Intelligence fluide : l'IA redéfinit notre façon de simuler la mer

L'intelligence artificielle (IA) transforme rapidement notre monde. En automatisant les tâches répétitives, en optimisant les flux de travail et en améliorant la prise de décision, cette technologie promet des gains substantiels d'efficacité et de productivité dans tous les secteurs. 

Grâce à cette augmentation de la productivité et de l’efficacité, l’IA devrait contribuer à hauteur de plusieurs milliers de milliards à la croissance économique et au développement dans le monde entier. 

L'IA a également a montré un potentiel énorme pour relever des défis complexes tels que les maladies et le changement climatique et stimuler l’innovation dans divers secteurs afin de permettre la création de nouveaux produits, services et modèles commerciaux. 

L'analyse des fluides présente également une application intéressante de l'IA. Dans les machines, les fluides tels que les lubrifiants, les liquides de refroidissement et les carburants sont testés afin d'identifier les anomalies pouvant indiquer des problèmes ou des pannes potentiels.

Cela permet d'effectuer des maintenances et des réparations ponctuelles, ce qui contribue à éviter des pannes et des temps d'arrêt coûteux. Cela minimise également le besoin de réparations et de remplacements majeurs et garantit que les machines fonctionnent à leur performance optimale.

Pendant de nombreuses années, l'analyse des fluides a été plutôt longue et fastidieuse. Mais l'avènement de l'IA a simplifié, optimisé et rendu plus précis le processus. 

Après tout, l'IA et les techniques d'apprentissage automatique utilisent des ensembles de données massifs, en tirent des enseignements et formulent des prédictions. La technologie peut prendre en compte l'ensemble des données d'un actif tout au long de sa durée de vie, exploiter plusieurs signaux simultanément et apprendre à s'adapter grâce aux retours d'information. 

L'analyse des fluides va cependant bien au-delà de l'huile contenue dans les machines. En ingénierie côtière et océanique, le comportement des fluides joue un rôle essentiel dans la conception des structures maritimes, la modélisation des changements du littoral et même l'exploitation de l'énergie des vagues et des marées. 

Faire progresser l'intelligence côtière et marine grâce à l'IA

Dans le domaine de l’ingénierie côtière, l’IA a apporté de nombreuses améliorations en s’attaquant à des problèmes tels que le transport des sédiments, la dynamique du littoral, l’optimisation de la conception, la surveillance côtière et la résilience climatique.

Un exemple de cela a été observé à la fin de l’année dernière, lorsque des chercheurs de l’Université de la ville de Hong Kong ont utilisé l’apprentissage automatique pour améliorer la précision de la modélisation du champ de vent de la couche limite des cyclones tropicaux.

« Nous, les êtres humains, vivons dans cette couche limite. Il est donc essentiel de la comprendre et de la modéliser avec précision pour prévoir les tempêtes et se préparer aux risques. »

– Auteur Qiusheng Li

L'air de cette couche interagissant avec la terre, l'océan et tout le reste de la surface, la modélisation s'est avérée particulièrement complexe. Malgré les approches traditionnelles utilisant des volumes importants de données et effectuant d'importantes simulations numériques sur des supercalculateurs, elles aboutissent encore souvent à des prévisions inexactes ou incomplètes.

La dernière étude a utilisé un cadre ML avancé basé sur la physique Cela nécessite peu de données réelles pour saisir le comportement complexe des champs de vent des cyclones tropicaux, qui contiennent des informations sur la structure, l'intensité et l'impact potentiel de la tempête. L'auteur Feng Hu a déclaré :

Avec des ouragans plus fréquents et plus intenses dus au changement climatique, notre modèle pourrait améliorer considérablement la précision des prévisions des champs de vent. Cette avancée peut contribuer à affiner les prévisions météorologiques et l'évaluation des risques, à fournir des alertes rapides et à renforcer la résilience des communautés et des infrastructures côtières.

À peu près à la même époque, des recherches distinctes introduit un substitut d'IA¹ Simuler la propagation des ondes de marée côtières dans un estuaire à des fins de prévision et de simulation rétrospective. Cette approche accélère les simulations et intègre une contrainte physique pour détecter et corriger les résultats inexacts.

En réduisant le coût en temps des prévisions sur 12 jours des simulations ROMS traditionnelles à seulement 22 secondes, la recherche contribue à la modélisation océanographique en offrant une alternative rapide, précise et physiquement cohérente aux modèles de simulation traditionnels, en particulier pour les prévisions en temps réel dans les interventions rapides en cas de catastrophe.

Plus tôt l’année dernière, une équipe de chercheurs a également travaillé sur l'amélioration de la modélisation neuronale² de la dynamique des fluides lagrangiens.

Sur cette base, les chercheurs ont amélioré l'apprentissage et l'inférence de déploiement des simulateurs basés sur GNN avec divers composants des solveurs SPH standard, notamment les composantes de viscosité, de pression et de force externe. Les simulateurs neuronaux améliorés par SPH ont ensuite obtenu de meilleures performances que les GNN de base, ce qui, selon les chercheurs, permet des déploiements considérablement plus longs et une meilleure modélisation physique.

Évolution des modèles de substitution basés sur l'apprentissage automatique dans la simulation des fluides

En matière de simulation des fluides, la technique particulaire est une approche courante, qui simule le comportement de l'écoulement d'un fluide par des particules. Parmi les exemples les plus courants, on peut citer l'hydrodynamique des particules lissées (SPH), la simulation semi-implicite des particules en mouvement (MPS) ou la SPH incompressible.

Cependant, ces techniques nécessitent des ressources informatiques importantes, notamment en termes de puissance de traitement, de temps et de coût. Ces dernières années, le besoin de simuler des fluides réels à chaque phase de l’ingénierie, de la conception, de la fabrication et du développement à la vérification, à l’exploitation et à la visualisation, a augmenté, de sorte que le temps de calcul doit également être réduit. 

Au cours des dernières années, plusieurs modèles de substitution basés sur le ML ont été introduits pour estimer la dynamique des fluides avec un coût de calcul moindre.

Cela comprend l’utilisation de l’apprentissage automatique pour remplacer les méthodes de particules et le calcul rapide des simulations de fluides lagrangiens, ce qui implique le suivi des particules de fluide individuelles et la concentration sur leurs trajectoires et leurs propriétés.

Bien que le ML puisse accélérer les simulations de fluides lagrangiens, les études précédentes n'ont pas été en mesure de valider les performances de généralisation de ces modèles de substitution sur divers comportements de fluides. 

Ensuite, il y a le fait que la plupart de ces modèles ont été validés dans les conditions CFL, tout comme les méthodes traditionnelles de dynamique des fluides numérique (CFD), ce qui limite leur capacité à réduire considérablement le temps de calcul.

De plus, l’objectif de ces études initiales n’était pas la précision mais plutôt la reproduction du comportement d’un fluide dans des environnements de simulation.

Des études ultérieures ont permis de progresser sur les modèles de substitution pour la SPH, dont la précision s'est progressivement améliorée. Les chercheurs ont utilisé différentes méthodes pour cela, notamment l'utilisation des résultats de la SPH comme données d'apprentissage pour réaliser une analyse lagrangienne des fluides avec des réseaux de neurones profonds (DNN) et l'introduction de réseaux de neurones graphes (GNN) pour apprendre le mouvement des particules fluides à partir des données de la SPH.

Cependant, ces études n'avaient pas pour objectif d'estimer la pression, l'un des facteurs essentiels à la compréhension de la mécanique des fluides et de son interaction avec les structures.

La progression à partir de là a conduit à la tendance récente à se concentrer sur la pression des fluides incompressibles. Pour cela, les scientifiques ont accéléré la résolution de la PPE dans les MPS en utilisant des DNN. Ils ont introduit des FGN (réseaux de graphes fluides) (qui exploitent les GNN pour simuler la dynamique des fluides) en utilisant les MPS comme données d'apprentissage. Cependant, ils n'ont pas confirmé si la pression estimée reproduisait le phénomène réel.

La plupart de ces études n'ont pas non plus clarifié l'effet des différents paramètres de caractéristiques sur les résultats. Cependant, comme ces derniers dépendent probablement des paramètres de caractéristiques, il est important de déterminer quelle caractéristique est essentielle pour que les modèles de substitution reproduisent les fluides.

Donc, une nouvelle étude, publié dans Applied Ocean Research³, a présenté un modèle de substitution basé sur les particules qui peut être appliqué à des pas de temps plus grands et à différents phénomènes fluides.

L'étude a présenté trois versions améliorées de simulateurs basés sur des réseaux de graphes (GNS), permettant au GNN d'apprendre le mouvement des particules fluides à partir de données SPH. Il s'agit notamment du GNS avec estimation de pression (GNS-P), du GNS avec nœuds de limite de paroi (GNS-W) et du GNS avec une combinaison des deux (GNS-WP). 

Dans leur étude, les chercheurs ont démontré l'importance de l'estimation de la pression pour prédire avec précision les fluides et ont vérifié que les nœuds de frontière de paroi sont essentiels à la gestion des conditions de frontière de paroi mobile. Ils ont également montré que GNS-WP était capable de reproduire le ballottement avec une grande précision, même lorsque la vitesse de simulation (le pas de temps) était dix fois supérieure à celle des données d'apprentissage.

La méthode proposée (GNS-WP) entraînée dans le scénario de ballottement, selon l'étude, peut être appliquée à trois problèmes différents : tests hydrostatiques, de rupture de barrage et d'oscillation libre.

Cliquez ici pour découvrir comment le Venus Flower Basket réinvente la dynamique aérodynamique et des fluides.

Modèle de substitution GNN plus rapide, plus intelligent et évolutif

Un nouveau modèle de simulation de fluides basé sur l'apprentissage automatique (ML) a été créé par des chercheurs de l'Université métropolitaine d'Osaka, réduisant considérablement le temps de calcul sans affecter la précision. Cette méthode rapide et de haute précision pourrait être utilisée dans la surveillance des océans en temps réel, la conception de navires et la production d'électricité offshore.

Les modèles basés sur l'IA gagnent en popularité dans le domaine de la dynamique des fluides, car ils simplifient et accélèrent les simulations de fluides. Cependant, cette technologie présente ses propres inconvénients. 

Comme l'a noté l'auteur principal, Takefumi Higaki, professeur adjoint à l'École supérieure d'ingénierie de l'Université métropolitaine d'Osaka :

« L’IA peut fournir des résultats exceptionnels pour des problèmes spécifiques, mais elle rencontre souvent des difficultés lorsqu’elle est appliquée à des conditions différentes. »

L’équipe a donc construit le nouveau modèle en utilisant des réseaux de neurones graphiques (GNN), une technologie d’apprentissage profond, pour fournir un outil toujours rapide et précis.

Les GNN sont une architecture de réseau neuronal qui traite et apprend à partir de données structurées en graphes. Les graphes sont des structures de données composées de nœuds, qui sont des entités comme des produits et des personnes, et d'arêtes, qui représentent les relations entre elles. Les GNN analysent les relations étendues et complexes au sein du graphe.

Ce réseau neuronal est utilisé dans l'analyse des réseaux sociaux pour comprendre les modèles, prédire les préférences des utilisateurs en fonction des interactions, modéliser et prédire les propriétés des matériaux, identifier les candidats médicaments potentiels et prédire l'efficacité des médicaments.

Dans la dernière étude, un nœud est une particule fluide, tandis que le bord est l’interaction entre ces particules. 

L'équipe de recherche a d'abord déterminé les facteurs importants pour les calculs fluides de haute précision. Elle a comparé différentes conditions d'entraînement, puis évalué l'efficacité de son modèle à s'adapter à différentes vitesses de simulation et à divers mouvements de fluides.

L’équipe a constaté que les résultats montrent de fortes capacités de généralisation sur différents comportements de fluides, augmentant considérablement la vitesse et diminuant le temps nécessaire au traitement. 

Il a été démontré que leur technique permettait d'atteindre une précision équivalente, voire supérieure, à celle du MPS, avec une vitesse CPU 10 fois supérieure et une vitesse GPU plus de 200 fois supérieure. L'étude a également montré que, malgré un entraînement utilisant uniquement un puissant flux de ballottement, GNS-WP était capable de reproduire avec succès des flux calmes et statiques avec une limite de paroi différente.

« Notre modèle maintient le même niveau de précision que les simulations traditionnelles basées sur les particules, dans divers scénarios de fluides, tout en réduisant le temps de calcul d'environ 45 minutes à seulement trois minutes. »

– Higaki

Grâce à cette avancée, la recherche offre une solution évolutive et généralisable pour la simulation de fluides haute performance, alliant efficacité et précision. Plus important encore, ces améliorations ne se limitent pas au laboratoire.

Higaki a dit :

Des simulations de fluides plus rapides et plus précises peuvent accélérer considérablement le processus de conception des navires et des systèmes énergétiques offshore. Elles permettent également d'analyser le comportement des fluides en temps réel, ce qui pourrait optimiser l'efficacité des systèmes énergétiques océaniques.

Contrairement à d’autres études, celle-ci détaille une amélioration étape par étape des modèles de substitution basés sur les particules, ce qui contribue à leur développement ultérieur. 

Dans leurs travaux futurs, les chercheurs prévoient également de relever les défis liés à la cohérence physique insuffisante, à la gestion d'une pression inconnue et à l'extension de l'utilisation du modèle à des problèmes complexes et 3D. 

Étant donné le potentiel de la méthode proposée pour apprendre à partir de données expérimentales dans le monde réel, l'équipe vise en outre à utiliser cette étude comme base pour recréer des comportements de fluides complexes dont les équations régissant ne sont pas connues, comme les écoulements multiphasiques avec des matériaux discontinus.

Entreprise innovante

Huntington Ingalls Industries, Inc. (HII -1.26%)

Constructeur naval majeur de la marine américaine, Huntington Ingalls Industries explore constamment des améliorations dans les simulations de dynamique des fluides pour rationaliser la conception des navires et les tests de performance.

L'entreprise développe la prochaine génération de systèmes de défense et de renseignement intelligents et s'appuie pour cela sur l'intelligence artificielle (IA). En combinant la puissance du cloud computing et des appareils de pointe avec des logiciels sur mesure, HII espère faire de la collaboration homme-IA la norme pour les opérations futures.

Chez HII, des algorithmes d’IA et d’apprentissage automatique de pointe sont développés, testés et intégrés pour optimiser et accélérer les systèmes et plates-formes critiques.

Les applications ML avancées de la société prennent en charge un large éventail de besoins de défense, notamment le spectre des radiofréquences, l'analyse automatisée des images, les données cybernétiques, l'environnement acoustique et le langage naturel pour la production de renseignements.

HII utilise également sa connaissance approfondie du domaine et des données pour développer l'apprentissage automatique (ML) au service de la résilience des missions, de la préparation opérationnelle et du maintien de la flotte dans des situations logistiques difficiles. Dans le prolongement de sa formation sur simulateur, l'entreprise participe au développement d'aides à la décision opérationnelle basées sur l'apprentissage automatique (ML).

De plus, le développeur de plateforme maritime autonome a déployé une IA d'apprentissage profond (DL) avec des architectures basées sur des transformateurs pour une recherche de signaux de précision dans des volumes massifs de données très encombrées.

HII exploite et fusionne des données issues de différentes modalités, notamment les signaux spectraux RF, l'imagerie géospatiale et les médias en langage naturel, pour améliorer la précision. Il utilise également une technologie NLP avancée basée sur l'apprentissage profond et l'apprentissage automatique (ML) pour faciliter le tri et la connexion des informations lors de missions mondiales.

Les jumeaux numériques alimentés par l'IA de HII permettent quant à eux de tester, de valider et d'économiser des ressources, de la construction navale à la maintenance de la flotte. Odyssey, sa suite d'autonomie avancée, transforme n'importe quel véhicule en une plateforme robotique intelligente permettant l'autonomie collaborative multi-véhicules, la surveillance de l'état de santé, la fusion de capteurs et la perception assistée par l'IA. 

L'entreprise utilise donc largement les dernières technologies pour accroître sa productivité et optimiser ses processus. Cependant, HII reconnaît que les incertitudes inhérentes à l'IA pourraient entraîner des inefficacités opérationnelles et un préjudice concurrentiel, surtout si ses outils s'avèrent inadaptés.

D'un point de vue financier, ce fournisseur de défense multi-domaines affiche une capitalisation boursière de 7.25 milliards de dollars. Au moment de la rédaction de cet article, son action s'échangeait à 184.95 dollars, en baisse de 2.13 % depuis le début de l'année. Son BPA (sur les 13.96 derniers mois) s'élève à 13.25, son ratio cours/bénéfice (sur les 12.56 derniers mois) à 2.92 et son ROE (sur les XNUMX derniers mois) à XNUMX %. Quant au rendement du dividende, il atteint un excellent niveau de XNUMX %.

En ce qui concerne les finances de l'entreprise, pour le quatrième trimestre de 4, l'entreprise rapporté Un chiffre d'affaires de 3 milliards de dollars, contre 3.2 milliards de dollars au même trimestre de l'exercice précédent. Cette baisse s'explique par une baisse des volumes dans tous les segments. Le résultat d'exploitation non conforme aux PCGR a également diminué, passant de 330 millions de dollars au quatrième trimestre 4 à 23 millions de dollars, en raison de la baisse des performances de Newport News Shipbuilding. 

Le bénéfice dilué par action au cours du trimestre s'est élevé à 3.15 $, alors que le carnet de commandes s'élevait à 48.7 milliards de dollars à la fin de l'année.

Pour l'ensemble de l'exercice, le chiffre d'affaires de HII s'est élevé à 11.5 milliards de dollars, en légère hausse (moins de 1 %) par rapport à 2023, grâce à la hausse des volumes d'Ingalls Shipbuilding et de Mission Technologies. Le bénéfice par action dilué s'est établi à 13.96 dollars. 

La trésorerie nette provenant des activités d'exploitation s'est élevée à 393 millions de dollars, tandis que le flux de trésorerie disponible s'est élevé à 40 millions de dollars, soit une forte baisse par rapport aux 970 millions de dollars et 692 millions de dollars respectivement de l'année précédente.

En 2024, l'entreprise a également annoncé avoir franchi des étapes clés dans la construction navale, notamment la livraison du quai de transport amphibie Richard M. McCool Jr. (LPD 29) et du sous-marin de classe Virginia New Jersey (SSN 796). Le segment Mission Technologies de HII a quant à lui remporté des contrats d'une valeur totale de plus de 12 milliards de dollars.

Nous continuons de progresser sur les navires mis sous contrat avant la COVID et travaillons activement avec nos clients pour conclure plus de 50 milliards de dollars de nouveaux contrats. Mission Technologies a maintenu sa solide performance en termes de croissance du chiffre d'affaires et d'amélioration des marges. Nous abordons 2025 en nous concentrant sur notre mission : fournir les navires les plus puissants au monde et des solutions multi-domaines au service de la nation.

– PDG et président Chris Kastner

Conclusion

Les modèles de simulation de fluides pilotés par l'IA contribuent depuis longtemps aux progrès de la dynamique des fluides. Cependant, le dernier modèle d'IA, qui utilise des réseaux de neurones graphes, a obtenu des résultats impressionnants. Il présente non seulement un fort potentiel pour combler l'écart entre précision et efficacité, mais permet également des applications plus rapides et en temps réel dans le secteur maritime.

Cette technologie pourrait s'avérer prometteuse pour accélérer la conception et les essais de navires et d'infrastructures offshore, ainsi que pour optimiser les systèmes d'énergie marine renouvelable. Le modèle de simulation des fluides basé sur l'IA peut contribuer à une ingénierie océanique plus propre et plus intelligente, ouvrant la voie à un avenir prospère !