Intelligence fluide : l’IA rédefinit la façon dont nous simulons 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 en efficacité et en productivité dans tous les secteurs.

Grâce à cette augmentation de la productivité et de l’efficacité, l’IA devrait contribuer à des trillions de dollars à la croissance économique et au développement dans le monde.

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

Une application intéressante de l’IA a également été observée dans l’analyse des fluides. Dans les machines, les tests de fluides tels que les lubrifiants, les refroidisseurs et les carburants sont effectués afin d’identifier les problèmes qui peuvent indiquer des problèmes ou des défaillances potentiels.

Cela permet une maintenance et des réparations en temps opportun, ce qui peut aider à prévenir les pannes coûteuses et les temps d’arrêt. Cela minimise également le besoin de réparations et de remplacements majeurs et garantit que la machine fonctionne à son niveau de performance optimal.

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

Après tout, les techniques d’IA et d’apprentissage automatique utilisent des ensembles de données massives, en apprennent et font ensuite des prévisions. La technologie peut prendre en compte l’ensemble des données d’un actif sur toute sa durée de vie, utiliser plusieurs signaux à la fois et apprendre à s’adapter grâce à la rétroaction.

L’analyse des fluides, cependant, va bien au-delà de l’huile dans les machines. Dans l’ingénierie côtière et océanique, le comportement des fluides joue un rôle critique dans la conception de structures maritimes, la modélisation des changements de ligne de rivage et même l’exploitation de l’énergie des vagues et des marées.

Amélioration de l’intelligence côtière et marine avec l’IA

Dans l’ingénierie côtière, l’IA a apporté de nombreuses améliorations en abordant des problèmes tels que le transport de sédiments, la dynamique des lignes de rivage, 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, donc la compréhension et la modélisation précise de celle-ci sont essentielles pour la prévision des tempêtes et la préparation aux risques. »

– Auteur Qiusheng Li

Parce que l’air dans cette couche interagit avec la terre, l’océan et tout ce qui se trouve au niveau de la surface, la modélisation a été plutôt difficile. Malgré les approches traditionnelles utilisant des tonnes de données et exécutant de grandes simulations numériques sur des supercalculateurs, elles aboutissent souvent à des prévisions inexactes ou incomplètes.

La dernière étude a utilisé un cadre d’apprentissage automatique avancé qui nécessite une petite quantité de données réelles pour capturer 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 en raison du changement climatique, notre modèle pourrait améliorer considérablement la précision des prévisions de champ de vent. Cette avancée peut aider à affiner les prévisions météorologiques et les évaluations des risques, fournissant des avertissements en temps opportun et renforçant la résilience des communautés et des infrastructures côtières. »

Autour de la même époque, une recherche distincte a introduit un substitut d’IA¹ pour simuler la propagation des vagues de marée côtières dans un estuaire à des fins de prévision et de rétrospective. Cette approche accélère les simulations et intègre une contrainte physique pour détecter et corriger les résultats inexacts.

En réduisant le temps de coût de la prévision de 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 la prévision en temps réel dans la réponse aux catastrophes rapides.

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

Sur la base de cela, les chercheurs ont amélioré à la fois la formation et l’inférence de simulateurs basés sur les réseaux de neurones (GNN) avec des composants variables à partir de solveurs SPH standard, notamment les composants visqueux, de pression et de force externe. Les simulateurs neuronaux améliorés SPH ont alors atteint de meilleures performances que les GNN de base, ce qui, selon eux, permet des simulations plus longues et une meilleure modélisation de la physique.

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

Lorsqu’il s’agit de simulation de fluides, une approche couramment utilisée est la technique de particules, où les particules simulent le comportement de l’écoulement de fluides. Des exemples largement utilisés incluent l’hydrodynamique des particules lissées (SPH), le semi-implicite des particules mobiles (MPS) ou l’hydrodynamique incompressible des particules lissées (ISPH).

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

Au cours des dernières années, plusieurs modèles de substitution basés sur l’apprentissage automatique ont été introduits pour estimer la dynamique des fluides avec un coût de calcul réduit.

Cela inclut l’utilisation de l’apprentissage automatique pour substituer les méthodes de particules et la computation rapide des simulations de fluides lagrangiens, qui impliquent le suivi de particules de fluides individuelles et la concentration sur leurs trajectoires et propriétés.

Bien que l’apprentissage automatique puisse accélérer les simulations de fluides lagrangiens, les études précédentes n’ont pas pu valider les performances de généralisation de tels modèles de substitution sur divers comportements de fluides.

Ensuite, il y a le fait que la plupart de ces modèles ont été validés sous la condition CFL, à l’instar des méthodes de la mécanique des fluides numérique (CFD) traditionnelles, ce qui limite leur capacité à réduire considérablement le temps de calcul.

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

Ainsi, les études ultérieures ont fait progresser les modèles de substitution pour l’hydrodynamique des particules lissées (SPH), qui ont vu une amélioration progressive de la précision. Les chercheurs ont utilisé différentes méthodes pour cela, telles que l’utilisation des résultats SPH comme données de formation pour effectuer l’analyse de fluides lagrangiens avec des réseaux de neurones profonds (DNN) et l’introduction de réseaux de neurones graphiques (GNN) pour apprendre le mouvement des particules de fluides à partir de données SPH, entre autres.

Cependant, ceux-ci n’ont pas visé à estimer la pression, l’un des facteurs essentiels pour comprendre la mécanique des fluides et son interaction avec les structures.

Ainsi, la progression à partir de là a conduit à la tendance récente de se concentrer sur la pression des fluides incompressibles.

Pour cela, les scientifiques ont accéléré la résolution de la PPE dans le MPS en utilisant les DNN. Ils ont introduit les réseaux de neurones de fluide graphique (FGN) ou les réseaux de neurones graphiques (GNN) pour simuler la dynamique des fluides en utilisant le MPS comme données de formation. Cependant, ils n’ont pas confirmé si la pression estimée reproduisait les phénomènes réels.

La plupart de ces études n’ont pas non plus clarifié l’effet des différents paramètres de fonction sur les résultats.

Une nouvelle étude, publiée dans Applied Ocean Research³, a présenté un modèle de substitution basé sur les particules qui peut être appliqué à des tailles de pas de temps plus grandes et à différents phénomènes de fluides.

L’étude a présenté trois versions améliorées du simulateur basé sur les réseaux de neurones graphiques (GNS), qui ont appris le mouvement des particules de fluides à partir de données SPH. Cela inclut le GNS avec estimation de pression (GNS-P), le GNS avec nœuds de limite de paroi (GNS-W) et le GNS avec une combinaison des deux (GNS-WP).

Dans leur étude, les chercheurs ont démontré que l’estimation de la pression est importante pour prédire avec précision les fluides et ont vérifié que les nœuds de limite de paroi sont essentiels pour gérer les conditions de limite de paroi mobiles.

Ils ont également montré que le GNS-WP a pu reproduire avec précision le phénomène de déplacement même lorsque la vitesse de simulation (la taille du pas de temps) était 10 fois supérieure à celle des données de formation.

Modèle de substitution plus rapide, plus intelligent et plus évolutif basé sur les GNN

Le nouveau modèle de simulation de fluides basé sur l’apprentissage automatique qui réduit considérablement le temps de calcul sans affecter la précision a été créé par des chercheurs de l’Université métropolitaine d’Osaka.

Cette méthode rapide et de haute précision a un potentiel d’utilisation dans la surveillance en temps réel des océans, la conception de navires et la production d’énergie offshore.

Les modèles d’IA sont de plus en plus populaires dans l’espace de la dynamique des fluides grâce à la simplification et à l’accélération des simulations de fluides.

Cependant, cette technologie a ses propres problèmes.

Comme l’a noté le principal auteur, Takefumi Higaki, qui est professeur agrégé à l’École d’ingénierie de l’Université métropolitaine d’Osaka :

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

Ainsi, l’équipe a construit le nouveau modèle en utilisant les réseaux de neurones graphiques (GNN), une technologie d’apprentissage profond, pour fournir un outil qui est constamment rapide et précis.

Les GNN sont un type d’architecture de réseau de neurones qui traite et apprend à partir de données structurées sous forme de graphes.

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

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

L’équipe de recherche a tout d’abord déterminé quels facteurs sont importants pour les calculs de fluides de haute précision.

Ils ont comparé différentes conditions de formation et ont ensuite évalué à quel point leur modèle pouvait s’adapter à différentes vitesses de simulation et à différents mouvements de fluides.

L’équipe a constaté que les résultats montrent une forte capacité de généralisation à travers différents comportements de fluides, augmentant considérablement la vitesse et réduisant le temps nécessaire au traitement.

Leur technique a été signalée pour atteindre une précision du même niveau ou même meilleure que le MPS, avec 10 fois la vitesse sur CPU et plus de 200 fois plus rapide sur GPU.

L’étude a également noté que, malgré la formation utilisant uniquement un flux de déplacement puissant, le GNS-WP a pu reproduire avec succès à la fois les flux calmes et statiques avec une limite de paroi différente.

« Notre modèle maintient le même niveau de précision que les simulations de particules basées sur les particules traditionnelles, dans divers scénarios de fluides, tout en réduisant le temps de calcul d’environ 45 minutes à seulement 3 minutes. »

– Higaki

Avec cette réalisation, la recherche offre une solution évolutivité et généralisable pour la simulation de fluides de haute performance qui équilibre l’efficacité avec la précision.

Plus important encore, ces améliorations ne sont pas limitées au laboratoire.

Higaki a déclaré :

« Des simulations de fluides plus rapides et plus précises peuvent signifier une accélération significative du processus de conception pour les navires et les systèmes énergétiques offshore. Elles permettent également l’analyse en temps réel du comportement des fluides, ce qui pourrait maximiser l’efficacité des systèmes d’énergie océanique. »

Entreprise innovante

Huntington Ingalls Industries, Inc. (HII )

Un important constructeur de navires pour la marine américaine, Huntington Ingalls Industries explore constamment des améliorations dans les simulations de dynamique des fluides pour rationaliser la conception et les tests de performances des navires.

La société est en train de construire la prochaine génération de systèmes de défense et d’intelligence intelligents et utilise l’intelligence artificielle (IA) pour y parvenir.

En combinant la puissance du cloud computing et des appareils périphériques avec des logiciels personnalisés, HII espère rendre les équipes humaines-IA sans faille la norme dans 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 les plateformes critiques pour la mission.

Les applications ML avancées de la société soutiennent un large éventail de besoins de défense, notamment le spectre de fréquence radio, l’analyse automatisée d’images, les données cybernétiques, l’environnement acoustique et le langage naturel pour la production d’intelligence.

HII utilise également ses connaissances approfondies de domaine et de données pour construire des ML pour la résilience des missions, la préparation opérationnelle et la durabilité de la flotte dans des conditions de logistique contestées.

En outre, le développeur de plateformes maritimes autonomes a déployé un apprentissage profond (DL) IA avec des architectures basées sur les transformateurs pour la recherche de signaux de précision dans des volumes massifs de données très encombrées.

HII exploite et fusionne des données à travers différentes modalités, notamment les signaux spectraux RF, les images géospatiales et les médias de langage naturel pour améliorer la précision.

HII utilise également la technologie de traitement de langage naturel (NLP) basée sur le DL et le ML pour aider à la classification et à la connexion des informations pour les missions mondiales.

Les jumeaux numériques alimentés par l’IA de HII permettent de tester, de valider et d’économiser des ressources, de la construction navale à la durabilité de la flotte.

Son ensemble d’autonomie avancé, Odyssey, transforme n’importe quel véhicule en une plateforme robotique intelligente qui permet une autonomie collaborative multi-véhicules, une surveillance de l’état, une fusion de capteurs et une perception alimentée par l’IA.

Ainsi, la société utilise les dernières technologies pour améliorer sa productivité et optimiser ses processus.

Cependant, HII reconnaît que les incertitudes inhérentes à l’IA pourraient entraîner des inefficacités opérationnelles et des préjudices concurrentiels, en particulier si leurs outils s’avèrent inadéquats.

Sur le plan financier, le fournisseur de défense à plusieurs domaines a une capitalisation boursière de 7,25 milliards de dollars avec ses actions, qui, au moment de la rédaction, sont négociées à 184,95 dollars, en baisse de 2,13 % depuis le début de l’année.

Avec cela, son BPA (TTM) est de 13,96, le ratio cours/bénéfice (TTM) est de 13,25 et le ROE (TTM) est de 12,56 %.

En ce qui concerne le rendement des dividendes, il s’agit d’un rendement intéressant de 2,92 %.

En termes de finances d’entreprise, pour le quatrième trimestre 2024, la société a rapporté un chiffre d’affaires de 3 milliards de dollars par rapport à 3,2 milliards de dollars pour le même trimestre de l’année précédente.

La baisse a été due à un volume inférieur dans tous les segments.

Le bénéfice d’exploitation non GAAP a également diminué, passant de 330 millions de dollars au 4ème trimestre 2023 à 103 millions de dollars, ce qui a été entraîné par une performance inférieure à Newport News Shipbuilding.

Le bénéfice par action dilué pendant le trimestre était de 3,15 dollars, tandis que la société avait un carnet de commandes de 48,7 milliards de dollars à la fin de l’année.

Pour l’année complète, le chiffre d’affaires de HII était de 11,5 milliards de dollars, soit une légère augmentation (moins de 1 %) par rapport à 2023 en raison de volumes plus élevés à Ingalls Shipbuilding et Mission Technologies.

Le bénéfice par action dilué était de 13,96 dollars.

Le flux de trésorerie d’exploitation était de 393 millions de dollars, tandis que le flux de trésorerie disponible était de 40 millions de dollars, soit une forte baisse par rapport à 970 millions de dollars et 692 millions de dollars respectivement l’année précédente.

En 2024, la société a également rapporté avoir atteint des jalons critiques de construction navale, notamment la livraison du transport de troupes amphibies Richard M. McCool Jr. (LPD 29) et du sous-marin de la classe Virginia New Jersey (SSN 796).

Le segment Mission Technologies de HII a également obtenu des contrats d’une valeur totale de plus de 12 milliards de dollars.

« Nous continuons de faire des progrès sur les navires mis sous contrat avant le COVID, et nous travaillons avec diligence avec nos clients pour mettre plus de 50 milliards de dollars de nouveaux travaux sous contrat. Mission Technologies a poursuivi son excellente performance de croissance du chiffre d’affaires et d’expansion des marges. Nous entrons dans 2025 en nous concentrant sur notre mission pour livrer les navires et les solutions à plusieurs domaines les plus puissants au service de la nation. »

– PDG et président Chris Kastner

Conclusion

Les modèles de simulation de fluides basés sur l’IA ont aidé à faire progresser le domaine de la dynamique des fluides depuis un certain temps déjà.

Cependant, le dernier modèle d’IA, qui utilise les réseaux de neurones graphiques, a démontré des résultats impressionnants.

Il ne montre pas seulement un potentiel élevé pour combler le fossé entre la précision et l’efficacité, mais permet également des applications en temps réel plus rapides dans les industries maritimes.

Cette technologie peut s’avérer prometteuse pour accélérer la conception et les tests de navires et d’infrastructures offshore, ainsi que pour optimiser les systèmes d’énergie renouvelable océanique.

Le modèle de simulation de fluides basé sur l’IA peut contribuer à une ingénierie océanique plus intelligente et plus propre, conduisant à un avenir prospère !