Les modèles de substitution pilotés par l'IA accélèrent les simulations de fabrication de composites en temps réel

Source | IMDEA

Une recherche récemment publiée de l'Institut des matériaux IMDEA (Madrid, Espagne) et de 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, « A deep surrogate model for filling simulations in liquid composite moulding on unstructured 3D grids », est co-écrite par le Prof. Carlos González, le Dr. Davide Mocerino et la chercheuse prédoctorale Sofia Fernández León de IMDEA Materials, et les Profs. Roberto Valle Fernández et Luis Baumela de l'UPM.

Contenu vedette

Les chercheurs affirment que leur recherche répond aux limitations clés des modèles de substitution par apprentissage profond actuels pour simuler l'écoulement des fluides dans les processus de fabrication de composites, et les résultats soulignent 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 computationnel élevé a traditionnellement limité leur utilisation dans les applications en temps réel. Cette recherche répond à ce défi en introduisant un cadre de modélisation de substitution basé sur l'apprentissage profond capable de fournir des prédictions précises en millisecondes, ouvrant de nouvelles possibilités pour les jumeaux numériques et le contrôle adaptatif des processus.

« Une innovation clé ici réside dans la surmontée de l'un des principaux goulets d'étranglement dans ce domaine en atteignant l'efficacité computationnelle, la haute précision et la robustesse face aux maillages irréguliers et non structurés couramment trouvés dans les environnements industriels », explique Fernández León. « Ces exigences sont rarement satisfaites simultanément par les approches existantes de réseaux de neurones. »

Les chercheurs ont également introduit une architecture encodeur-décodeur multi-branches pour modéliser des géométries complexes, telles que des raidisseurs en T, en les décomposant en régions planes et en assurant la cohérence aux interfaces.

En parallèle, « La technique de mappage de 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 résultants démontrent un fort accord avec les simulations de 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 le déploiement en temps réel dans les environnements de fabrication numérique, soutenant des processus de production de composites plus efficaces, adaptatifs et résilients.

« Cette étude met en évidence le potentiel transformateur de la combinaison de la fabrication avancée avec l'intelligence artificielle, ouvrant la voie vers des systèmes de production entièrement intégrés et pilotés par les données », déclare Fernández León.