Insuffler de l’IA dans les simulations numériques de transformation de la matière pour les compléter, les accélérer et même les remplacer : c’est l’ambition de la chaire de recherche industrielle signée ce vendredi 2 juin 2023, pour une durée de quatre ans, par l’école d’ingénieurs CentraleSupelec et Transvalor, une PME spécialisée dans le « virtual manufacturing ». Une activité qui se concrétise par le développement de logiciels de simulation numérique dédiés aux procédés de mise en forme des matériaux (forgeage, traitement de surface, soudage, fonderie…).
« Coté scientifique, cette chaire produira des avancées en mathématiques, en informatique et en sciences de l’ingénieur, résume Frédéric Magoulès, mathématicien appliqué, professeur au laboratoire Mathematics and Informatics (MICS) de CentraleSupélec et co-titulaire de cette chaire du point de vue académique. Il s’agit d’inventer une nouvelle génération de méthodes par éléments finis, de mettre au point des méthodes d’IA pour résoudre des problèmes d’élastoviscoplasticité, de classifier et de prédire des résultats… »
Pour répondre à ces objectifs, cette chaire sera structurée selon trois axes. « Concernant l’analyse numérique, la finalité est d’accroître la robustesse des algorithmes existants pour réduire le temps de calcul et d’introduire l’IA dans les solveurs physiques pour ensuite obtenir des purs modèles d’IA (modèles de substitution, ndlr), détaille Frédéric Magoulès. Le deuxième axe traite de la statistique et du machine learning, dans le but de quantifier les incertitudes et les erreurs des prédictions. Enfin, il est question d’exploiter les résultats d’une IA entraînée à la mise en forme d’une cuillère pour la mise en forme d’un couteau, par exemple (ce qu’on désigne par transfer learning ou apprentissage par transfert, ndlr). »
Accélérer la prise de décision
Deux autres laboratoires sous plusieurs tutelles (CentraleSupélec mais aussi CNRS et université de Paris-Saclay) sont parties prenantes : le laboratoire des signaux et systèmes (L2S) et le laboratoire interdisciplinaire des sciences du numérique (LISN). Deux doctorants ont commencé à travailler sur ces sujets.
En charge du développement du deep learning et des modèles multiphysiques à Transvalor, José Alves précise les attentes de son entreprise : « L’IA pourrait nous permettre de faire plus rapidement le lien entre des simulations à l’échelle microscopique et l’échelle macroscopique. D’autre part, nous comptons accélérer les temps de calcul et donc la prise de décision, procéder à de l’optimisation et à de l’exploration de surfaces de réponse (définir des relations entre différentes variables se référant au matériau et au procédé, ndlr) et aussi construire des bases de connaissances. L’idée est que nos clients exploitent des simulations existantes pour de nouveaux projets similaires, qui mettent en œuvre un alliage légèrement différent par exemple. »
La première réunion exploratoire entre CentraleSupélec et Transvalor ayant eu lieu en mai 2021, la collaboration est déjà fructueuse, avant même son officialisation. Une première étude a ainsi porté sur la problématique de l’usure de l’outillage servant à mettre en forme les cardans en acier pour le secteur automobile. « Des micro-fissures apparaissent en surface en raison des contraintes mécaniques et surtout thermiques, la pièce étant travaillée à 1000 °C, explique José Alves. Or, cet outillage est très onéreux et on veut prolonger au maximum sa durée de vie. »
Une simulation de 500 ms au lieu de deux heures
Une simulation numérique par éléments finis en haute fidélité, grâce à un maillage 3D serré, est utile pour mesurer ces contraintes à partir de divers paramètres, comme la température. Mais une seule simulation répartie sur quatre cœurs de calcul prend deux heures. Beaucoup trop pour un industriel qui souhaite explorer une multitude de possibilités en changeant des valeurs paramétriques...
Le pouvoir accélérateur de l'IA a donc été évalué, moyennant une erreur « raisonnable ». Pour accélérer ces calculs tout en gardant un taux d'erreur « raisonnable », un réseau de neurones à base de graphes (GNN, graph neural network) a été choisi du fait qu’il est mieux adapté à des séries de données géométriques 3D non structurées et dynamiques.
« Notre modèle d’IA a été entraîné à partir d’une quarantaine de simulations en haute fidélité concentrées sur quelques points géométriques, indique José Alves, et il permet ensuite de compléter la simulation sur toute la surface 3D si on change un peu la température ou les conditions de frottement.» Le gain de temps apporté par ce modèle de substitution est spectaculaire : les résultats sont obtenus au bout de 500 millisecondes, au lieu de deux heures.
