Plusieurs définitions ont été associées au terme « IA » en raison de l’imagination populaire bien avant que l’on ne découvre ses utilisations pratiques. Maintenant que nous connaissons la véritable valeur de l’IA, nous pouvons examiner son rôle dans la fabrication et l’ingénierie, et tout particulièrement dans les simulations de produits ou procédés par méthode numérique de résolution d’équations représentant la physique.
En effet, dans les simulations, l’IA touche habituellement l’apprentissage machine et les réseaux neuronaux pour réduire le temps des calculs numériques complexes pour représenter la physique du système entier ou représenter une sous-composante du système. Examinons les trois cas d’utilisation suivants qui ont permis de gagner un avantage concurrentiel grâce à l’IA dans le cadre de simulations.
Modélisation d’ordre réduit (MOR)
La modélisation d’ordre réduit n’est pas un nouveau concept. Elle utilise habituellement une matrice mathématique basée sur la physique afin de réduire la complexité liée à la simulation d’un système 3D au détriment de la fidélité, tout en offrant un résultat basé sur la physique et qui permet un calcul en temps réel ou en un temps réduit significativement par rapport au modèle d’origine. Il peut s’agir d’un compromis intéressant, car le temps gagné compense largement une légère perte de précision.
Lorsqu’on y ajoute l’IA, plus précisément les aspects des réseaux neuronaux et d’apprentissage machine de l’IA, il est possible d’exécuter un nombre limité de variations de simulations afin de produire un modèle d’apprentissage machine. Ce dernier sera ensuite appliqué afin d’exécuter des simulations supplémentaires beaucoup plus rapidement qu’avant, et même plus rapidement que ne le permet la modélisation d’ordre réduit traditionnel. Cela permet aux ingénieurs d’optimiser rapidement une conception. Les types de simulation pouvant utiliser cette approche axée sur les données comprennent les simulations acoustiques, thermiques et de transfert de chaleur, structurales et de durabilité des matériaux.
Modélisation au niveau du système
La modélisation au niveau du système s’applique principalement aux modèles 1D et permet d’exécuter des simulations très rapidement. On appelle « apprentissage au niveau du système » la méthode associée à une telle application de l’IA selon une approche d’apprentissage par renforcement. Elle est habituellement utilisée pour créer une commande qui fonctionne en interagissant avec le modèle de simulation 1D (l’environnement) pour exécuter des centaines de milliers ou de millions de séquences de simulation 1D rapides pour apprendre à caractériser la réponse de l’environnement aux actions prises par les systèmes de contrôle.
La modélisation au niveau du système utilise l’IA dans un environnement de simulation de type jeu autonome afin de générer un mécanisme de contrôle optimal. Souvent utilisée en ingénierie de système de contrôle, la modélisation au niveau du système peut toucher des applications comme les contrôles de température d’un four ou d’autres systèmes fonctionnant au moyen de tout type de mécanisme de commande. Elle est aussi de plus en plus souvent utilisée dans des appareils de pointe pour des applications d’IdO industrielles étant donné que le modèle obtenu présente une empreinte informatique véritablement petite, ce qui signifie que les simulations peuvent être exécutées en temps réel ou en temps quasi réel.
Réseaux antagonistes génératifs
Les réseaux antagonistes génératifs (RAG) sont utilisés au stade de l’étude de définition de la conception afin de modéliser des éléments qui n’existent pas encore ou bien pour déceler des anomalies en validant si la distribution de données suit la norme établie. Les réseaux antagonistes génératifs associent un algorithme de génération à un algorithme de discrimination. Lors d’une simulation de RAG, l’algorithme de génération produit plusieurs nouvelles conceptions erronées. L’algorithme de discrimination est lancé de façon alternative pour déterminer quelles conceptions générées présentent des résultats irréalistes. En éliminant la plupart des conceptions erronées (impossibles à utiliser dans la réalité), cette solution permet aux concepteurs de découvrir de nouvelles options de conception optimales qui n’ont jamais été étudiées auparavant.
Cela dit, afin qu’elles soient réussies, les simulations de RAG doivent être alimentées au moyen d’une grande quantité de données historiques provenant d’applications connexes. Les courses de Formule 1 constituent une application courante pour les simulations de RAG. Les fabricants de voitures de course recueillent des tonnes de données. Celles-ci peuvent alors être utilisées pour exécuter des centaines d’essais virtuels, notamment une dynamique numérique des fluides afin d’optimiser la géométrie des nouvelles configurations qui affectent l’écoulement de l’air et changent le comportement aérodynamique du véhicule. Au cours de la phase d’étude de définition, les données historiques peuvent être versées dans un RAG afin de créer des modèles réalistes qui pourront aider les ingénieurs à découvrir des conceptions novatrices.
Vous envisagez de faire vos premiers pas? Communiquez avec un expert de Maya HTT dès aujourd’hui.