Ce travail a été effectué en collaboration avec l'équipe MIE (Métrologie et Instrumentation en Énergétique) du laboratoire FEMTO-ST. L'objectif visé, à terme, est le contrôle actif d'écoulement aérodynamique. Plus précisément, il s'agit d'aboutir à un dispositif composé de micro-actionneurs (émettant ou non de l'air sous pression) et de micro-capteurs (mesurant la pression locale), qui permet de modifier automatiquement l'écoulement d'air au niveau d'une automobile, afin de réduire sa résistance à l'air. Pour cela, à une vitesse de déplacement donnée, il faut pouvoir caractériser un écoulement correspondant à une configuration des micro-actionneurs (ce sont eux qui vont modifier l'écoulement). Or le calcul de l'écoulement avec un logiciel dédié à la mécanique des fluides numérique (CFD pour Computationnal Fluid Dynamics) tel Fluent prend beaucoup trop de temps pour espérer être utilisé en temps réel.
Un premier travail a étudié la pertinence de la substitution du calcul CFD par un approximateur universel, à savoir un Réseau de Neurones Artificiels. Ce choix tirait partie de l'expertise développée par l'équipe AND du LIFC sur les réseaux de neurones notamment dans le contexte de la dosimétrie en radiothérapie. L'étude portait sur un écoulement à l'aval d'une marche car cette géométrie simple facilite les calculs CFD et correspond grossièrement à l'arrière d'une voiture. On note que les résultats ont été obtenus pour un écoulement d'air statique, c.-à-d. à vitesse constante en amont de la marche. Il reste cependant le challenge de savoir prédire en temps réel l'écoulement en aval de la marche et ce pour n'importe quelle vitesse de l'écoulement en amont de celle-ci. Il s'agit d'étudier également les interactions entre les données d'entrée (les vitesses, les postions des actionneurs,...) et celles de sortie fournie par les actionneurs pour en déduire si une approche de prédiction/contrôle distribuée est réalisable.