Les modèles de substitution basés sur l'IA accélèrent les simulations de fabrication de composites en temps réel

Source | IMDEA

Une recherche récemment publiée par l'IMDEA Materials Institute (Madrid, Espagne) et l'Université technique de Madrid (UPM) vise à faire progresser les capacités de simulation en temps réel pour les processus de fabrication de composites.

L'étude, « Un modèle de substitution profond pour les simulations de remplissage dans le moulage de composites liquides sur des grilles 3D non structurées », est co-écrite par le professeur Carlos González, le Dr Davide Mocerino et la chercheuse prédoctorale Sofia Fernández León d'IMDEA Materials, ainsi que les professeurs de l'UPM. Roberto Valle Fernández et Luis Baumela.

Contenu en vedette

Les chercheurs affirment que leurs recherches abordent les principales limites des modèles de substitution d'apprentissage profond actuels pour simuler l'écoulement des fluides dans les processus de fabrication de composites, et que les résultats mettent en évidence le potentiel des approches basées sur les données pour améliorer l'efficacité, l'adaptabilité et la résilience dans les processus de fabrication avancés.

Selon les chercheurs, les simulations de moulage de composites liquides (LCM) sont essentielles pour optimiser les processus de fabrication et réduire les défauts tels que la formation de vides. Cependant, leur coût de calcul élevé limite traditionnellement leur utilisation dans les applications temps réel. Cette recherche relève ce défi en introduisant un cadre de modélisation de substitution basé sur l'apprentissage profond, capable de fournir des prédictions précises en quelques millisecondes, ouvrant ainsi de nouvelles possibilités pour les jumeaux numériques et le contrôle adaptatif des processus.

"Une innovation clé ici consiste à surmonter l'un des principaux goulots d'étranglement dans ce domaine en obtenant une efficacité informatique, une grande précision et une robustesse aux maillages irréguliers et non structurés que l'on trouve couramment dans les environnements industriels", explique Fernández León. "Ces exigences sont rarement satisfaites simultanément par les approches de réseaux neuronaux existantes."

Les chercheurs ont également introduit une architecture d'encodeur-décodeur multi-branches pour modéliser des géométries complexes, telles que les longerons en forme de T, en les décomposant en régions planaires et en garantissant la cohérence entre les interfaces.

En parallèle, "La technique de cartographie en grille proposée permet l'utilisation de réseaux de neurones convolutifs sur des domaines 3D non structurés, préservant la précision tout en étendant l'applicabilité à des scénarios de fabrication réalistes", ajoute Fernández León.

Les modèles de substitution qui en résultent démontreraient un fort accord avec les simulations haute fidélité et les données expérimentales, tout en atteignant des accélérations de quatre à cinq ordres de grandeur par rapport aux méthodes conventionnelles. Ce niveau de performance vise à permettre un déploiement en temps réel dans des environnements de fabrication numérique, prenant en charge des processus de production de composites plus efficaces, adaptatifs et résilients.

"Cette étude met en évidence le potentiel de transformation de la combinaison de la fabrication avancée et de l'intelligence artificielle, ouvrant la voie à des systèmes de production entièrement intégrés et basés sur les données", déclare Fernández León.