Plusieurs d\u00e9finitions ont \u00e9t\u00e9 associ\u00e9es au terme \u00ab IA \u00bb en raison de l\u2019imagination populaire bien avant que l\u2019on ne d\u00e9couvre ses utilisations pratiques. Maintenant que nous connaissons la v\u00e9ritable valeur de l\u2019IA, nous pouvons examiner son r\u00f4le dans la fabrication et l\u2019ing\u00e9nierie, et tout particuli\u00e8rement dans les simulations de produits ou proc\u00e9d\u00e9s par m\u00e9thode num\u00e9rique de r\u00e9solution d\u2019\u00e9quations repr\u00e9sentant la physique.<\/p>\n
En effet, dans les simulations, l\u2019IA touche habituellement l\u2019apprentissage machine et les r\u00e9seaux neuronaux pour r\u00e9duire le temps des calculs num\u00e9riques complexes pour repr\u00e9senter la physique du syst\u00e8me entier ou repr\u00e9senter une sous-composante du syst\u00e8me. Examinons les trois cas d\u2019utilisation suivants qui ont permis de gagner un avantage concurrentiel gr\u00e2ce \u00e0 l\u2019IA dans le cadre de simulations.<\/p>\n
La mod\u00e9lisation d\u2019ordre r\u00e9duit n\u2019est pas un nouveau concept. Elle utilise habituellement une matrice math\u00e9matique bas\u00e9e sur la physique afin de r\u00e9duire la complexit\u00e9 li\u00e9e \u00e0 la simulation d\u2019un syst\u00e8me 3D au d\u00e9triment de la fid\u00e9lit\u00e9, tout en offrant un r\u00e9sultat bas\u00e9 sur la physique et qui permet un calcul en temps r\u00e9el ou en un temps r\u00e9duit significativement par rapport au mod\u00e8le d\u2019origine. Il peut s\u2019agir d\u2019un compromis int\u00e9ressant, car le temps gagn\u00e9 compense largement une l\u00e9g\u00e8re perte de pr\u00e9cision.<\/p>\n
Lorsqu\u2019on y ajoute l\u2019IA, plus pr\u00e9cis\u00e9ment les aspects des r\u00e9seaux neuronaux et d\u2019apprentissage machine de l\u2019IA, il est possible d\u2019ex\u00e9cuter un nombre limit\u00e9 de variations de simulations afin de produire un mod\u00e8le d\u2019apprentissage machine. Ce dernier sera ensuite appliqu\u00e9 afin d\u2019ex\u00e9cuter des simulations suppl\u00e9mentaires beaucoup plus rapidement qu\u2019avant, et m\u00eame plus rapidement que ne le permet la mod\u00e9lisation d\u2019ordre r\u00e9duit traditionnel. Cela permet aux ing\u00e9nieurs d\u2019optimiser rapidement une conception. Les types de simulation pouvant utiliser cette approche ax\u00e9e sur les donn\u00e9es comprennent les simulations acoustiques, thermiques et de transfert de chaleur, structurales et de durabilit\u00e9 des mat\u00e9riaux.<\/p>\n
La mod\u00e9lisation au niveau du syst\u00e8me s\u2019applique principalement aux mod\u00e8les 1D et permet d\u2019ex\u00e9cuter des simulations tr\u00e8s rapidement. On appelle \u00ab apprentissage au niveau du syst\u00e8me \u00bb la m\u00e9thode associ\u00e9e \u00e0 une telle application de l\u2019IA selon une approche d\u2019apprentissage par renforcement. Elle est habituellement utilis\u00e9e pour cr\u00e9er une commande qui fonctionne en interagissant avec le mod\u00e8le de simulation 1D (l\u2019environnement) pour ex\u00e9cuter des centaines de milliers ou de millions de s\u00e9quences de simulation 1D rapides pour apprendre \u00e0 caract\u00e9riser la r\u00e9ponse de l\u2019environnement aux actions prises par les syst\u00e8mes de contr\u00f4le.<\/p>\n
La mod\u00e9lisation au niveau du syst\u00e8me utilise l\u2019IA dans un environnement de simulation de type jeu autonome afin de g\u00e9n\u00e9rer un m\u00e9canisme de contr\u00f4le optimal. Souvent utilis\u00e9e en ing\u00e9nierie de syst\u00e8me de contr\u00f4le, la mod\u00e9lisation au niveau du syst\u00e8me peut toucher des applications comme les contr\u00f4les de temp\u00e9rature d\u2019un four ou d\u2019autres syst\u00e8mes fonctionnant au moyen de tout type de m\u00e9canisme de commande. Elle est aussi de plus en plus souvent utilis\u00e9e dans des appareils de pointe pour des applications d\u2019IdO industrielles \u00e9tant donn\u00e9 que le mod\u00e8le obtenu pr\u00e9sente une empreinte informatique v\u00e9ritablement petite, ce qui signifie que les simulations peuvent \u00eatre ex\u00e9cut\u00e9es en temps r\u00e9el ou en temps quasi r\u00e9el.<\/p>\n
Les r\u00e9seaux antagonistes g\u00e9n\u00e9ratifs (RAG) sont utilis\u00e9s au stade de l\u2019\u00e9tude de d\u00e9finition de la conception afin de mod\u00e9liser des \u00e9l\u00e9ments qui n\u2019existent pas encore ou bien pour d\u00e9celer des anomalies en validant si la distribution de donn\u00e9es suit la norme \u00e9tablie. Les r\u00e9seaux antagonistes g\u00e9n\u00e9ratifs associent un algorithme de g\u00e9n\u00e9ration \u00e0 un algorithme de discrimination. Lors d\u2019une simulation de RAG, l\u2019algorithme de g\u00e9n\u00e9ration produit plusieurs nouvelles conceptions erron\u00e9es. L\u2019algorithme de discrimination est lanc\u00e9 de fa\u00e7on alternative pour d\u00e9terminer quelles conceptions g\u00e9n\u00e9r\u00e9es pr\u00e9sentent des r\u00e9sultats irr\u00e9alistes. En \u00e9liminant la plupart des conceptions erron\u00e9es (impossibles \u00e0 utiliser dans la r\u00e9alit\u00e9), cette solution permet aux concepteurs de d\u00e9couvrir de nouvelles options de conception optimales qui n\u2019ont jamais \u00e9t\u00e9 \u00e9tudi\u00e9es auparavant.<\/p>\n
Cela dit, afin qu\u2019elles soient r\u00e9ussies, les simulations de RAG doivent \u00eatre aliment\u00e9es au moyen d\u2019une grande quantit\u00e9 de donn\u00e9es historiques provenant d\u2019applications 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 donn\u00e9es. Celles-ci peuvent alors \u00eatre utilis\u00e9es pour ex\u00e9cuter des centaines d\u2019essais virtuels, notamment une dynamique num\u00e9rique des fluides afin d\u2019optimiser la g\u00e9om\u00e9trie des nouvelles configurations qui affectent l\u2019\u00e9coulement de l\u2019air et changent le comportement a\u00e9rodynamique du v\u00e9hicule. Au cours de la phase d\u2019\u00e9tude de d\u00e9finition, les donn\u00e9es historiques peuvent \u00eatre vers\u00e9es dans un RAG afin de cr\u00e9er des mod\u00e8les r\u00e9alistes qui pourront aider les ing\u00e9nieurs \u00e0 d\u00e9couvrir des conceptions novatrices.<\/p>\n