L’objectif de cette thèse est d’identifier des structures de réseaux de neurones capables de réduire le coût algorithmique de la résolution d’un système CFD sur des périodes longues, dans des domaines complexes en dimension 2 ou 3, tout en garantissant un contrôle quantitatif de l’erreur de résolution. Plus précisément, il s’agit de concevoir un réseau agissant comme un schéma numérique, permettant d’évaluer une approximation des variables du système aux instants t, à partir des valeurs de ces variables à un instant initial t0. Comme la base de données sera relativement limitée à quelques résolutions numériques de ces équations, et dans la mesure où l’on souhaite garantir certaines propriétés sur l’approximation obtenue, il est essentiel d’adapter la structure des réseaux pour y intégrer explicitement la physique du problème. Pour ce faire, l’objectif est de développer une approche combinant des éléments physiques à une structure classique de réseau.