APPLICATIONS de la CFD à la MODELISATION ATMOSPHERIQUE (écoulement et dispersion) à Echelle Locale et Couplage Synoptique

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 Maillages imbriqués Terrain 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 Sensor network detection Source identification Source term calculation and dispersion faster than real-time

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 m( ς ) κ z0 * θ z + z T θ ( z) = θsol + ln( ) ψ H ( ς ) κ zt avec ς = z L MO Couche d'ekman 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 Conservation de la quantité de mouvement ( ρu) + ( ρuu ) = τ p+ S t Conservation de l énergie ( ρt) p Cpρ T + = p + : + S +τ + t t Conservation des espèces chimiques ( ρy ) t m U ( U ) q U U T ( ) ( ) + ρu y = D y + S, avec m=1 n m m m m ( ρk ) µ t 2 + ( ρuk) = µ + k + P + P ρε ρk U+ S 3 t σ k ( ρ ) v l k b k ε µ t ε + ( ρuε ) = µ l + ε + ε ( + ) ε ρε σ C 1 Pk Pb C 2 t ε k 2 ( ) C C ρε U + S 3 v ε1 ε3 ε

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 release Observed data by the sensor network Modeled concentrations Parameters recovery optimized algorithm Dispersion model Emergency planning Consequences mitigation Convergence -Yes Source term estimation Convergence -No

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 (noise, delay for response at sensor ), - Errors in the dispersion model (even in complex full concentration 100% high dose 100% mid dose 100% low dose high concentration mid concentration low concentration CFD code), - Work in real time with data added as it arrives t 0 t 90 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 expected inside 3D structures - Limited and noisy observed data from sensor network - Fast computational time to provide real time information PROBABILISTIC APPROACH Bayesian inference appears as an interesting way to identify the source term in a limited amount of time (order a minutes). The result is the probability density function of 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 p( m C) Exp 2 2 σc 2 mod, i( m) ) (Keat and Yee. 2006) 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 (C j >C threshold ) Parameters space explored through Markov Chain [0, Q max ], [0, t on ], [0, N sources ]=> 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 => V 10 = 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 Source 1 -!00 N 4.5 m/s Isosurface 1 ppb 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 Location Instant of release Mass flow rate 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 Sampling duration (s) Noise intensity of modeled concentration Source location Mass flow rate (kg/s) Instant of release 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