Michelin : Surveiller le formage de la gomme
Au passage des rouleaux de la calandre employée pour sa mise en forme, la gomme de caoutchouc constituant le pneumatique se comporte comme un fluide non newtonien : elle s’échauffe si elle est fortement cisaillée, ce qui lui fait perdre ses propriétés élastiques. « Pour détecter cette surchauffe, on voudrait prédire le comportement de la gomme entre deux rouleaux et donc obtenir à la fois sa vitesse, sa température et la pression subie », explique Thibault Dairay, ingénieur de recherche chez Michelin. Le solveur physique par éléments finis Mef++ n’en est pas capable par manque d’informations car seules les températures à l’entrée et à la sortie des rouleaux sont accessibles.
« Nous étudions comment une approche de machine learning, physiquement inspirée, permettrait de reconstruire l’état du système en couplant ces données de mesure et la connaissance physique du procédé », poursuit Thibault Dairay. Il s’agit de la méthode Pinn (Physics-informed neural networks) : ici, un réseau de neurones FC (fully connected) est contraint à respecter l’équation de Stokes généralisée avec couplage thermomécanique. À partir des seules mesures de température à l’entrée et à la sortie, ce modèle réussit à trouver les champs de température, de vitesse et de pression entre les rouleaux.
« Les résultats sont par ailleurs très proches de ceux d’une simulation physique de référence, souligne Thibault Dairay. La précision pourrait suffire pour aiguiller les décisions dans les lignes de production. » Ces travaux font l’objet d’une thèse de Thi Khoa Nguyen depuis octobre 2021 et visent à réaliser un démonstrateur. Le déploiement n’est pas envisagé avant cinq ans.
Safran/cerfacs : Préparer le prototypage du moteur à hydrogène
Codéveloppé depuis vingt ans par Safran, le CNRS et le Cerfacs (Centre européen de recherche et de formation avancée en calcul scientifique), AVBP est un code de simulation 3D à haute fidélité de pointe dans le domaine de la mécanique des fluides. « Il permet notamment de décrire les écoulements turbulents et leur interaction avec le spray de carburant et les flammes au sein des chambres de combustion de nos moteurs. Il est aussi performant pour étudier les régimes transitoires, par exemple lors du changement de régime du moteur afin de vérifier la stabilité de la combustion », précise Stéphane Richard, le chef du service chambre de combustion chez Safran Helicopter Engines.
Quand la température et la pression sont très élevées, la combustion se produit cependant sur des échelles inférieures à la dizaine de microns qui « échappent » aux calculs et rendent les résultats d’AVBP imprécis. La solution que le Cerfacs expérimente fait appel à un modèle hybride, nommé AVBP_DL, qui combine des réseaux de neurones (de type CNN ou GNN) au solveur AVBP.
« AVBP réalise le calcul conventionnel tandis que l’IA se charge de modéliser la combustion à partir de techniques de reconnaissance d’images, explique Stéphane Richard. Cette IA recherche dans des situations de combustion apprises en amont du calcul celles qui s’apparentent à ce qui est vu dans la simulation. Elle permet d’exploiter des données simulées ou expérimentales de haute fidélité et d’améliorer la précision des calculs. » Cette méthode serait encore plus avantageuse avec l’hydrogène – combustible auquel s’intéressent tous les motoristes –, qui génère des flammes dix fois plus fines que celles du kérosène. Un premier démonstrateur d’AVBP_DL en vue du prototypage chez Safran de ce moteur hydrogène est prévu d’ici à la fin 2023.
Thales : Optimiser le design d’antennes-radars
Concevoir les composants radars les plus petits possibles et bénéficiant de la meilleure réponse fréquentielle. Depuis deux ans, Thales étudie le potentiel de réseaux de neurones physiquement informés – ici par les lois de Maxwell – pour relever ce défi, dans le cadre du laboratoire Sinclair, partagé avec EDF et Total. « Les modules de transmission-réception se comptent par centaines, voire milliers, sur les antennes de grande surface, signale David Sadek, le vice-président recherche, technologie et innovation chez Thales. Leur compacité est donc un critère important. » Les équipes de Thales R & T et de l’activité « radar de surface » ont travaillé sur un premier élément de filtre hyperfréquence.
« Le réseau de neurones est alimenté par des données simulées, produites par des grosses fermes de calcul, explique Frédéric Barbaresco, chargé de la modélisation hybride. Cette preuve de concept montre la capacité à synthétiser le design et la réponse fréquentielle du filtre, tout en prouvant l’accélération du calcul. Dans une prochaine phase, nous souhaitons simuler les erreurs de fabrication pour des questions de tolérance. »
Thales travaille également sur un modèle de substitution pour approcher le modèle purement analytique, là encore pour gagner en vitesse. Le choix s’est porté sur un petit réseau de neurones, qualifié de parcimonieux. « C’est une méthode de gradient topologique : on fait grossir ce réseau jusqu’à obtenir ce que l’on veut, précise Frédéric Barbaresco. Les résultats sont bons et l’on poursuit nos recherches. »
IFP Énergies nouvelles : Accélérer les calculs de cinétique chimique
L’IFP Énergies nouvelles (ancien Institut français du pétrole), qui a lancé en 2019 le projet Acai (Acceleration of computation through artificial intelligence), progresse sur la modélisation hybride du transport réactif de gaz (biocarburants, mélange air-hydrogène…) dans les moteurs et turbines, décrit par des équations de cinétique chimique. L’approche met en œuvre un modèle d’apprentissage fondé sur des réseaux de neurones physiquement informés, auxquels il est demandé de respecter des contraintes comme la conservation de la masse, les relations entre fractions molaires...
« Ces nouveaux modèles sont intégrés dans un de nos simulateurs de combustion et le code prototype est en phase de validation auprès de nos utilisateurs-métiers, se réjouit Thibault Faney, ingénieur de recherche à l’IFP Énergies nouvelles (Ifpen). C’est l’étape avant la sortie d’un code industriel pour nos clients. » Les résultats sont probants. « Si le mélange est le même que celui utilisé pour l’apprentissage, le calcul est cinq à dix fois plus rapide, poursuit Thibault Faney. Le gain diminue quand on s’éloigne de ce domaine d’apprentissage. Mais comment quantifier cette notion d’éloignement ? Les travaux de recherche sont clairement là… »
En 2023, l’Ifpen étudiera une approche multi-échelle, qui vise à augmenter la précision dans les simulations de mécanique des fluides aux applications multiples : moteurs, fermes d’éoliennes, réacteurs chimiques… « Le principe est de créer des modèles d’IA entraînés à partir de simulations à très fine échelle puis de les utiliser comme lois de comportement dans des modèles à plus grande échelle », conclut cet ingénieur.
Renault : Écourter le calibrage de l’aide à la conduite
Renault ambitionne d’écourter le temps de mise au point de son système d’aide à la conduite (Adas), sans faire de compromis sur les performances. « La procédure requiert de nombreux roulages pour calibrer d’énormes quantités de paramètres, dont les distances mesurées par les capteurs », explique William Bécamel, l’expert leader en simulation numérique au sein du groupe Renault. La validation du système impose ces longs et coûteux essais, effectués sur une piste du centre technique d’Aubevoye en Normandie.
Si les modèles numériques actuels – la piste d’essai et l’outil Scaner pour simuler le comportement dynamique du véhicule – sont utiles pour défricher des phases préliminaires de conception, ils sont simplifiés et ne peuvent remplacer cette phase d’essai et de validation. Ce qui incite Renault à plancher sur un jumeau numérique hybride, qui s’appuie sur des essais menés dans le monde réel pour intégrer de manière implicite des paramètres ou des phénomènes non pris en compte par la simulation.
« En utilisant des réseaux de neurones récurrents, on modélise l’écart entre les résultats donnés par les essais et ceux obtenus par le calcul, précise Yves Tourbier, expert en optimisation et en aide à la décision dans le groupe Renault. Ainsi, on est capable de corriger les erreurs de la simulation et d’adapter l’Adas avec le bon niveau de précision. » Un modèle plus précis dont la mise au point serait également plus rapide : l’acquisition de données réelles en quantité suffisante ne prendrait plus que quelques semaines, au lieu de plusieurs mois.
Institut de technologie de Bombay : Créer la topologie des méta-surfaces
Recouvertes de nanostructures électriquement contrôlées, les méta-surfaces agissent sur la phase, l’amplitude et la polarisation d’un signal électromagnétique incident pour « modeler » le signal réfléchi, afin de le refocaliser en un point précis par exemple. Une ingénierie nano-photonique qui requiert cependant de longs calculs de simulation, en rapport avec la sophistication des fonctionnalités désirées. Lors de la conférence organisée par Comsol à Bangalore en 2019, des chercheurs de l’Institut de technologie de Bombay ont présenté une technique alternative de rétro-ingénierie : partir du spectre de réflexion que l’on veut obtenir pour déterminer la nanostructure qui permettra de générer ce spectre. Ils ont pour cela utilisé des réseaux de neurones antagonistes génératifs (GAN).
Leur méthode : à partir de 1 000 géométries de nanostructures créées de façon aléatoire et de simulations de spectres en réflexion, un réseau de neurones apprend à générer, à partir du spectre visé, des géométries de nanostructures qu’un second réseau de neurones, dit discriminant, apprend en même temps à identifier comme fausses. Au cours de l’entraînement, le réseau générateur progresse jusqu’à parvenir à tromper le réseau discriminateur. Il est ainsi devenu capable de produire une géométrie de nanostructure générant le spectre souhaité. Les chercheurs ont ainsi démontré que cette méthode inverse permet d’explorer de nouveaux espaces paramétriques pour la conception des méta-surfaces, tout en réduisant le temps de calcul.
