Rivés à 300 mètres de profondeur dans la mer du Nord, sur le site d’Åsgard au large de la Norvège, des compresseurs de plusieurs mégawatts poussent du gaz vers l’Europe. L’inspection in situ de cette puissante machinerie pour connaître son état, prévoir son comportement et optimiser son fonctionnement n’est pas une sinécure. « Nous développons pour cela un prototype de jumeau numérique, explique Joaquim Da Silva, le directeur R & D de SKF Magnetic Mechatronics (S2M), l’entreprise qui conçoit et fabrique les paliers magnétiques actifs équipant ces appareils. Nous visons à pouvoir détecter, via les paliers magnétiques, la dynamique changeante des rotors causée par des liquides percutant les roues de compression. » Ce système d’une précision redoutable – l’entrefer de 150 microns est régulé à quelques microns près – serait supervisé en temps réel.
Pour y parvenir, S2M mise sur un jumeau numérique novateur, dit hybride. Soit un modèle simulant le fonctionnement du système à partir des lois physiques, mais dont la précision est accrue par le machine learning grâce à l’usage de données réelles provenant du système. Plus précisément, les résultats du solveur physique, autrement dit les prévisions de la simulation, sont comparés avec ces données mesurées. Les écarts constatés sont appris par un algorithme d’apprentissage automatique pour former un modèle de l’erreur de prévision. Ce modèle est ensuite utilisé pour corriger en permanence la simulation physique.
« En additionnant le modèle de la connaissance, apportée par les équations physiques, et le modèle de l’ignorance, appris par l’IA, on obtient une simulation qui reflète la réalité », résume le sémillant Francisco Chinesta, enseignant-chercheur au laboratoire Procédés et ingénierie en mécanique et matériaux (unité mixte de recherche de l’Ensam, des Arts et Métiers et du CNRS) et grand artisan du jumeau numérique hybride. Une dénomination qui appartient à ESI Group, dont Francisco Chinesta est le directeur scientifique. Précis, ce jumeau peut également se montrer rapide, grâce à des techniques dites de réduction d’ordre du modèle physique qui comprime dimensions et variables dans les équations. Ces techniques se perfectionnant, les imprécisions se réduisent et sont « rattrapées » par le modèle d’apprentissage. Le jumeau numérique hybride peut alors agir comme un simulateur embarqué, paré pour l’ingénierie en mode opérationnel. « L’idée est de suivre un système durant toute sa vie pour établir des diagnostics, des pronostics et des prescriptions », avance-t-il.
Un défi technique de taille
Ce concept de supervision et de pilotage en exploitation, aidant à des prises de décisions justes et sans délai, séduit les industriels. S2M, bien sûr, mais aussi Naval Group, RTE, Renault, ArcelorMittal... Il est en outre aligné avec l’évolution des modèles d’affaires vers les services. « On vend des heures de fonctionnement plutôt que des roulements », résume Joachim Da Silva.
Reste que le défi technique derrière ce concept est de taille. Dans le cas de S2M, le jumeau hybride devra être implanté dans une unité de calcul locale (edge), côtoyant l’électronique de contrôle, pour assurer le temps réel. « Cependant, la simulation électromagnétique d’un palier axial sur une durée de quelques secondes prend trois jours à calculer et ne peut pas être exécutée en edge, souligne Joachim Da Silva. On travaille donc sur des modèles diminués par différentes techniques de réduction s’adaptant à la diversité des dynamiques d’un tel système multiphysique : longues pour la température, de quelques secondes pour le magnétisme, tandis que la partie électronique sera échantillonnée à 20 kHz... »
Pour que les anomalies soient détectées au plus tôt par exemple, les données mesurées devront être soumises au jumeau numérique hybride toutes les 35 microsecondes. La R & D se poursuit pour atteindre cet objectif. « Nous aurons quelque chose de performant et d’industrialisé dans les deux ou trois prochaines années », estime Joachim Da Silva. De son côté, RTE s’attaque à l’enjeu du « dynamic transformer rating » (DTR). Il s’agit de modifier de façon dynamique la puissance maximale transmissible par un transformateur de puissance afin d’éviter le « redispatching », opération d’aiguillage coûteuse lorsqu’on ne peut pas écouler une production électrique renouvelable sur le réseau. Un transformateur surchargé, cependant, chauffe un peu plus et vieillit donc davantage. Un jumeau numérique hybride doit permettre de modéliser l’accélération de ce vieillissement et de jouer des scénarios, afin d’évaluer le risque et de le confronter au coût du redispatching.
« Les lois électriques et thermiques sont connues mais les phénomènes de dégradation menant à une avarie sont incertains, explique Guillaume Denis, responsable d’études R & D chez RTE. De plus, chaque transformateur est unique, du fait de sa fabrication spécifique et de son utilisation passée. » Le projet de jumeau numérique hybride, lancé début 2022, pourra fournir une image instantanée et individualisée du comportement de ces transformateurs en s’appuyant sur les données mesurées : température de l’huile en haut et en bas de la cuve, intensité du courant de transit, présence de gaz dans l’huile… Pour le moment, 130 transformateurs considérés comme prioritaires sont suivis, même si tous ne seront pas forcément concernés par le DTR. « Grâce à des réseaux de neurones récurrents, nous voulons apprendre ce que nous ignorons encore, quantifier nos incertitudes et modéliser des déterminismes physiques résiduels qui amélioreront notre modèle physique », précise Guillaume Denis.
Prise en compte des incertitudes
Chez Naval Group, un jumeau numérique hybride en projet permettrait la surveillance structurelle de mâts de sous-marins, fabriqués en composites plutôt qu’en acier pour alléger l’ensemble. De tels mâts n’ayant encore jamais été mis à l’eau, ce modèle s’applique à un prototype à l’échelle 1:1, pour le moment à une plaque composite, et s’étendra à l’ensemble du mât en 2023. « Les déformations dynamiques locales de la structure sont acquises par fibre optique et constituent les nouvelles entrées de notre modèle thermomécanique, ce qui nous donne accès aux contraintes, que nous ne connaîtrons jamais une fois le mât en mer, détaille Cédric Leblond, responsable du calcul scientifique et de la simulation chez Naval Group. Le modèle de l’ignorance apprise, quant à lui, prend en compte toutes les incertitudes liées à la réalité non anticipées et non modélisées. »
Le modèle hybride, doté d’un apprentissage automatique simplifié, permet déjà de détecter des comportements anormaux quand des défauts sont introduits volontairement. « Toutefois, on ne peut pas prédire les performances résiduelles du mât en raison de cette simplification », poursuit Cédric Leblond. Ce modèle d’apprentissage sera enrichi avec un réseau de neurones physiquement informé (Pinn) pour améliorer ce diagnostic, mais le niveau de maturité est encore bas. L’hybridation ne fait que commencer.
