36 mois

BIOMIMÉTISME ET BIO-INSPIRATION DE LA NAGE ANGUILLIFORME D’UN SERPENT

[TheChamp-Sharing]
La performance de la locomotion aquatique est étroitement liée à la circulation du fluide autour du corps de l'animal et principalement à l’intensité de l’écoulement induit en aval de la queue et à ses caractéristiques. Ce sillage qui se développe est constitué d’une allée tourbillonnaire de Von Karman dont les vortex sont émis périodiquement à chaque battement de la queue. La façon dont la queue se déplace dans le fluide (angle d’attaque, amplitude, fréquence ...) détermine les performances de la nage. Les animaux peuvent ajuster leur cinématique de nage pour optimiser la performance. Différents critères peuvent définir la performance, comme par exemple l’efficacité énergétique, la vitesse maximale (système proie-prédateur), ou encore la furtivité. La forme du corps et les propriétés tribologiques de la peau, qui influencent la poussée et la traînée produites par les animaux nageurs, doivent être prises en compte. L’objectif central de cette thèse est de contribuer au développement d’un modèle numérique basé sur des données réelles telles que la géométrie, la cinématique, la texture de la peau (data-driven numerical modeling) afin de simuler les phénomènes complexes d’interaction fluide-structure (IFS) instationnaires, impliqués dans la nage anguilliforme au sein d’un écoulement visqueux incompressible en présence d’une surface libre. Il s’agira donc, à partir des données cinématiques et vélocimétriques qui caractérisent la nage des serpents, d’identifier les mécanismes hydrodynamiques qui permettront d’obtenir des estimations de l'efficacité de cette nage en termes de force propulsive et d’efficacité énergétique. Ce travail de thèse s’inscrit dans un projet ANR (Dragon II) plus large dans lequel collaborent des biologistes, des mécaniciens des fluides, des mathématiciens et des roboticiens. Un lien fort sera maintenu avec les expérimentateurs du projet et des données expérimentales sur la nage de serpents réels et de robots bio-inspirés seront disponibles afin de valider le modèle numérique. Le (la) candidat(e) sera amené(e) à participer à des campagnes de mesures à l’Ecole Supérieure de Physique et de Chimie Industrielles de Paris, à l’Institut PPRIME à Poitiers et au centre d’Etudes Biologiques de Chizé.
Philippe Traoré (PPRIME Poitiers) - Contacter
Michel Bergmann (Inria Bordeaux – Sud-Ouest) - Contacter
Institut Pprime
CNRS - Université de Poitiers – ISAE-ENSMA - UPR 3346
11 Boulevard Marie et Pierre Curie
Site du Futuroscope

TSA 41123

86073 POITIERS CEDEX 9

Autres offres d'emploi

Retour à la liste
12 mois

CHERCHEUR/POST-DOC (H/F) – Investigations expérimentales de stratégies de contrôle en boucle fermée pour la réduction d'impact du sillage d'un corps d'Ahmed

Au CNRS, Laboratoire PPRIME, situé au Futuroscope, ce post-doctorat s'inscrit dans le cadre du projet ANR COWAVE (Contrôle rétroactif du sillage d'un véhicule) entre les laboratoires PRISME à Orléans, Pprime à Poitiers, LHEEA à Nantes et l'industrie automobile PSA. Cette offre concerne la contribution de Pprime au projet COWAVE. Celle-ci consiste à explorer expérimentalement dans un canal hydrodynamique des stratégies de contrôle de sillage en boucle fermée avec des volets mobiles. Les sillages tridimensionnels de corps épais, du type corps d'Ahmed, génèrent une traînée de pression et des forces latérales, contribuant ainsi de manière significative à la consommation de carburant et aux émissions polluantes des véhicules routiers. Malgré les nombreuses tentatives réalisées pour minimiser l'impact des sillages sur l'environnement, on ne sait toujours pas quelle est la stratégie de contrôle la plus efficace ! Dans ce contexte, le projet ANR COWAVE aborde deux aspects fondamentaux du contrôle du sillage : premièrement, quels types d'actionneurs sont les plus efficaces ? Alors que la plupart des stratégies de contrôle en boucle fermée utilisent des effets d'entraînement visqueux pour actionner les couches de cisaillement dans le sillage, l'exploitation des forces de pression produites par des déflecteurs mobiles pourrait être une alternative intéressante à tester. Deuxièmement, pour la mise en œuvre de la commande en boucle fermée, nous voulons tester si les stratégies de commande obtenues par des techniques d'apprentissage automatique (Machine Learning) permettent d'obtenir une meilleure efficacité et une plus grande robustesse que les approches plus classiques basées sur des modèles. Pour postuler suivre ce lien https://bit.ly/3qDG6Ml / Date Limite Candidature : vendredi 12 mars 2021