Simulation pilotée par l’IA : Expert‑FAQ sur l’optimisation et la Data Fusion

Comment combiner données expérimentales et simulations ?

Chez CADFEM, nous utilisons des méthodes qui relient différentes sources de données. Cette modélisation multi-fidélité permet d’exploiter conjointement mesures expérimentales et résultats de simulation.

En général, les mêmes grandeurs sont mesurées dans l’expérience et calculées dans la simulation, mais il est aussi possible d’intégrer des grandeurs différentes. La combinaison des deux sources crée un modèle performant qui apprend des données et peut prédire à la fois les résultats de simulation et les mesures expérimentales.

Avantage majeur : quelques expériences suffisent pour calibrer un modèle fiable. Les expériences servent aussi à analyser les corrélations entre simulation et réalité. Les données de simulation, quant à elles, peuvent être générées rapidement et à moindre coût en grande quantité – ce qui donne un modèle alliant efficacité et précision.

Comment gérer les incertitudes dans les mesures et simulations ?

Travailler avec des données expérimentales implique souvent des incertitudes. Les modèles probabilistes permettent de gérer ces incertitudes, y compris dans les résultats de simulation, qui peuvent présenter des singularités ou autres phénomènes.

Un modèle probabiliste distingue les corrélations réelles des variations statistiques (bruit). C’est un avantage par rapport aux réseaux neuronaux, qui ne le font pas. Le modèle probabiliste identifie la variance due au bruit et cherche la physique réelle sous-jacente.

Quel est l’intérêt d’un modèle génératif pour l’optimisation multi-objectifs ?

L’IA générative peut être combinée à une IA prédictive, qui anticipe les résultats sans paramétrisation. La paramétrisation limite toujours la géométrie possible. Avec une IA générative, il est possible de combiner des géométries qui seraient impossibles à paramétrer.

Cette approche non paramétrique offre une flexibilité et des options de design bien plus variées. Il faut toutefois des géométries d’entraînement pour former le modèle, contrairement à l’optimisation paramétrique où l’on peut commencer immédiatement après la paramétrisation.

Quand utiliser la fonction réelle et quand le modèle de substitution en optimisation bayésienne ?

L’optimisation bayésienne combine les deux : modèle de substitution et fonction réelle. C’est un processus itératif :

• Début : quelques points de données issus de simulations FEM/CFD initiales.

• Surrogat : entraînement d’un modèle probabiliste (ex. processus gaussien) qui approxime la fonction réelle et quantifie les incertitudes.

• Sélection : le modèle propose le prochain design via une fonction d’acquisition (ex. Expected Improvement).

• Validation : ce point est évalué par la fonction réelle (simulation), puis intégré au modèle. Cette stratégie guide la planification des essais. Chaque proposition est validée par la fonction réelle.

Quelle précision pour le modèle de substitution ?

Un R² élevé (> 0,9) est nécessaire uniquement si l’on s’appuie exclusivement sur le modèle (optimisation virtuelle sans simulation). Pour l’optimisation bayésienne classique, un modèle « suffisamment bon » suffit (R² entre 0,7 et 0,85), car il s’améliore à chaque nouvelle simulation.

Comment suivre les modifications des modèles et configurations ?

Le suivi des changements se fait par projet et selon les besoins du client : de simples stratégies de versioning à des workflows avancés de Machine Learning Operations. Si des outils existent déjà chez le client, nos modèles s’y adaptent.

Cela peut aussi être réalisé avec des solutions Ansys, comme Ansys Minerva, pour une gestion des données sur mesure. Un suivi formel est recommandé lorsque de nombreuses modifications interviennent afin de garder une vue d’ensemble.