Vous êtes sur la page 1sur 35

APPLICATIONS de la CFD à la MODELISATION

ATMOSPHERIQUE (écoulement et dispersion) à


Echelle Locale et Couplage Synoptique

C.SOUPRAYEN, FLUIDYN France

claude.souprayen@fluidyn.com

Intech Meteo INRIA, 27 Sept 2012


Sommaire

Contexte/besoins pour la modélisation atmosphérique à micro échelle


• Etudes diagnostiques/scenarios (dispersion de polluant) pour l’activité industrielle (ICPE)

• Etudes en urbain: aérauliques et qualité de l’air

• Etudes de monitoring et surveillance (gestion continue ou de crise)

• Problématique filière de la preuve et protection/securité (inversion de données)

Physique et processus en jeu (nécessaires):


• Couche limite atmosphérique (de surface) et éléments de connaissance pour la CFD

• Effets 3D locaux (champ proche in situ)

• Eléments synoptiques manquant (mésoéchelle et au delà).

• Approches courantes en CFD: avantages limitations – Stratégies de couplage

• Exploitation CFD pour l’inversion de données, la surveillance temps réel.

Illustrations d’approches: Etude ICPE/QA – Approche inversion de donnée


Outils CFD dédiés

Risque-Impact environnemental et Qualité de l’air


• Fluidyn-PANEPR pour les études dispersion
accidentelle et le transitoire

• Fluidyn-PANEIA pour l’impact industriel sur la qualité


de l’air

• Fluidyn-PANROAD pour l’impact du trafic routier sur la


qualité de l’air

• APPROCHES NAVIER-STOKES - RANS

• OdG associés à la microéchelle: Lx ou Ly= qqkm<10km,


Lz ordre de 200/400m , grilles de calcul capturant le
contexte 3D (batis)…

• Approches moyennés : Lcar ~10m, Tcar ~ mn et


transitoire sur quelques heures.
Contexte 1 Etudes diagnostiques/scenarios (ICPE)

Logiciel : fluidyn-PANEIA

Emissions diffuses et canalisées

Impact ponctuel et moyen annuel

Terrain

Concentrations
suivant une
condition de vent

Concentrations en
moyenne annuelle
Contexte 1 Etudes diagnostiques/scenarios (ICPE)

Logiciel : fluidyn-PANEIA

Rejets de type industriel

Milieu très urbanisé (Paris)

Champs de vent

Contours de concentrations
Contexte 1 Etudes diagnostiques/accidentels (ICPE)

Logiciel : fluidyn-PANEPR

Scénario accidentel benzène

Rupture accidentelle d’une canalisation


Contexte 2: Etudes en urbain- aéraulique et
qualité de l’air

Logiciel : fluidyn-PANROAD

Comparaison de la qualité de l’air avec et sans projet


Terrain
Maillages imbriqués

Maillages
imbriqués pour
précision locale

Contours de concentration de
polluant
Contexte 2: Etudes en urbain- aéraulique et
qualité de l’air

Logiciels fluidyn-PANACHE

Espace semi-confiné de la Gare de Lyon (Paris)

Ecoulements d’air et dispersion de polluants


Contexte 3: Etudes de monitoring et surveillance
(gestion continue ou de crise)

Logiciel fluidyn-PANEIA sur Usine de traitement des eaux

Sources canalisées et diffuses d’odeurs

Données de capteurs et recalage de sources

Dispersion en temps réel


Contexte 3: gestion de crise, identification de
source par inférence Bayesienne

Site pétrochimique de TOTAL

Outil CFD + inférence sur données de réseaux (MCMC)


pour localisation et estimation de fuites

Dispersion forward en temps réel

Source term
calculation
and dispersion
faster than
Sensor network detection real-time
Source identification
Physique utile à échelle locale et représentation

Structuration récurrente de la CLA


Couche limite atmosphérique (de surface) et éléments pour la CFD

• La turbulence atmosphérique et les équilibres flux/gradients produisent une structuration


moyenne pour: U(z), Θ(z) les profils verticaux de vitesse et de température (potentielle)

• Profils dépendent de paramètres micro-météo: flux de chaleur, vitesse de frottement u* ,


Longueur de Monin-Obukhov (LMO)…Etc

• Théorie MOST pour les états associés à la stabilité atmo Atmosphère libre

u *  z + z0 
u( z) =  ln( ) −ψ (ς )  Couche d'Ekman
κ 
m
z0 
z
θ *  z + zT  avec ς=
θ ( z ) = θ sol + ln( ) − ψ H (ς ) L MO
κ  zT  Couche limite de surface

Et Lois semi-empiriques pour les profils de turbulence Figure 1 : Structure de la CLA.


Physique et processus en jeu

Effets 3D locaux (champ proche in situ)


• La structuration de la CLA ne suffit pas - modifiée fortement localement

• Obstacles et confinement de bâtiments: sillages complexes, turbulence mécanique

• Process et flux de chaleur/QdM in situ (industriel) : flottabilité

• Flux au sol (végétation, masses d’eau) : rugosité flottabilité

• Terme sources de polluants : inertie, QdM, flottabilité . E. g. tours aéros

Approche pertinente: Navier –Stokes mais accessible CPU RANS


Equations NS Moyennées ------- Equations de fermeture turbulence (k-ε)
Equation de continuité
∂ρ
+ ∇ ⋅ ( ρU) = Sρ
∂t ∂ ( ρk )  µ 
+ ∇ ⋅ ( ρUk ) = ∇ ⋅  µl + t  ∇k + Pk + Pb − ρε − 32 ρ k ∇ ⋅ U + Skv
Conservation de la quantité de mouvement ∂t  σk 
∂ ( ρU)
+ ∇ ⋅ ( ρUU) = ∇ ⋅ τ − ∇p + SU
∂t
Conservation de l’énergie ∂ ( ρε )  µ  ε
+ ∇ ⋅ ( ρUε ) = ∇ ⋅  µl + t  ∇ε + Cε 1 ( Pk + Pb ) − Cε 2 ρε 
 ∂ ( ρT )   ∂p  ∂t σε 
Cpρ T + ∇ ⋅ ( U )  = −∇ ⋅ q
p+  : + U ⋅ ∇
S  + τ ∇U +  k
 ∂t  ∂t
T

 − ( 32 Cε 1 − Cε 3 ) ρε∇ ⋅ U + Sεv
Conservation des espèces chimiques
∂ ( ρy m )
+ ∇ ⋅ ( ρUy m ) = ∇ ⋅ Dm∇ ( y m ) + Sm , avec m=1…n
∂t
L’application CFD en couplage synoptique

Pour les applications de surveillance/monitoring ICPE (et prédiction)

Pour les applications de suivi d’épisodes et de prédiction en Qualité de l’air à échelle


locale (de quartier ou communauté urbaine)

Couplage avec des données synoptiques : (1) Données météorologiques


nationales Météo France – (2) Données « libres » basse résolution (NCEP),
(3) Données produites mésoéchelles MM5-> WRF ou RAMS.
L’application CFD en couplage synoptique

3 techniques de couplage
• Par Conditions aux limites: Interpolation des champs synoptiques sur les limites de
domaine (en pratique données à 10m + paramètres Micrometeo (MOST)

La solution est purement RANS sur l’intérieur du domaine imbriqué

• Par Génération de champs 3D diagnostics (e.g. interpolation optimale mass-consistent)

La solution NS ajuste ensuite les champs obtenus pour le contexte 3D


local

• Nudging (termes sources dans les équations de NS avec relaxation spatial/temporelle


fonction des covariances des champs synoptiques)

La solution NS est continument rappelée par les points de grille du champ


synoptique
Applications pour l’inversion de données
- Utilisation de l’Equation d’Advection Diffusion adjointe :
L’EAD : devient

- Corrélation des mesures entre elles pour une exploitation maximale


de l’information.
Maquettage, maillage, calcul du champ de vent et rétropanaches :

+ +
Méthodes d’inverson Semi-directe

Fluidyn-PANEPR
TOXIC RELEASE EVENT RECONSTRUCTION IN A RAIL
STATION BY CFD SIMULATIONS AND BAYESIAN
INFERENCE
The Problem

Context : Contaminant release during an attack in a rail way station

Objective : Provide real time decision tool to manage the emergency


planning and improve the mitigation strategy in the station and in the
urban vicinity.

Main problem: Source term estimation – source parameters retrieval


(location, mass, time) given a set of observation data.

Railway station
Source term estimation

Structure of a source event reconstruction

Contaminant Observed data by the Modeled


release sensor network concentrations

Parameters
recovery Dispersion
optimized model
algorithm

Convergence -Yes Source term Convergence -No

estimation
Emergency
planning
Consequences
mitigation
Source term estimation

What is challenging?
- Domain size includes indoor and outdoor,
- Confined area inside the station and congested
environment outside in the streets generating complex
flows & dispersion patterns,
- Small number of data sensor network,
- Short term variation of the meteorological data (wind
velocity, turbulence…),
- Uncertainties in the concentration measurements
high concentration

concentration
100% high dose

(noise, delay for response at sensor…), 100% mid dose


mid concentration

- Errors in the dispersion model (even in complex full 100% low dose low concentration

CFD code),
- Work in real time with data added as it arrives t0 t90
time
Dispersion model : Fluidyn software

Model used to compute flows and contaminant dispersion in 3D structures

Fluidyn software includes full CFD eulerian/lagrangian model designed for


environment and hazard studies :

• 3D Navier-Stokes equations

• Nested domains, structured and unstructured mesh

• Topography and obstacles

• Atmospheric BL : wind, temperature, turbulence profiles

• K-ɛ turbulence model

• Parallel version
Source parameter retrieval technique

Objective: localize and quantify the source term of the contaminant release in
real time using the information from sensors network=> several techniques for
source retrieval.

- Complex flow patterns PROBABILISTIC APPROACH


expected inside 3D structures
Bayesian inference appears as an
- Limited and noisy observed interesting way to identify the
data from sensor network source term in a limited amount of
time (order a minutes). The result
- Fast computational time to is the probability density function of
provide real time information the source parameters
Principle of Bayesian Inference

Cmod, i : Modeled data at the i sensor


Ci : Observed data at the sensor i
Considering the vector m, corresponding to the source term characteristics
(location, mass flow rate, instant of release)

Baye’s theorem : Posterior Prior Likelihood

P(m | C) α P(C) P(C | m)

• Prior : Probability density of C based on prior knowledge


• Likelihood: Probability density of the data C given a particular source term m
• Posterior : Probability density of the hypothesis m given the data C
Algorithm development (1)
The objective is to estimate the posterior density function of m

Likelihood probabality includes the concentration variances of dispersion


simulation and measurements (Assuming a normal distribution)

The posterior probablity density is computed as the product of the


likelihoods at invidual sensor since the term Prior is constant:

 1 (ci − c mod, i ( m )) 2 
p (m C ) ∝ Exp − ∑  (Keat and Yee. 2006)
 2 σc 2 

The entire posterior distribution is estimated by sampling randomly a lot of


parameter proposals at each time step => Use of Monte Carlo Markov
Chain approach (MCMC)

Use Metropolis-Hasting algorithm to optimize MCMC (next sample based


on the previous one).
Algorithm development (2)

Algorithm running
Module activated when a detector provides a first information (Cj >Cthreshold)

Parameters space explored through Markov Chain [0, Qmax], [0, ton], [0,
Nsources]=> Model / observation deviation at each sensor at time t give
information to compute the posterior probability

Convergence PDF (i) > PDF (i-1) or coin flip for reject/accept => summary
statistic
Sources

Sensors
Strategy adopted
The strategy for an operational tool for an real time monitoring

Flow field database (indoor and outdoor)

Concentration database of matrix transfer for


unitary emission between the N sources and
the K sensors ( Green’s function approach)

Bayesian inference technique using MCMC for


source term estimation using the observed
data

Predicted concentration by forward dispersion


Case description 3D Model
Gare de Lyon : Indoor and outdoor domain

Internal confined area with obstacles (trains, shops)

Urban environment (buildings, streets...)


Specific techniques for 3D CFD Mesh
790 000 cells

Structured multiblocks for the platforms


ΔX = 1,4 m

Unstructured with local refinement


ΔXmin = 0,35 m

Trains Doors
Flows Database
WF modeled in domain

Recirculation vortex

Low speed on
platforms

No extraction and forced ventilation system in the station


Concentration database
12 sensors inside the railway station at h=3m (exits, platforms…)

Unitary transfer function database from 63 source locations (Δl ≈ 10 m) (Store


runs for unit puff source at each point in the domain) => Data base with 63x12
response curves by meteorological condition

100 °N – 1 m/s
Source term estimation example
Source location n°5 with continuous release at 1 kg/s at ground level
Steady state flow and constant meteorological conditions => V10= 1 m/s –
Dir = 300 °N
Gaussian noise to introduce fluctuations in modeled data

300 °N – 1 m/s
Source term estimation example
Time transfer can be long because of low speed (long time period to get
data from several sensors), long time to reach the maximum value.
Few sensors record a signal => optimization of the network

Source 1 - 300 °N – 4.5 m/s Source 1 - 300 °N – 1 m/s

Isosurface 1 ppb
Source 1 - !00 °N – 4.5 m/s 5 sources - 300 °N – 4.5 m/s
Source term estimation example
Algorithm features
• Detection threshold : 0.1 ppm
• 20000 MC (0/20 kg/s), starting time (0/ -1500s)
• Sampling time 10 s

Results
Instant of release Mass flow rate
Location

↑ Noise
intensity for
modeled data
Source term estimation example
•Long time integration is better
•Agreement decrease with noise intensity

Source 5, Mass flow rate 1 kg/s, Instant of release 1035 s

Noise intensity of
Sampling Mass flow rate
modeled Source location Instant of release
duration (s) (kg/s)
concentration

300 0,1 5 1,01 1056

60 0,2 5 7,2 650

120 0,2 5 3,5 832

240 0,2 5 2,7 958

300 0,2 5 2,4 1031

300 0,5 5 12,2 900

300 0,7 5 4,6 770

300 1 5 9,8 651

•The source term reconstruction only needs ~ 2-3 minutes


Conclusion
SUMMARY
• Source event reconstruction for emergency management in a railway station
needs CFD computation for internal and external cloud dispersion
• Prelimimary results shows that source event reconstruction from sparse
measurements can be done through bayesian inference
(Same methodology tested with measurement data on a industrial site (TOTAL
Lacq) give good results)

FUTURE WORK
• Continuing the numerical performance validation for a set of releases,
• Working on the expected discrepancies model/observation in such confined
areas (CFD model performance for the low speed flows inside the railway)
• Investigations on the sensor optimization (location and characteristics like
threshold) : multiply the wind conditions, adjoint model for the sensor
diagnostic…