Un professeur de mathématiques de l’Université de Manchester a développé une nouvelle méthode d’apprentissage automatique pour détecter les changements soudains dans le comportement des fluides, améliorant la vitesse et réduisant le coût d’identification de ces instabilités. Cette avancée surmonte l’un des principaux obstacles rencontrés lors de l’utilisation de l’apprentissage automatique pour simuler des systèmes physiques.
Les simulations informatiques de modèles mathématiques d’écoulement de fluides sont essentielles pour des applications quotidiennes, allant de la prévision météorologique à l’évaluation de la sécurité des réacteurs nucléaires. L’avènement de cette capacité de simulation au cours des 50 dernières années a révolutionné le développement d’avions économes en carburant. Par exemple, la configuration des voiles sur les yachts de course peut maintenant être optimisée en temps réel, procurant les gains marginaux nécessaires pour remporter des courses comme la Coupe de l’America.
Une aérodynamique optimisée signifie que les cyclistes modernes peuvent rouler plus vite, les balles de golf volent plus loin et les nageurs olympiques battent régulièrement des records du monde. La dynamique des fluides computationnelle permet également de modéliser l’écoulement du sang dans le cœur humain, rendant possible la chirurgie personnalisée pour chaque patient.
Les scientifiques et ingénieurs s’appuient sur des simulations informatiques pour comprendre, prédire et concevoir ces systèmes qu’ils ne peuvent pas facilement tester en conditions réelles. Mais les méthodes traditionnelles de simulation des fluides nécessitent souvent des heures, voire des jours de calcul, et peinent lorsque l’écoulement devient rapide ou très complexe.
Les simulations basées sur l’apprentissage automatique, une fois entraînées, peuvent effectuer ces évaluations presque instantanément. Un retour d’information immédiat permettrait des tests de conception rapides, des ajustements en temps réel et une exploration rapide de variations sans le fardeau de calcul habituel.
Les résultats ont été publiés dans le Journal of Computational Physics.
Le professeur David Silvester, professeur de mathématiques appliquées à l’Université de Manchester, a expliqué : « Résoudre les problèmes de fiabilité rencontrés par les modèles d’apprentissage automatique offrirait des avantages majeurs pour la recherche scientifique et l’ingénierie. L’enjeu est que les prédictions de flux générées naïvement par l’IA à partir des données seulement sont très susceptibles de présenter des scénarios impossibles. C’est une préoccupation sérieuse lors de la prédiction d’événements extrêmes comme les tornades et les tsunamis. »
L’étude utilise la stabilité du mouvement des fluides comme fondement d’une nouvelle méthode qui prédit le comportement des systèmes complexes. Au lieu de s’appuyer sur des expériences de laboratoire coûteuses, les solutions aux équations fondamentales du mouvement des fluides sont générées numériquement. Cela permet au modèle d’apprentissage automatique d’être entraîné sur des données précises et de haute qualité issues directement de la physique, démontrant que le modèle peut traiter avec précision des simulations difficiles.
Un axe clé de ce travail est l’identification des points de bifurcation – les moments où un écoulement régulier et stable (écoulement laminaire) commence soudainement à changer – similaire à une rivière calme et uniforme qui rencontre un obstacle, ou se sépare, et où les fluides commencent à se mélanger et à former des tourbillons. L’écoulement laminaire se produit lorsqu’un liquide se comporte de manière lisse et ordonnée, comme en versant du miel, l’écoulement est constant et régulier.
En utilisant avec succès un modèle d’apprentissage automatique pour identifier les points où un système change de comportement, ou dans ce cas bifurque, l’étude suggère qu’avec un raffinement supplémentaire, les modèles basés sur l’apprentissage automatique pourraient devenir une alternative pratique aux techniques traditionnelles de modélisation des fluides à l’avenir.
Le professeur Silvester a ajouté : « Ce mariage entre approches anciennes et nouvelles promet un calcul efficace des écoulements de fluides physiquement réalistes dans une myriade de situations pratiques. Le développement de modèles mathématiques raffinés pour les fluides complexes sera probablement d’une importance cruciale si la promesse de l’IA doit être pleinement réalisée à l’avenir. »
Article : Machine learning for hydrodynamic stability – Journal : Journal of Computational Physics – Méthode : Computational simulation/modeling – DOI : Lien vers l’étude
Source : Manchester U.
