Un jour au lieu d’un mois : voici le gain de temps significatif à portée des ingénieurs du groupe Renault, quand ils s’évertuent à déterminer le meilleur concept d’architecture électrique alimentant un groupe motopropulseur hybride. A la clé, un logiciel de design exploitant des algorithmes génératifs et développé par la start-up Dessia. Ce résultat probant a été présenté lors de la conférence régionale NAFEMS (organisation focalisée sur les aspects technologiques de la simulation numérique), dont la dernière édition s’est tenue à Senlis les 23 et 24 novembre 2022.
« Notre logiciel trace automatiquement les chemins des câblage durant la phase d’avant-projet d’un moteur, précise Pierre-Emmanuel Dumouchel, PDG et cofondateur de Dessia. C’est en quelque sorte le GPS du câblage. Renault réduit le temps de conception et peut tester plus de choses. »
Cette jeune pousse, née en 2017, fait sienne le principe du design génératif – une technique itérative qui sert à explorer de multiples possibilités de conception à partir de paramètres fixés par l’ingénieur -, tout en le modernisant : l’ingénieur crée, à l’aide d’un kit de développement où il décrit le produit, les règles, etc., un robot-compagnon (ou « bot ») qui l’assistera dans sa tâche.
« On structure le savoir des ingénieurs dans une logique low-code (programmation simplifiée par interface graphique avec édition du code possible, ndlr), et on génère tous les concepts possibles, explique Pierre-Emmanuel Dumouchel. Ensuite, pour aider les ingénieurs à y voir plus clair, on réduit cet espace grâce à la classification, car le design génératif peut produire des milliers de solutions. »
Le machine learning pour capter le savoir tacite
Cette opération de tri fait appel à une IA dite explicable – dont les prévisions sont interprétables, contrairement à celles d'un modèle « boîte noire » -, bâtie sur des arbres décisionnels et le « clustering » (classification par apprentissage automatique). Les résultats non pertinents sont éliminés manuellement et les meilleurs candidats sont introduits dans un modeleur 3D qui façonne des géométries préliminaires, en vue de leur intégration future dans un logiciel CAO.
Selon Dessia, cette méthode d’ingénierie « augmentée » est le fruit d’une collaboration commencée il y a trois ans avec Renault et s’appliquera aux prochains véhicules hybrides et électriques de la marque. L’architecture du système de refroidissement du moteur et le rangement optimisé des divers éléments (batterie, climatisation…) sous le capot du véhicule sont d’autres cas d’usage envisageables dans l’industrie automobile.
Pour que le tableau soit complet, il reste à modéliser la part tacite du savoir, que l’ingénieur acquiert de façon empirique et ne sait pas formaliser. « C’est là que le machine learning est intéressant, souligne Pierre-Emmanuel Dumouchel. L’expert tague l’espace admissible généré par l’IA et on réalise ensuite un apprentissage supervisé pour capter ce savoir. »
Intervient dans un deuxième temps de l’apprentissage par renforcement qui, grâce à une notation « récompensant » les meilleures pistes explorées par l’IA, permet de construire un modèle. Lequel vient enrichir le modèle initial des connaissances explicites. « C’est une phase qui mûrit et dont le déploiement chez Renault est en cours de réflexion », déclare Pierre-Emmanuel Dumouchel.
