Intelligence des fluides: L’IA redéfinit 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 d’efficacité et de productivité dans tous les secteurs. 

Avec cet accroissement de la productivité et de l’efficacité, on prévoit que l’IA contribuera de plusieurs billions à la croissance économique et au développement mondial. 

L’IA a également démontré 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 économiques. 

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 liquides de refroidissement et les carburants sont effectués afin d’identifier des problèmes pouvant indiquer des dysfonctionnements ou des pannes potentielles.

Cela permet une maintenance et des réparations en temps opportun, ce qui aide à prévenir les pannes coûteuses et les temps d’arrêt. Cela minimise également le besoin de réparations majeures et de remplacements et garantit que la machinerie fonctionne à son rendement optimal.

Pendant de nombreuses années, l’analyse des fluides a été assez longue et fastidieuse. Mais l’avènement de l’IA a rendu l’ensemble du processus plus simple, efficace et précis. 

Après tout, les techniques d’IA et d’apprentissage automatique utilisent d’énormes ensembles de données, en apprennent et font ensuite des prédictions. La technologie peut prendre en compte l’ensemble du jeu de données d’un actif sur toute sa durée de vie, utiliser plusieurs signaux simultanément et apprendre à s’adapter grâce aux retours. 

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

Faire progresser l’intelligence côtière et marine avec l’IA

En ingénierie côtière, l’IA a apporté de nombreuses améliorations en abordant 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 la City University of 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 comprendre et la modéliser avec précision est essentiel 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 le reste au niveau de la surface, la modélisation a été assez difficile. Malgré les approches traditionnelles utilisant d’énormes quantités 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 informé par la physique 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 de façon significative la précision des prévisions des champs de vent. Cette avancée peut aider à affiner les prévisions météorologiques et les évaluations des risques, en fournissant des alertes rapides et en renforçant la résilience des communautés côtières et des infrastructures. »

À la même époque, une recherche distincte a introduit un substitut IA¹ pour simuler la propagation des vagues de marée côtières dans un estuaire à des fins de rétro-modélisation et de prévision. Cette approche accélère les simulations et intègre une contrainte basée sur la physique pour détecter et corriger les résultats inexacts.

En réduisant le coût temporel d’une 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 lors de réponses rapides aux catastrophes.

Au début de l’année dernière, une équipe de chercheurs a égalementtravaillé à l’amélioration de la modélisation neuronale² de la dynamique des fluides lagrangiens.

Sur cette base, les chercheurs ont amélioré à la fois l’entraînement et l’inférence de déploiement des simulateurs basés sur les GNN avec différents composants provenant des solveurs SPH standards, incluant les composantes visqueuses, de pression et de force externe. Les simulateurs SPH neuronaux améliorés ont alors obtenu de meilleures performances que les GNN de référence, ce qui, selon eux, permet des déploiements nettement plus longs et une meilleure modélisation physique.

Évolution des modèles de substitution basés sur le ML dans la simulation des fluides

En matière de simulation des fluides, une approche courante est la technique des particules, où les particules simulent le comportement du flux fluide. Parmi les exemples largement utilisés figurent l’hydrodynamique à particules lissées (SPH), la méthode des particules semi-implicites en mouvement (MPS) ou le SPH incompressible.

Cependant, ces techniques nécessitent d’importantes ressources informatiques, y compris la puissance de traitement, le temps et le 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 inclut l’utilisation de l’apprentissage automatique pour remplacer les méthodes à particules et le calcul rapide des simulations fluides lagrangiennes, qui implique le suivi des particules fluides individuelles et se concentre sur leurs trajectoires et leurs propriétés.

Bien que le ML puisse accélérer les simulations fluides lagrangiennes, les études précédentes n’ont pas pu valider la performance de généralisation de ces modèles de substitution sur des comportements fluides divers.

Ensuite, il faut noter que la plupart de ces modèles ont été validés sous la condition CFL, tout comme les méthodes traditionnelles de dynamique des fluides computationnelle (CFD), ce qui limite leur capacité à réduire significativement le temps de calcul.

De plus, l’objectif de ces premières études n’était pas la précision mais plutôt la reproduction d’un comportement similaire à celui d’un fluide dans les environnements de simulation.

Ainsi, les études ultérieures ont fait progresser les modèles de substitution pour le SPH, qui ont vu une amélioration progressive de la précision. Les chercheurs ont utilisé différentes méthodes, comme l’utilisation des résultats SPH comme données d’entraînement pour réaliser une analyse fluide lagrangienne avec des réseaux neuronaux profonds (DNN) et l’introduction de réseaux de neurones graphiques (GNN) pour apprendre le mouvement des particules fluides à partir des données SPH, entre autres.

Cependant, ces approches ne visaient pas à estimer la pression, l’un des facteurs essentiels pour comprendre la mécanique des fluides et son interaction avec les structures.

Ainsi, la progression a conduit à la tendance récente de se concentrer sur la pression des fluides incompressibles. Pour cela, les scientifiques ont accéléré la résolution de l’équation de pression (PPE) dans le MPS en utilisant les DNN. Ils ont introduit les FGN ou réseaux de graphes fluides (qui exploitent les GNN pour simuler la dynamique des fluides) en utilisant le MPS comme données d’entraînement. 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 caractéristiques sur les résultats. Mais comme les résultats dépendent probablement des réglages des caractéristiques, il est important de révéler quelles caractéristiques sont essentielles pour que les modèles de substitution reproduisent les fluides.

Ainsi, 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 fluides.

L’étude a présenté trois versions améliorées du simulateur basé sur les réseaux de graphes (GNS), où les GNN apprennent le mouvement des particules fluides à partir des données SPH. Cela comprend le GNS avec estimation de pression (GNS-P), le GNS avec nœuds de frontière murale (GNS-W) et le GNS combinant les 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 confirmé que les nœuds de frontière murale sont essentiels pour gérer les conditions de frontière mobile. Ils ont également montré que le GNS-WP était capable de reproduire le sloshing de façon assez précise même lorsque la vitesse de simulation (la taille du pas de temps) était 10 fois plus grande que celle des données d’entraînement.

La méthode proposée (GNS-WP) entraînée dans le scénario de sloshing, 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 panier de fleurs de Vénus réinvente l’aéro et la dynamique des fluides.

Modèle de substitution plus rapide, plus intelligent et évolutif alimenté par GNN

Le nouveau modèle de simulation fluide basé sur le ML 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 à haute précision pourrait être utilisée pour la surveillance océanique en temps réel, la conception de navires et la production d’énergie offshore.

Les modèles alimentés par l’IA gagnent beaucoup d’adhésion dans le domaine de la dynamique des fluides grâce à la simplification et à l’accélération des simulations fluides. Cependant, cette technologie présente ses propres problèmes. 

Comme l’a souligné l’auteur principal, Takefumi Higaki, professeur assistant à l’École supérieure d’ingénierie de l’Université Métropolitaine d’Osaka :

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

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

Les GNN sont un type d’architecture de réseau neuronal qui traite et apprend à partir de données structurées sous forme de graphe. 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 eux. Les GNN analysent les relations larges et complexes au sein du graphe.

Ce réseau neuronal est utilisé dans l’analyse des réseaux sociaux pour comprendre les schémas, prédire les préférences des utilisateurs en fonction des interactions, modéliser et prédire les propriétés des matériaux, et identifier les candidats potentiels aux médicaments ainsi que prédire leur efficacité.

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

L’équipe de recherche a d’abord déterminé quels facteurs sont importants pour des 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 des mouvements fluides variés.

L’équipe a constaté que les résultats démontraient de fortes capacités de généralisation à travers différents comportements fluides, augmentant considérablement la vitesse et réduisant le temps de traitement. 

Il a été rapporté que leur technique atteint une précision du même niveau voire supérieure à celle du MPS, avec une vitesse 10 fois supérieure sur CPU et plus de 200 fois plus rapide sur GPU. L’étude a également noté que, malgré un entraînement uniquement sur un flux de sloshing puissant, le GNS-WP a pu reproduire avec succès à la fois les flux calmes et statiques avec une frontière murale différente.

« Notre modèle maintient le même niveau de précision que les simulations traditionnelles basées sur les particules, quel que soit le scénario fluide, tout en réduisant le temps de calcul d’environ 45 minutes à seulement trois minutes. »

– Higaki

Avec cette réussite, la recherche propose une solution évolutive et généralisable pour la simulation fluide haute performance qui équilibre efficacité et précision. Plus important encore, ces améliorations ne se limitent pas au laboratoire.

Higaki a déclaré :

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

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

Dans les travaux futurs, les chercheurs prévoient également de relever les défis de la cohérence physique insuffisante, de la gestion de la pression inconnue et d’étendre l’utilisation du modèle à des problèmes complexes et en 3D. 

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

Entreprise innovante

Huntington Ingalls Industries, Inc.

Grand constructeur naval pour la marine américaine, Huntington Ingalls Industries (HII ) explore constamment des améliorations des simulations de dynamique des fluides afin d’optimiser la conception des navires et les tests de performance.

L’entreprise construit la prochaine génération de systèmes de défense et d’intelligence intelligents et s’appuie sur l’intelligence artificielle (IA) pour y parvenir. En combinant la puissance du cloud computing et des appareils en périphérie avec des logiciels sur mesure, HII espère faire des équipes homme-IA fluides 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 plateformes critiques pour les missions.

Les applications avancées de ML de l’entreprise soutiennent un large éventail de besoins de défense, incluant le spectre radiofréquence, l’analyse automatisée d’images, les données cyber, l’environnement acoustique et le langage naturel pour la production de renseignements.

HII exploite également sa connaissance approfondie du domaine et des données pour créer du ML visant la résilience des missions, la disponibilité opérationnelle et le maintien de la flotte dans des conditions logistiques contestées. Dans le cadre de son entraînement basé sur les simulateurs, elle participe au développement d’aides décisionnelles opérationnelles basées sur le ML.

De plus, le développeur de plateformes maritimes autonomes a déployé une IA d’apprentissage profond (DL) avec des architectures basées sur les transformeurs pour la recherche de signaux de précision dans d’énormes volumes de données très encombrées.

HII exploite et fusionne les données provenant de différentes modalités, y compris les signaux spectraux RF, les images géospatiales et les médias en langage naturel afin d’améliorer la précision. Elle utilise également une technologie NLP avancée basée sur le DL et le ML pour aider au tri et à la connexion des informations pour les missions mondiales.

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

Ainsi, l’entreprise utilise largement les dernières technologies pour augmenter 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, surtout si leurs outils s’avèrent inadéquats.

Sur le plan financier, le fournisseur de défense tous domaines possède une capitalisation boursière de 7,25 milliards de dollars, ses actions, au moment de la rédaction, s’échangeant à 184,95 $, en baisse de 2,13 % depuis le début de l’année. Son BPA (TTM) est de 13,96, le ratio P/E (TTM) est de 13,25 et le ROE (TTM) est de 12,56 %. Quant au rendement du dividende, il est de 2,92 %.

En ce qui concerne les finances de l’entreprise, pour le quatrième trimestre 2024, la société a déclaré un chiffre d’affaires de 3 milliards de dollars contre 3,2 milliards de dollars au même trimestre de l’année précédente. Cette baisse était due à un volume moindre dans tous les segments. Le résultat d’exploitation non GAAP a également diminué, passant de 330 millions de dollars au 4T23 à 103 millions de dollars, en raison d’une performance moindre chez Newport News Shipbuilding.

Diluted earnings per share during the quarter were $3.15, while it had a backlog of $48.7 billion at the end of the year.

Pour l’année complète, le chiffre d’affaires de HII était de 11,5 milliards de dollars, une légère hausse (moins de 1 %) par rapport à 2023 grâce à des volumes plus élevés chez Ingalls Shipbuilding et Mission Technologies. Le bénéfice net dilué par action était de 13,96 $. 

La trésorerie nette provenant des activités opérationnelles était de 393 millions de dollars tandis que le flux de trésorerie disponible était de 40 millions de dollars, une forte baisse par rapport à 970 millions et 692 millions respectivement l’année précédente.

En 2024, l’entreprise a également déclaré avoir atteint des jalons critiques de construction navale, incluant la livraison du transport amphibie Richard M. McCool Jr. (LPD 29) et du sous-marin de classe Virginia New Jersey (SSN 796). Le segment Mission Technologies, quant à lui, a remporté des contrats d’une valeur totale de plus de 12 milliards de dollars.

« Nous continuons à progresser sur les navires contractés avant la COVID, et nous travaillons assidûment avec nos clients pour placer plus de 50 milliards de dollars de nouveaux travaux sous contrat. Mission Technologies a maintenu son solide historique de croissance du chiffre d’affaires et d’expansion des marges. Nous entrons en 2025 concentrés sur notre mission de livrer les navires les plus puissants du monde et des solutions tous domaines au service de la nation. »

– PDG et président Chris Kastner

Conclusion

Les modèles de simulation fluide alimentés par l’IA aident à faire progresser le domaine de la dynamique des fluides depuis un certain temps. Cependant, le dernier modèle d’IA, qui utilise les réseaux de neurones graphiques, a démontré des résultats impressionnants. Il montre non seulement un fort potentiel pour combler le fossé entre précision et 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 des navires et des infrastructures offshore et optimiser les systèmes d’énergie océanique renouvelable. Le modèle de simulation fluide basé sur l’IA peut contribuer à une ingénierie océanique plus propre et plus intelligente, menant à un avenir prospère !