Exploiter l'apprentissage automatique dans les simulations physiques

Le développement virtuel de produits à l'aide de la simulation de conception constitue une stratégie efficace pour répondre aux besoins en constante évolution du processus de développement de produits. La simulation de conception consiste à modéliser et à simuler des scénarios réels afin de tester virtuellement les performances d'un produit. Divers logiciels utilisant soit la méthode des éléments finis (FEA), soit la dynamique des fluides computationnelle (CFD) sont utilisés pour la simulation de conception. En fonction de la complexité du problème physique à résoudre, ces simulations nécessitent du temps et des ressources informatiques.  Notre capacité à réaliser des analyses de pointe (FEA ou CFD) sans nous soucier des coûts initiaux liés à l'infrastructure matérielle, ainsi que notre capacité à partager des données et à collaborer avec des équipes dispersées à travers le monde, sont désormais une réalité grâce à la plateforme 3DEXPERIENCE de Dassault Systèmes .

Si la simulation de conception, qui permet de tester virtuellement les produits, nous aide à détecter les défauts de conception dès les premières étapes du processus, toute modification apportée à la conception nécessite de relancer l'analyse (c'est-à-dire la simulation de conception). La mise en place de configurations de simulation paramétriques et l'automatisation des processus de simulation contribuent à accélérer la validation virtuelle de la conception. Cependant, ces techniques exigent des connaissances de la part de l'utilisateur, du temps et une puissance de calcul importante. C'est là que l'intelligence artificielle, grâce à l'apprentissage automatique, peut être mise à profit.

L'apprentissage automatique consiste à former des systèmes informatiques en leur fournissant de vastes ensembles de données triées. Il permet au système d'apprendre à partir de ces données en identifiant des schémas complexes et des relations entre les entrées et les sorties. L'ordinateur est ainsi formé pour accomplir des tâches spécifiques et tirer des enseignements utiles des ensembles de données. Ces nouvelles connaissances peuvent ensuite être appliquées à de nouveaux scénarios similaires afin d'en prédire les résultats. En laissant les ordinateurs se charger des tâches répétitives et fastidieuses, nous disposons de plus de temps pour nous consacrer à la résolution créative de problèmes.

Bien que cette technologie existe sous différentes formes depuis les années 1950, les progrès récents en matière de collecte de données et de puissance de calcul ont considérablement accru les capacités de cette technologie de rupture. Dans le domaine de la conception de produits, l'intégration de l'apprentissage automatique (ML), et plus particulièrement des réseaux neuronaux, dans les simulations physiques est en train de révolutionner la manière dont les concepteurs et les ingénieurs abordent la simulation de conception.

Les réseaux neuronaux, inspirés de la structure du cerveau humain, constituent un sous-ensemble de l'apprentissage automatique qui excelle dans la reconnaissance de modèles et la formulation de prédictions à partir de vastes ensembles de données. Ils se composent de nombreux nœuds de traitement simples – des neurones étroitement interconnectés. Un nœud individuel peut être connecté à plusieurs nœuds de la couche située en dessous, d’où il reçoit des données, et à plusieurs nœuds de la couche située au-dessus, vers lesquels il envoie des données [1]. Ces nœuds individuels se recalibrent continuellement à chaque échantillon de données d’apprentissage afin que les données d’entrée correspondent au résultat correct.

Appliqués aux simulations de conception structurelle, les réseaux neuronaux offrent des avantages considérables, tels qu’une accélération de la vitesse de calcul et la libération de ressources pour d’autres tâches importantes. Pour illustrer le processus, une analyse statique linéaire a été réalisée à l’aide de SOLIDWORKS Simulation afin d’évaluer les contraintes dans un ensemble d’emboutissage soumis à une force. Ce modèle a servi de référence. Plusieurs études de simulation ont été menées en faisant varier les dimensions des composants afin de générer des données d’apprentissage. Une étude paramétrique a également été utilisée pour accélérer le processus de génération des données d’apprentissage.

Huit pour cent des données de simulation générées ont été utilisées pour entraîner un réseau neuronal de type feedforward à l'aide d'un code open source. Vingt pour cent des données de simulation ont servi à tester la précision du réseau neuronal dans la prédiction des résultats. Seules des valeurs numériques ont été utilisées pour l'entraînement. Une comparaison des valeurs de contrainte entre le modèle entraîné et le modèle de test est présentée ci-dessous.

Pour l'analyse statique linéaire, le modèle a prédit les valeurs de contrainte avec une erreur absolue moyenne en pourcentage de 0,2535 et un coefficient de détermination (R²) de 0,993.

Le flux de travail a également été testé dans le cadre d'une analyse non linéaire à l'aide du rôle « Mécanique des structures » sur la plateforme 3DEXPERIENCE. La charge exercée sur le haut d'une bouteille en plastique a été simulée à l'aide d'une analyse dynamique non linéaire qui a appliqué un déplacement prédéfini et évalué la force de réaction. Les données d'entraînement du réseau neuronal ont été générées en résolvant plusieurs simulations qui ont calculé la force de réaction pour différentes épaisseurs et formes de la bouteille.

Seules des valeurs numériques ont été utilisées pour entraîner un réseau neuronal à propagation directe doté d'un algorithme de rétropropagation. Comme indiqué ci-dessous, ce réseau neuronal se composait de deux nœuds à trois entrées (épaisseur, déplacement et facteur de forme), d'un nœud de sortie pour la force de réaction et de deux couches intermédiaires (cachées).

Vingt pour cent des données simulées qui n'avaient pas été utilisées lors de l'apprentissage du réseau neuronal ont été utilisées pour tester la précision des prédictions du modèle nouvellement formé. Dans ce cas, la valeur R² s'élevait à 0,725, avec une erreur absolue moyenne en pourcentage de 0,386.

Si l'intégration des réseaux neuronaux dans les simulations structurelles offre de nombreux avantages, elle pose également des défis. Parmi ceux-ci figurent la nécessité de disposer d'ensembles de données volumineux et de grande qualité, ainsi que la complexité liée à l'entraînement de modèles précis. Cependant, les progrès constants réalisés dans le domaine des algorithmes de réseaux neuronaux et de la puissance de calcul permettent de résoudre progressivement ces problèmes.

Cette approche recèle un immense potentiel pour stimuler la productivité, réduire les délais de mise sur le marché et favoriser l'innovation dans la conception des produits. En exploitant l'apprentissage automatique dans la simulation structurelle, les concepteurs et les ingénieurs peuvent créer efficacement des produits plus robustes et optimisés, répondant ainsi aux exigences sans cesse croissantes des consommateurs et des industries d'aujourd'hui.