La modélisation générative de l’écoulement turbulent du vent constitue un enjeu important pour modéliser l’interaction entre les éoliennes et leur environnement, notamment pour la prédiction du rendement et de la fatigue des turbines. Cette modélisation repose aujourd’hui sur des contraintes spectrales stationnaires qui limitent la diversité des données synthétiques, et par suite la représentativité des expériences de simulations qui en dépendent.

L’essor des modèles génératifs fondés sur l’apprentissage permet cependant de dépasser ces limites en donnant accès à des distributions de complexité croissante. En particulier, les modèles de transport optimal, comme les modèles de diffusion ou le Flow Matching, offrent un cadre qui permet d’articuler la modélisation statistique du vent avec sa modélisation générative.

Cette thèse étudie ainsi la génération de champs de vitesse turbulents sous contraintes statistiques et spectrales, avec l’objectif de dépasser les hypothèses stationnaires des générateurs classiques tout en préservant les propriétés physiques pertinentes du vent. Les travaux menés ont d’abord visé à clarifier la modélisation employée dans les générateurs à représentation spectrale stationnaires. Une première étude de modèles génératifs antagonistes (GAN) a mis en évidence la sensibilité de ces modèles aux hyperparamètres d’entraînement, y compris sur des distributions synthétiques simples. Des expériences préliminaires sur des modèles de Flow Matching montrent au contraire un comportement plus stable et ouvrent des perspectives pour résoudre des problèmes de génération de complexité croissante.

Ces résultats motivent la construction d’un cadre expérimental contrôlé, indépendant des spécificités du vent, permettant d’étudier théoriquement et expérimentalement la capacité de ces modèles à reproduire des distributions spectrales prescrites. L’objectif est ensuite d’étendre progressivement ce cadre en adaptant l’approche générative spectrale à des phénomènes non stationnaires.