette tâche étant extrêmement générale, il est imposssible de l’accomplir pour tous les cas
existants. Par ce fait, le premier cas choisi est celui d’une turbulence idéale avec particules
lourdes. Un tel programme n’est pas indispensable uniquement à la communauté scien-
tifique, il l’est aussi pour de nombreuses applications industrielles. Dans le premier cas, les
motivations sont d’enrichir les connaissances concernant les écoulements avec particules.
Dans le second, une analyse standardisée est indispensable à la conception de machines
œuvrant dans le domaine des fluides.
En ce qui concerne les simulations, la quantité de données produites dans le monde entier
ne cesse de croı̂tre avec l’évolution permanente des ressources numériques (loi Moody).
Principalement dans le cas des écoulements turbulents, de nombreuses techniques d’anal-
yse existent en fonction des besoins spécifiques.
Les statistiques sont un moyen intressant et utile pour caractériser les données de le tur-
bulence, et c’est dans ce sens que notre analyse est dirigée. Le logiciel développé est conçu
de telle sorte qu’il puisse être utilisé dans le cas de très grandes base de donnéees, nous
ne nous intéressons pas à l’architecture de ces bases de données.
Le programme mis au point lors de ce stage servira de base à de plus grands projets et a
permis d’apprécier les possibilités que nous offre l’informatique, à l’heure actuelle, pour
automatiser une telle analyse.

Mots clés : Turbulence, analyse automatisée de données, particules en écoulements tur-

bulents, statistiques.

Abstract

This report is the final work of a Master 2 Research in fluid mechanics, conducted in
the labs of LEMTA with support from ESSTIN. The main task consists in the develop-
ment of a software, which shall allow to analyze automatically datasets from turbulent
flows with and without particles therein. Those data might originate from a numerical
simulation or from experiments. This task appears very general and it is clear that it is
impossible to accomplish it in finite time for all possible cases. Therefore, the starting
point is ideal turbulence with heavy particles.
Such a software as sketched above is essential not only to the scientific community, but as
well for practical applications in an industrial setup. Since the first wish improve compa-
rability of flows and particles in flows situations, the latter require standardized analyses
in order to facilitate the design and manufacturing of machinery working with flows of
various kind. With regard to simulations, the amount of data produced worldwide does
not stop to increase with the evolution of numerical ressources (moodys law). Mainly in
the case of turbulents flows, many ways of analysis exist, depending on community and
specific needs. Statistics are an interesting and useful way to characterize data from turbu-
lence and turbulent transport ; our analysis points right in this direction. The developped
software is to be understood as the basis routines for use in the automatized character-
ization in large databases. We do not touch the state-of the art techniques concerning
server architecture or distributed data bases, but show results on the basic functionality
to be expanded in the open source development project started with this thesis.

Key words : Turbulence, automated dataset analysis, particles in turbulent flows, statis-
tics.

Title : A multi-purpose Python tool to analyze particles in turbulence

Vous aimerez peut-être aussi

Pol PDF
Pas encore d'évaluation
Pol PDF
114 pages
Adjoua
Pas encore d'évaluation
Adjoua
128 pages
Mécanique des fluides : Ondes et turbulence
Pas encore d'évaluation
Mécanique des fluides : Ondes et turbulence
108 pages
Trés Important Pour Mecaniques Fluides
Pas encore d'évaluation
Trés Important Pour Mecaniques Fluides
110 pages
Introduction à la Turbulence ENSTA
Pas encore d'évaluation
Introduction à la Turbulence ENSTA
85 pages
Modélisation Turbulence en CFD
100% (1)
Modélisation Turbulence en CFD
99 pages
Samir Tabloul
Pas encore d'évaluation
Samir Tabloul
198 pages
Chapitre III - La Turbulence
Pas encore d'évaluation
Chapitre III - La Turbulence
25 pages
Hydrodynamique - Cours EPFL
100% (1)
Hydrodynamique - Cours EPFL
173 pages
Modélisation Physique des Écoulements
Pas encore d'évaluation
Modélisation Physique des Écoulements
250 pages
Modelisation Simulation Optimisation
Pas encore d'évaluation
Modelisation Simulation Optimisation
147 pages
Mod Elisation de La Turbulence: Yann Marchesse
Pas encore d'évaluation
Mod Elisation de La Turbulence: Yann Marchesse
109 pages
Rapport P6 2018 40
Pas encore d'évaluation
Rapport P6 2018 40
28 pages
Pol
Pas encore d'évaluation
Pol
248 pages
LMECA1321 M Canique Des Fluides
Pas encore d'évaluation
LMECA1321 M Canique Des Fluides
81 pages
Polyphasique EMSE
Pas encore d'évaluation
Polyphasique EMSE
62 pages
Differences - Finies - Copie
100% (1)
Differences - Finies - Copie
65 pages
Mécanique des Fluides : Cours et Applications
Pas encore d'évaluation
Mécanique des Fluides : Cours et Applications
193 pages
Mécanique des Fluides: Concepts Clés
Pas encore d'évaluation
Mécanique des Fluides: Concepts Clés
109 pages
Mécanique des Fluides: Modèles et Applications
Pas encore d'évaluation
Mécanique des Fluides: Modèles et Applications
221 pages
Mécanique des fluides : Modélisation et cinématique
Pas encore d'évaluation
Mécanique des fluides : Modélisation et cinématique
221 pages
Poly Mecaflu Itii BTP 2425
Pas encore d'évaluation
Poly Mecaflu Itii BTP 2425
89 pages
1.-Espci Meca Flu Chap1
Pas encore d'évaluation
1.-Espci Meca Flu Chap1
18 pages
Tres Bon These
Pas encore d'évaluation
Tres Bon These
224 pages
Memoire PDF
0% (1)
Memoire PDF
66 pages
MecaFlu EMSE
100% (1)
MecaFlu EMSE
127 pages
MecaFlu EMSE
100% (1)
MecaFlu EMSE
156 pages
Hydraulique Avancée: Concepts et Simulations
Pas encore d'évaluation
Hydraulique Avancée: Concepts et Simulations
178 pages
WN CFD 06 76
Pas encore d'évaluation
WN CFD 06 76
48 pages
Cours Meca
Pas encore d'évaluation
Cours Meca
177 pages
Hydraulique
100% (1)
Hydraulique
132 pages
Mécanique des Fluides: Concepts et Applications
Pas encore d'évaluation
Mécanique des Fluides: Concepts et Applications
34 pages
Simulation Numérique de L'interaction Houle-Structure en F Luide Visqueux Par Décomposition Fonctionnelle
Pas encore d'évaluation
Simulation Numérique de L'interaction Houle-Structure en F Luide Visqueux Par Décomposition Fonctionnelle
214 pages
Modélisation numérique de l'érosion DDFV
Pas encore d'évaluation
Modélisation numérique de l'érosion DDFV
163 pages
Polycopie MDF App Bonne-Version Preliminaire
Pas encore d'évaluation
Polycopie MDF App Bonne-Version Preliminaire
71 pages
Gagneux Sun-Lay MSC 2022
Pas encore d'évaluation
Gagneux Sun-Lay MSC 2022
114 pages
Mécanique des fluides : Cours approfondi
100% (1)
Mécanique des fluides : Cours approfondi
49 pages
Master en Dynamique des Fluides
Pas encore d'évaluation
Master en Dynamique des Fluides
10 pages
Turbulence et Mélange à Viscosité Variable
Pas encore d'évaluation
Turbulence et Mélange à Viscosité Variable
256 pages
Mécanique Des Fluides (Cours)
Pas encore d'évaluation
Mécanique Des Fluides (Cours)
38 pages
7.note de Calcul Protection Incendie
Pas encore d'évaluation
7.note de Calcul Protection Incendie
7 pages
Mécanique Des Fluides PSI
100% (2)
Mécanique Des Fluides PSI
37 pages
Hydraulique: Crues, Vagues, Ruptures
Pas encore d'évaluation
Hydraulique: Crues, Vagues, Ruptures
161 pages
00 Engi MF CM
Pas encore d'évaluation
00 Engi MF CM
105 pages
Mécanique des Fluides II - Cours et Exercices
Pas encore d'évaluation
Mécanique des Fluides II - Cours et Exercices
107 pages
ANCEY, Christophe - Notes de Cours. Mécanique Des Fluides PDF
100% (1)
ANCEY, Christophe - Notes de Cours. Mécanique Des Fluides PDF
223 pages
Hydrodynamique des Vagues et Applications
Pas encore d'évaluation
Hydrodynamique des Vagues et Applications
189 pages
Introduction à l'Hydraulique pour Ingénieurs
100% (2)
Introduction à l'Hydraulique pour Ingénieurs
223 pages
Book Mecaflu
Pas encore d'évaluation
Book Mecaflu
71 pages
Prise Dimmer Télécommandée Chacon
Pas encore d'évaluation
Prise Dimmer Télécommandée Chacon
1 page
Devoir de Synthèse N°1 - Math - 3ème Informatique (2016-2017) MR Azaiez Taieb
Pas encore d'évaluation
Devoir de Synthèse N°1 - Math - 3ème Informatique (2016-2017) MR Azaiez Taieb
2 pages
Pronoms Objets
Pas encore d'évaluation
Pronoms Objets
5 pages
Juste Une Nuit
Pas encore d'évaluation
Juste Une Nuit
91 pages
Discours Père
Pas encore d'évaluation
Discours Père
4 pages
Enoncé Et Compte Rendu TP 01
Pas encore d'évaluation
Enoncé Et Compte Rendu TP 01
4 pages
CONCEVOIR-LE-PROJET - Docx 12-3-24 6-10pm
Pas encore d'évaluation
CONCEVOIR-LE-PROJET - Docx 12-3-24 6-10pm
5 pages
Analyse de la télévision en classe
Pas encore d'évaluation
Analyse de la télévision en classe
16 pages
Addictions Prévenir La Rechute
Pas encore d'évaluation
Addictions Prévenir La Rechute
292 pages
Solutions énergétiques Wärtsilä en France
Pas encore d'évaluation
Solutions énergétiques Wärtsilä en France
8 pages
Tout Le DEAS en Fiches Mémos - IfAS - Diplôme Etat Aide-Soignant 4è Ed... Wawacity - Autos
Pas encore d'évaluation
Tout Le DEAS en Fiches Mémos - IfAS - Diplôme Etat Aide-Soignant 4è Ed... Wawacity - Autos
268 pages
Boucles en C : while, do-while, for
Pas encore d'évaluation
Boucles en C : while, do-while, for
23 pages
Les Grandes Periodes Historiques
Pas encore d'évaluation
Les Grandes Periodes Historiques
10 pages
Les Modèles Psychosociologiques - PDF RAPPORT
Pas encore d'évaluation
Les Modèles Psychosociologiques - PDF RAPPORT
10 pages
13avc en Schema '' Territoires'' ++
Pas encore d'évaluation
13avc en Schema '' Territoires'' ++
3 pages
L'impact de la roue sur la société
Pas encore d'évaluation
L'impact de la roue sur la société
4 pages
Tutoriel CeltX : Guide Complet
100% (1)
Tutoriel CeltX : Guide Complet
23 pages
Les Echelles Dossier 2
Pas encore d'évaluation
Les Echelles Dossier 2
12 pages
Serie 05
Pas encore d'évaluation
Serie 05
2 pages
Fouille de graphes et détection d'événements
Pas encore d'évaluation
Fouille de graphes et détection d'événements
20 pages
Série Des Ondes Lumineuses 2 Bac-SpBiof
Pas encore d'évaluation
Série Des Ondes Lumineuses 2 Bac-SpBiof
2 pages
Exercices de TD
Pas encore d'évaluation
Exercices de TD
22 pages
TP2 Rached Oueslati Mahdi Sandid Me31
Pas encore d'évaluation
TP2 Rached Oueslati Mahdi Sandid Me31
10 pages
Info 3CG
Pas encore d'évaluation
Info 3CG
1 page
Bordereau Des Prix HVAC
Pas encore d'évaluation
Bordereau Des Prix HVAC
3 pages
F02-Installation D'un Climatiseur Split Mural
Pas encore d'évaluation
F02-Installation D'un Climatiseur Split Mural
4 pages
1398631
100% (2)
1398631
427 pages
L Universalite de L Hermeneutique Grondin Ocr
100% (6)
L Universalite de L Hermeneutique Grondin Ocr
277 pages
Cashback Communautaire Fidélio: Augmentez Votre Pouvoir d'Achat
Pas encore d'évaluation
Cashback Communautaire Fidélio: Augmentez Votre Pouvoir d'Achat
7 pages
CV Expert en Développement Social
Pas encore d'évaluation
CV Expert en Développement Social
16 pages