EP4689983A1 - Procédé de réalisation d'un objet technique via une simulation numérique implicite et continue d'un phénomène physique complexe multi-échelle par apprentissage profond - Google Patents

Procédé de réalisation d'un objet technique via une simulation numérique implicite et continue d'un phénomène physique complexe multi-échelle par apprentissage profond

Info

Publication number
EP4689983A1
EP4689983A1 EP23736786.7A EP23736786A EP4689983A1 EP 4689983 A1 EP4689983 A1 EP 4689983A1 EP 23736786 A EP23736786 A EP 23736786A EP 4689983 A1 EP4689983 A1 EP 4689983A1
Authority
EP
European Patent Office
Prior art keywords
physical
simulation
geometry
data
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23736786.7A
Other languages
German (de)
English (en)
Inventor
Louis Verret
Jocelyn Ahmed Mazari
Thibaut MUNZER
Morgane BOURGEOIS
Antoine NUTTINCK
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Synopsys Inc
Original Assignee
Synopsys Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Synopsys Inc filed Critical Synopsys Inc
Publication of EP4689983A1 publication Critical patent/EP4689983A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the field of the invention is that of digital simulation.
  • the invention relates to a method for producing a technical object via an implicit and continuous digital simulation of a complex multi-scale physical phenomenon by automatic and deep learning.
  • the invention finds applications in particular in the context of an optimization of a shape of the technical object, by simulating a complex physical phenomenon of the fluidic type (e.g.: flow of a fluid, two-phase flow, particle tracking, etc.), of the structural type (e.g.: resistance of a structure) and/or of the thermal type (e.g.: conduction, convection, radiation).
  • a complex physical phenomenon of the fluidic type e.g.: flow of a fluid, two-phase flow, particle tracking, etc.
  • the structural type e.g.: resistance of a structure
  • the thermal type e.g.: conduction, convection, radiation
  • the optimization of computing and energy resources is a challenge important in the design of a complex three-dimensional part subjected to a physical phenomenon.
  • This optimization can in particular be part of an optimization of the shape of the part subjected to a physical phenomenon.
  • This shape optimization can in particular be carried out with a view to obtaining better aerodynamics.
  • the invention relates to a method for producing a technical object comprising a geometry comprising a plurality of surface points A t forming a surface mesh, said geometry being configured to be subjected to at least one physical phenomenon, such as a flow of a fluid, a heat transfer, an electromagnetic field or a structural mechanical stress.
  • the method comprises:
  • phase implemented by computer, of collecting a plurality of physical data sets in a so-called training database, the physical data coming from measurements and/or digital simulations of a similar physical phenomenon carried out at least in the vicinity of a so-called training surface, said training surface possibly being linked or not to the geometry, and being distinct for each data set;
  • phase implemented by computer, of generating parameters of a neural network by deep learning on at least part of the data of the training database;
  • phase implemented by computer, of prediction by the neural network of physical values for all or part of the points of a point cloud of a simulation space configured at least in the vicinity of said geometry, as a function of at least one so-called simulation condition, the physical values forming the simulation result;
  • the neural network comprises a so-called surface encoder of the geometry and of at least one simulation condition in a representative vector and a so-called volume decoder of the physical values on all or part of the points of the simulation space from the representative vector and the parameters of the network. of neurons obtained by deep learning, the physical values being correlated with each other.
  • the neural network makes it possible to obtain, compared to existing methods, a more coherent simulation result in a shorter time.
  • each node of the neural network contains coherent volume information, from measured or simulated physical data, making it possible to arrive at a simulation result in the 3D simulation space in very few iterations.
  • the energy gain linked to obtaining a simulation result is thus notable compared to a classic method, and is very useful for example in the context of an optimization of a dimension of the geometry with regard to the constraint of the physical phenomenon(s).
  • the physical data can be continuously propagated through the neural network which is then adapted to perform calculations on point clouds inhomogeneous in distance or resolution.
  • the point cloud can be inhomogeneous thanks to the configuration of the encoder and the decoder, the calculations performed are performed much more quickly at equal resolution, offering the possibility of greatly refining certain delicate points of the simulation space, generally with a high gradient, such as for example the flow zone around an angle or a cavity.
  • the low gradient zones do not need with the present configuration of the neural network to be very dense in calculation points, which is not the case with a conventional neural network where the resolution is generally homogeneous at any point of the simulation space.
  • a point cloud is understood to mean a set of points distributed in the simulation space and a mesh is understood to mean a point cloud whose connections are known.
  • the surface encoder comprises a plurality of sub-blocks, each sub-block processing the surface mesh according to a distinct sampling.
  • the volume decoder comprises a plurality of sub-blocks, each sub-block processing the point cloud of the simulation space according to a distinct sampling.
  • At least one so-called intra-scale residual connection is configured between a sub-block of the surface encoder comprising a surface mesh having a given sampling and a sub-block of the volume decoder comprising a point cloud having a similar sampling.
  • At least one so-called inter-scale residual connection is configured between two sub-blocks of the surface encoder and/or between two sub-blocks of the volume decoder, said two sub-blocks having distinct sampling.
  • the decoder comprises two sub-blocks, one being dedicated to the calculation of the physical values in the volume of the simulation space and the other being dedicated to the calculation of the physical values on the surface of the geometry, the calculation being carried out jointly in the two sub-blocks.
  • the training database comprises a plurality of numerical simulation results, each result being associated with a training data set comprising:
  • the deep learning is performed jointly on the physical data on the surface and in the volume.
  • an interpretation is carried out from the simulation values. in all or part of the points of the cloud, to know the simulation values at a distinct point of the cloud.
  • the physical data and/or physical values are of types included among:
  • the invention also relates to a device comprising an element for storing the instructions for implementing the production method according to any of the preceding implementation modes.
  • the invention also relates to a neural computing device comprising:
  • a deep learning unit of physical data from measurements and/or digital simulations of at least one physical phenomenon, such as a fluid flow, a heat transfer, an electromagnetic field or a structural mechanical constraint, carried out at least in the vicinity of a so-called training surface, said training surface being able to be distinct for each data set, the learning unit generating weights of a neural network;
  • a unit for predicting physical values for all or part of the points of a point cloud of a simulation space configured at least in the vicinity of a geometry comprising a plurality of surface points A t forming a surface mesh, said geometry being capable of being subjected to at least one physical phenomenon, such as a flow of a fluid, a heat transfer, an electromagnetic field or a structural mechanical constraint, the prediction being carried out as a function of at least one so-called simulation condition, the physical values forming a simulation result.
  • FIG. 1 is a block diagram illustrating a mode of implementation of the production method according to the invention
  • figure 2 is a schematic view of a simulation space comprising an example of a technical object subjected to a physical phenomenon to be simulated during the production process according to figure 1;
  • FIG. 3 is a schematic view of the organization of the sampling carried out by the neural network implemented by the production method according to Figure 1;
  • FIG. 4 is a schematic view of a neural computing device according to the invention.
  • Figure 1 illustrates a non-limiting example of an implementation mode of a method 100 for producing a technical object 200 such as for example that illustrated in Figure 2.
  • the method 100 is implemented by computer which comprises a unit for storing computer instructions for implementing the method 100.
  • the instructions make it possible in particular to configure a processor of the computer for implementing the method 100.
  • the technical object 200 is here a hull of a boat subjected to at least one physical phenomenon, in this case to the flow of a fluid 205, namely water, around the hull 200.
  • the simulated physical phenomenon(s) are generally governed by one or more partial differential equations (PDEs).
  • the hull 200 comprises a geometry 210 comprising a plurality of surface points A t .
  • the surface points A t form a three-dimensional mesh representing the surface of the geometry 210.
  • a simulation space 220, associated with the geometry 210, is determined around the geometry 210 in order to simulate the flow of the fluid around the shell 200.
  • the simulation space 220 may be around, inside, through, next to the geometry 210. Generally, the simulation space 220 is at least close to the geometry 210 and may include points on the surface of the geometry 210.
  • the implementation method 100 comprises a first phase 110 of collecting a plurality of physical data sets in a training database.
  • the physical data sets come for example from measurements or a digital simulation, for example of the CFD type, carried out previously in a space at least in the vicinity of one or more so-called training surfaces, similar or not to a surface presented by the geometry 210.
  • the implementation method 100 generates parameters of a neural network by deep learning on at least part of the data collected during the phase 110.
  • This second phase 120 corresponds to a training phase to configure the neural network to make consistent predictions.
  • the neural network predicts physical values for all or part of the points of a point cloud included in the simulation space 220 during a third phase 130 of the method 100. It should be emphasized that the points of the cloud are generally distributed in a non-homogeneous manner in the simulation space 220, with a higher density in potentially high gradient areas. The physical values thus obtained form a simulation result which is used in a fourth phase 140 of the method 100.
  • this fourth phase 140 a production of the object 200 whose dimension is established according to the simulation result is carried out.
  • the prediction of the physical values carried out during the phase 130 makes it possible to refine the dimensions of the object 200, in particular with the aim of optimizing this dimension with regard to the simulated physical phenomenon(s).
  • This optimization may in particular correspond to an optimization of the shape to reduce drag as much as possible, or even optimize the resistance/mass ratio of the object.
  • Many applications can be cited, particularly in the field of mechanics.
  • the core of the invention concerns the manner in which the prediction of physical values is carried out, which is in a way a lightweight numerical simulation compared to a classic numerical simulation of the CFD type, in particular with the aim of limiting the computing resources used to obtain a reliable result.
  • the neural network used for prediction advantageously includes a surface encoder and a volume decoder.
  • Each point of the point cloud of the simulation space 220 thus advantageously comprises data that is coherent with respect to the points of the cloud located in the immediate vicinity. In other words, it is possible to propagate information of the physical phenomenon within the point cloud of the simulation space 220 in a very short period of calculation time, while retaining the continuity inherent in physical phenomena.
  • the weights of the nodes of the neural network thus include an implicit representation of the three-dimensional flow field, allowing this extremely rapid propagation of information in the mesh which is decorrelated from the nodes of the neural network.
  • the neural network is usually trained on several simulations and/or measurements. Once trained, the neural network is used to infer in a few seconds physical quantities at different scales on a batch of data, i.e. the geometry and boundary conditions pair, which has never been seen before during training, without the need to readjust any parameters of the neural network.
  • the neural network decoder can be configured in two separate blocks, one dedicated to the calculation in the volume of the simulation space, i.e. in the point cloud, and the other in the surface mesh, which allows to better specify these blocks to the physical configurations of the geometry and the space where the fluid flows, the two reacting in a distinct manner. A saving in calculation time is also obtained by this advantageous configuration.
  • the neural network was previously trained during training phase 120, on the physical data collected previously. Samples of data from traditional CFD techniques can thus be taken into account during training. to have a very good functional approximation of the underlying functional solution of the PDE.
  • the training is advantageously carried out with joint learning of the surface results of the geometry 210 and the volume results in the simulation space 220.
  • PINN Physicals-Informed Neural Networks
  • the neural network comprises a plurality of sub-blocks 310 each processing meshes of the dataset with a distinct resampling in order to allow having a unified model which regresses at different scales (volumes, surfaces, global) to better propagate the information of the underlying physics within the points of the mesh.
  • the surface meshes 320 are sampled at different scales by the encoder 360, starting here from a matrix with 16k rows and 5 columns (including physical data such as speed in the three directions, pressure, temperature) until a representative vector 330 of dimension d6 is obtained.
  • the 16k rows are divided by a predetermined number, for example equal to 2. This resampling allows a better understanding of the geometry 210. In other words, an encoding of the surface data is carried out in the representative vector 330.
  • the representative vector 330 is used to decode the physical values on the volume points of the point clouds 340 similarly resampled, by the decoder 370 illustrated on the right side of Figure 3.
  • Residual connections 345 between point clouds 340 having distinct samplings are also performed to improve the preservation of physical information during decoding.
  • the residual connections 335 and 345 may be between two consecutive sub-blocks, as illustrated in Figure 3, and/or between two non-consecutive sub-blocks.
  • the residual connection 350 is performed between the matrix of 16k rows and 5 columns of the surface mesh 320 and a point cloud 340 of 32k rows and 1 columns.
  • each sub-block 310 here comprises an intra-scale residual connection 350 between the surface mesh 320 of said sub-block and the volume point cloud 340 of said sub-block.
  • a residual connection 335 between the surface meshes 320 of two consecutive sub-blocks 310 is established. The same applies to the residual connections 345 between the point clouds 340.
  • This particular configuration of the neural network comprising a surface encoder 360 and a volume decoder 370, correlated for each sampling level by residual connections 350 makes it possible to obtain a neural network capable of processing any type of point cloud and especially non-uniform point clouds, i.e. having a densification of points around points of interest such as, for example, salient angles of a geometry subjected to a flow.
  • a significant gain in computing time is thus obtained compared to conventional neural networks whose distribution of points is necessarily uniform because of their architecture based on a convolution support having a square shape.
  • the neural network of the present invention allows to process simulations with a large number of parameters because the point cloud used can be densified only in areas with significant physical variations, and rarefied in areas of space with, on the contrary, low variations.
  • This point cloud configuration is common in the field of classical CFD calculations but has never until now been used for neural networks because of their natural architecture.
  • simulation values are of types included among:
  • FIG. 6 is a schematic view of a neural computing device 400 implementing steps 120 and 130 of the embodiment method 100.
  • the neural device 400 comprises for this purpose a unit 410 for deep learning of physical data from measurements and/or digital simulations of at least one physical phenomenon and a unit 420 for predicting physical values for all or from the points of the point cloud of the simulation space 220, the physical values forming the simulation result.
  • the digital simulation method implemented during the invention consumes very little electrical energy compared to a conventional CFD-type calculation.
  • training the neural network has an energy cost that is not present for CFD, but this is largely offset by the fact that the energy cost for a simulation is extremely low.
  • the energy cost due to training is a fixed cost that can be shared with several simulations, which is particularly the case when seeking to optimize a shape of a geometry under defined boundary conditions (for example, given speed of the hull relative to the fluid, possibly a function of swell or current, etc.).
  • the gain in terms of energy consumption being spectacular, the shape of the object produced can thus be better optimized by using a simulation process implementing a network of neurons as described in the example above, compared to a CFD type simulation.
  • the present configuration of neural networks is capable of processing much more data with the same power consumption.
  • the present invention makes it possible to be trained, with the same GPU (acronym for "Graphie Processor Unit"), on problems with more than 50 million mesh points while the neural network of the previous patent application is limited to approximately 20 million points.
  • This factor x2.5 of the number of points makes it possible to obtain a much finer resolution, with a robustness to tessellation of the order of 0.5%), thus significantly increasing the quality of the simulation results and consequently the optimization of the shape of the geometry under the constraint of the physical phenomenon.
  • WSS is the English acronym for “Wall Shear Stress”.
  • ISP is the English acronym for “Iso Static Pressure”.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

L'invention concerne un procédé de réalisation d'un objet technique comportant une géométrie comprenant une pluralité de points surfaciques Ai formant un maillage surfacique, ladite géométrie étant configurée pour être soumise à au moins un phénomène physique, tel qu'un écoulement d'un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle, comprenant une phase de prédiction par un réseau de neurones de valeurs physiques. Le réseau de neurones comprend un encodeur dit surfacique de la géométrie et d'au moins une condition de simulation dans un vecteur représentatif et un décodeur dit volumique des valeurs physiques sur tout ou partie des points de l'espace de simulation à partir du vecteur représentatif et des paramètres du réseau de neurones obtenu par apprentissage profond, les valeurs physiques étant corrélées entre elles.

Description

Procédé de réalisation d’un objet technique via une simulation numérique implicite et continue d’un phénomène physique complexe multi-échelle par apprentissage profond
DOMAINE TECHNIQUE DE L’INVENTION
[1] Le domaine de l’invention est celui de la simulation numérique.
[2] Plus précisément, l’invention concerne un procédé de réalisation d’un objet technique via une simulation numérique implicite et continue d’un phénomène physique complexe multi-échelle par apprentissage automatique et profond.
[3] L’invention trouve notamment des applications dans le cadre d’une optimisation d’une forme de l’objet technique, en simulant un phénomène physique complexe de type fluidique (par ex : écoulement d’un fluide, écoulement diphasique, suivi de particules, etc.), de type structurel (par ex : résistance d’une structure) et/ou de type thermique (par ex : conduction, convection, rayonnement). Une application particulière de l’invention est la simulation multiphysique, combinant plusieurs types de phénomènes, comme par exemple une convection naturelle ou forcée autour d’un objet, etc.
ÉTAT DE LA TECHNIQUE
[4] Il est connu de l’art antérieur des techniques de simulation d’un phénomène physique en discrétisant un espace par un maillage continu d’éléments dans lesquels des équations différentielles représentatives (par exemple les équations différentielles aux dérivées partielles) du phénomène physique sont calculées. La simulation est obtenue lorsque le calcul converge vers un résultat respectant des conditions aux limites prédéterminées ainsi qu’une continuité des données physiques entre deux éléments contigus discrétisant l’espace. Ce type de simulation porte généralement le nom de CFD (acronyme anglais de « Computational Fluid Dynamics ») lorsque l’on simule un écoulement d’un fluide, ou d’analyse par éléments finis FEA (acronyme anglais de « Finite Element Analysis ») dans le cadre d’un calcul sur une structure mécanique, par exemple de type résistance des matériaux.
[5] L’inconvénient majeur de ces techniques antérieures est qu’elles sont généralement très consommatrices en ressources informatiques, fonction de la taille du maillage utilisé pour discrétiser l’espace de la simulation. Par exemple, il est courant d’obtenir un résultat de simulation cohérent après des centaines voire des milliers d’heures CPU (acronyme anglais de « Computer Processor Unit ») en parallèle, rendant la simulation numérique onéreuse en temps de calcul et par conséquent en consommation énergétique. Une optimisation d’un paramètre à simuler, tel qu’une dimension d’une géométrie, est alors difficilement envisageable sans limiter drastiquement le nombre de simulations et par conséquent la qualité de l’optimisation.
[6] Afin d’améliorer l’efficacité du temps de calcul des simulations, il a été développé des techniques de simulation numérique par apprentissage automatique, également connu sous le terme anglais de « Machine Learning », mettant en œuvre des techniques d’apprentissage profond, plus connues sous le terme anglais « Deep Learning », afin de permettre d’obtenir un résultat par prédiction par rapport à des résultats calculés antérieurement sur des problèmes similaires.
[7] H est par exemple connu de l’art antérieur, la technique de simulation numérique décrite dans l’article de Li et al. qui a été publié en 2019 et qui a pour objet un solveur variationnel à apprentissage profond basé sur une méthode de décomposition de domaines, appelée méthode de décomposition profonde de domaine D3M (acronyme anglais de « deep decomposition method ») pour mettre en œuvre des calculs parallèles dans des sous-domaines physiques de la simulation.
[8] L’inconvénient majeur de cette technique est qu’elle est basée sur une reconstitution de la simulation à partir du résultat de la simulation dans chaque sous- domaine. Or l’intersection entre chaque sous-domaine pose des difficultés notables dans la simulation car les conditions aux limites ne sont mises à jour qu’après reconstitution, entraînant ainsi une surconsommation de temps de calcul.
[9] Afin d’améliorer l’efficacité du calcul et par conséquent la consommation en ressources informatiques et énergétiques, la Demanderesse a notamment déposé dans ce domaine, la demande de brevet français n°1914967 qui porte sur une méthode de simulation numérique par apprentissage automatique, basée sur des prédictions locales réalisées séquentiellement à partir d’apprentissage automatique de simulations globales réalisées précédemment.
[10] Il existe toutefois un besoin d’améliorer d’avantage l’efficacité du calcul lors de la simulation numérique d’un phénomène physique complexe afin de limiter l’utilisation de ressources informatiques pour obtenir un résultat d’une simulation numérique d’un phénomène physique. La présente invention s’inscrit dans ce cadre général. L’optimisation des ressources informatiques et énergétiques est un enjeu important dans le cadre du design d’une pièce tridimensionnelle complexe soumis à un phénomène physique. Cette optimisation peut notamment rentrer dans le cadre d’une optimisation de la forme de la pièce soumise à un phénomène physique. Cette optimisation de forme peut notamment être effectuée en vue d’obtenir un meilleur aérodynamisme.
EXPOSÉ DE L’INVENTION
[11] À cet effet, l’invention vise un procédé de réalisation d’un objet technique comportant une géométrie comprenant une pluralité de points surfaciques At formant un maillage surfacique, ladite géométrie étant configurée pour être soumise à au moins un phénomène physique, tel qu’un écoulement d’un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle.
[12] Selon l’invention, le procédé comprend :
- une phase, mise en œuvre par ordinateur, de collecte d’une pluralité de jeux de données physiques dans une base de données dite d’entraînement, les données physiques étant issues de mesures et/ou de simulations numériques d’un phénomène physique similaire effectuées au moins à proximité d’une surface dite d’entraînement, ladite surface d’entraînement pouvant être ou non liée à la géométrie, et être distincte pour chaque jeu de données ;
- une phase, mise en œuvre par ordinateur, de génération de paramètres d’un réseau de neurones par apprentissage profond sur au moins une partie des données de la base de données d’entraînement ;
- une phase, mise en œuvre par ordinateur, de prédiction par le réseau de neurones de valeurs physiques pour tout ou partie des points d’un nuage de points d’un espace de simulation configuré au moins à proximité de ladite géométrie, en fonction d’au moins une condition dite de simulation, les valeurs physiques formant le résultat de simulation ; et
- une phase de réalisation dudit objet dont au moins une dimension de la géométrie de l’objet étant établie en fonction dudit résultat de simulation,
[13] De plus, le réseau de neurones comprend un encodeur dit surfacique de la géométrie et d’au moins une condition de simulation dans un vecteur représentatif et un décodeur dit volumique des valeurs physiques sur tout ou partie des points de l’espace de simulation à partir du vecteur représentatif et des paramètres du réseau de neurones obtenu par apprentissage profond, les valeurs physiques étant corrélées entre elles.
[14] Ainsi, le réseau de neurones, tel que configuré, permet d’obtenir, par rapport aux méthodes existantes, un résultat de simulation plus cohérent dans un temps plus court. En effet, chaque nœud du réseau de neurones comporte des informations cohérentes en volume, issues de données physiques mesurées ou simulées, permettant d’aboutir en très peu d’itérations à un résultat de simulation dans l’espace 3D de simulation. Le gain énergétique lié à l’obtention d’un résultat de simulation est ainsi notable par rapport à une méthode classique, et est très utile par exemple dans le cadre d’une optimisation d’une dimension de la géométrie au regard de la contrainte du ou des phénomène(s) physique(s).
[15] En outre, grâce à la configuration encodeur surfacique et décodeur volumique, les données physiques peuvent être propagées de manière continue à travers le réseau de neurones qui est alors adapté à effectuer des calculs sur des nuages de points inhomogènes en distance ou en résolution.
[16] Il convient de souligner qu’un réseau de neurones configuré pour effectuer une simulation numérique travaille classiquement sur un nuage de points homogène en taille, liée à une grille régulière induite par le support de convolution qui est généralement carré.
[17] Dans la présente invention, le nuage de points pouvant être inhomogène grâce à la configuration de l’encodeur et du décodeur, les calculs effectués sont effectués beaucoup plus rapidement à résolution égale, offrant la possibilité de raffiner fortement certains points délicats de l’espace de simulation, généralement à fort gradient, comme par exemple la zone d’écoulement autour d’un angle ou d’une cavité. Par contre, les zones de faible gradient n’ont pas besoin avec la présente configuration du réseau de neurones d’être très denses en points de calcul, ce qui n’est pas le cas avec un réseau de neurones classiques où la résolution est généralement homogène en tout point de l’espace de simulation.
[18] On entend dans la présente description par nuage de points un ensemble de points répartis dans l’espace de simulation et par maillage un nuage de points dont les connexions sont connues.
[19] Dans des modes de mise en œuvre particuliers de l’invention, l’encodeur surfacique comprend une pluralité de sous-blocs, chaque sous-bloc traitant le maillage surfacique selon un échantillonnage distinct. [20] Dans des modes de mise en œuvre particuliers de l’invention, le décodeur volumique comprend une pluralité de sous-blocs, chaque sous-bloc traitant le nuage de points de l’espace de simulation selon un échantillonnage distinct.
[21] Dans des modes de mise en œuvre particuliers de l’invention, au moins une connexion dite résiduelle intra-échelle est configurée entre un sous-bloc de l’encodeur surfacique comprenant un maillage surfacique ayant un échantillonnage donné et un sous-bloc du décodeur volumique comprenant un nuage de points ayant un échantillonnage similaire.
[22] Ainsi, la perte d’informations physiques est minimisée lors des différents rééchantillonnage.
[23] Dans des modes de mise en œuvre particuliers de l’invention, au moins une connexion dite résiduelle inter-échelle est configurée entre deux sous-blocs de l’encodeur surfacique et/ou entre deux sous-blocs du décodeur volumique, lesdits deux sous-blocs ayant un échantillonnage distinct.
[24] Ainsi, la perte d’informations physiques est minimisée lors de l’encodage ou du décodage.
[25] Dans des modes de mise en œuvre particuliers de l’invention, le décodeur comprend deux sous-blocs, l’un étant dédié au calcul des valeurs physiques dans le volume de l’espace de simulation et l’autre étant dédié au calcul des valeurs physiques sur la surface de la géométrie, le calcul étant effectué conjointement dans les deux sous-blocs.
[26] Dans des modes de mise en œuvre particuliers de l’invention, la base de données d’entrainement comprend une pluralité de résultat de simulation numérique, chaque résultat étant associé à un jeu de données d’entrainement comportant :
- un maillage tridimensionnel d’une surface représentative d’une géométrie ;
- un jeu de points répartis dans l’espace de simulation ; et
- au moins une valeur de condition aux limites.
[27] Dans des modes de mise en œuvre particuliers de l’invention, lorsque au moins une partie des jeux données comprend des données physiques sur la surface et dans le volume, l’apprentissage profond est effectué conjointement sur les données physiques sur la surface et dans le volume.
[28] Dans des modes de mise en œuvre particuliers de l’invention, lors de la phase de prédiction, une interprétation est effectuée à partir des valeurs de simulation en tout ou partie des points du nuage, pour connaitre les valeurs de simulation en un point distinct du nuage.
[29] Dans des modes de mise en œuvre particuliers de l’invention, les données physiques et/ou les valeurs physiques sont de types compris parmi :
- une donnée volumique ;
- une donnée surfacique ;
- un coefficient global ;
- une courbe évolutive en temps d’une donnée volumique ;
- une courbe évolutive en temps d’une donnée surfacique ;
- une courbe évolutive en temps d’un coefficient global.
[30] Dans des modes de mise en œuvre particuliers de l’invention, les valeurs physiques de différents types sont corrélées spatialement et/ou temporellement.
[31] L’ invention vise également un dispositif comprenant un élément de stockage des instructions de mise en œuvre du procédé de réalisation selon l’un quelconque des modes de mise en œuvre précédents.
[32] Enfin, l’invention vise également un dispositif informatique neuronal comprenant :
- une unité d’apprentissage profond de données physiques issues de mesures et/ou de simulations numériques d’au moins un phénomène physique, tel qu’un écoulement d’un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle, effectuées au moins à proximité d’une surface dite d’entraînement, ladite surface d’entraînement pouvant être distincte pour chaque jeu de données, l’unité d’apprentissage générant des poids d’un réseau de neurones ;
- une unité de prédiction de valeurs physiques pour tout ou partie des points d’un nuage de points d’un espace de simulation configuré au moins à proximité d’une géométrie comportant une pluralité de points surfaciques At formant un maillage surfacique, ladite géométrie étant apte à être soumise à au moins un phénomène physique, tel qu’un écoulement d’un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle, la prédiction étant effectuée en fonction d’au moins une condition dite de simulation, les valeurs physiques formant un résultat de simulation.
BRÈVE DESCRIPTION DES FIGURES [33] D’autres avantages, buts et caractéristiques particulières de la présente invention ressortiront de la description non limitative qui suit d’au moins un mode de réalisation particulier des dispositifs et procédés objets de la présente invention, en regard des dessins annexés, dans lesquels :
- la figure 1 est un schéma synoptique illustrant un mode de mise en œuvre du procédé de réalisation selon l’invention
- la figure 2 est une vue schématique d’un espace de simulation comprenant un exemple d’objet technique soumis à un phénomène physique à simuler au cours du procédé de réalisation selon la figure 1 ;
- la figure 3 est une vue schématique de l’organisation de l’échantillonnage effectué par le réseau de neurones mis en œuvre par le procédé de réalisation selon la figure 1 ;
- la figure 4 est une vue schématique d’un dispositif informatique neuronal selon l’invention.
DESCRIPTION DÉTAILLÉE DE L’INVENTION
[34] La présente description est donnée à titre non limitatif, chaque caractéristique d’un mode de mise en œuvre pouvant être combinée à toute autre caractéristique de tout autre mode de mise en œuvre de manière avantageuse.
[35] On note, dès à présent, que les figures ne sont pas à l’échelle.
Exemple d’un mode de mise en œuvre particulier
[36] La figure 1 illustre un exemple non limitatif d’un mode de mise en œuvre d’un procédé 100 de réalisation d’un objet technique 200 comme par exemple celui illustré en figure 2. Le procédé 100 est mis en œuvre par ordinateur qui comprend une unité de stockage des instructions informatiques pour la mise en œuvre du procédé 100. Les instructions permettent notamment de configurer un processeur de l’ordinateur pour la mise en œuvre du procédé 100.
[37] L’objet technique 200 est ici une coque d’un bateau soumise à au moins un phénomène physique, en l’occurrence à l’écoulement d’un fluide 205, à savoir de l’eau, autour de la coque 200. Le ou les phénomène(s) physique(s) simulé(s) sont régis généralement par une ou plusieurs équation(s) à dérivées partielles (EDP). La coque 200 comporte une géométrie 210 comprenant une pluralité de points surfaciques At. Les points surfaciques At. forment un maillage tridimensionnel représentant la surface de la géométrie 210. Un espace 220 de simulation, associé à la géométrie 210, est déterminé autour de la géométrie 210 afin de simuler l’écoulement du fluide autour de la coque 200.
[38] Il convient de souligner que selon les configurations à simuler, l’espace 220 de simulation peut être autour, à l’intérieur, à travers, à côté de la géométrie 210. De manière générale, l’espace 220 de simulation est au moins à proximité de la géométrie 210 et peut inclure des points à la surface de la géométrie 210.
[39] Le procédé 100 de réalisation comprend une première phase 110 de collecte d’une pluralité de jeux de données physiques dans une base de données d’entraînement.
[40] Les jeux de données physiques proviennent par exemple de mesures ou d’une simulation numérique, par exemple de type CFD, effectuée(s) auparavant dans un espace au moins à proximité d’une ou de plusieurs surface(s) dites d’entraînement, similaires ou non à une surface présentée par la géométrie 210.
[41 ] Au cours de la deuxième phase 120, le procédé 100 de réalisation génère des paramètres d’un réseau de neurones par apprentissage profond sur au moins une partie des données collectées au cours de la phase 110. Cette deuxième phase 120 correspond à une phase d’entraînement pour configurer le réseau de neurones à effectuer des prédictions cohérentes.
[42] Une fois entraîné, le réseau de neurones prédit des valeurs physiques pour tout ou partie des points d’un nuage de points compris dans l’espace 220 de simulation au cours d’une troisième phase 130 du procédé 100. Il convient de souligner que les points du nuage sont répartis généralement de manière inhomogène dans l’espace 220 de simulation, avec une densité plus importante dans des zones potentiellement à fort gradient. Les valeurs physiques ainsi obtenu forment un résultat de simulation qui est utilisé dans une quatrième phase 140 du procédé 100.
[43] Au cours de cette quatrième phase 140, une réalisation de l’objet 200 dont une dimension est établie en fonction du résultat de simulation est effectuée. La prédiction des valeurs physiques effectuée au cours de la phase 130 permet d’affiner les dimensions de l’objet 200, notamment dans un but d’optimisation de cette dimension au regard du ou des phénomène(s) physique(s) simulé(s). Cette optimisation peut notamment correspondre à une optimisation de la forme pour réduire au mieux la trainée, voire optimiser le ratio résistance/masse de l’objet. De nombreuses applications peuvent être citées, notamment dans le domaine de la mécanique.
[44] Le cœur de l’invention porte sur la manière dont est effectuée la prédiction des valeurs physiques, qui est en quelque sorte une simulation numérique légère par rapport à une simulation numérique classique de type CFD, notamment dans le but de limiter les ressources informatiques utilisées pour obtenir un résultat fiable.
[45] Par rapport à l’état de l’art, le réseau de neurones utilisé pour la prédiction comprend avantageusement un encodeur surfacique et un décodeur volumique.
[46] Chaque point du nuage de points de l’espace 220 de simulation comprend ainsi avantageusement des données cohérentes par rapport aux points du nuage, situés à proximité immédiate. En d’autres termes, il est possible de propager des informations du phénomène physique à l’intérieur du nuage de points de l’espace 220 de simulation en un très court laps de temps de calcul, tout en conservant la continuité inhérente aux phénomènes physiques.
[47] Les poids des nœuds du réseau de neurones comprennent ainsi une représentation implicite du champ d’écoulement tridimensionnel, permettant cette propagation extrêmement rapide de l’information dans le maillage qui est décorrélé des nœuds du réseau de neurones.
[48] Il convient de souligner que le réseau de neurones est généralement entraîné sur plusieurs simulations et/ou mesures. Une fois entrainé, le réseau de neurones est utilisé pour inférer en quelques secondes des quantités physiques à différentes échelles sur un lot de données, c’est-à-dire le couple géométrie et conditions aux limites, qui n’a jamais été vu auparavant au cours de l’entraînement, sans avoir besoin de réajuster des paramètres du réseau de neurones.
[49] Avantageusement, le décodeur du réseau de neurones peut être configuré en deux blocs distincts, l’un étant dédié au calcul dans le volume de l’espace de simulation, c’est-à-dire dans le nuage de points, et l’autre dans le maillage surfacique, ce qui permet de mieux spécifier ces blocs aux configurations physiques de la géométrie et de l’espace où le fluide s’écoule, les deux réagissant de manière distincte. Un gain de temps de calcul est également obtenu par cette configuration avantageuse.
[50] Afin de pouvoir générer un résultat de simulation, le réseau de neurones a été préalablement entraîné lors de la phase 120 d’entraînement, sur les données physiques collectées auparavant. Des échantillons des données issues de technique traditionnelle de CFD peuvent ainsi être pris en compte au cours de l’entrainement pour avoir une très bonne approximation fonctionnelle de la solution fonctionnelle sous-jacente de l’EDP.
[51] L’ entraînement est avantageusement effectué avec un apprentissage conjoint des résultats en surface de la géométrie 210 et des résultats volumiques dans l’espace 220 de simulation.
[52] Il convient de souligner que les réseaux de neurones existants de type PINN (acronyme anglais de « Physics-Informed Neural Networks ») n’utilisent pas de base d’entrainement commune pour de multiples simulations mais doivent être réentraînés pour chaque simulation. Le réseau de neurones de la présente invention permet au contraire de mutualiser l’entraînement pour plusieurs simulations, permettant un gain de temps conséquent par rapport aux PINNs.
[53] Comme illustré sur la figure 3, le réseau de neurones comprend une pluralité de sous-blocs 310 traitant chacune des maillages du jeu de données avec un rééchantillonnage distinct afin de permettre d’avoir un modèle unifié qui régresse à différentes échelles (volumes, surfaces, global) pour mieux propager les informations de la physique sous-jacente au sein des points du maillage.
[54] Les maillages surfaciques 320, illustrées à gauche de la figure 3, sont échantillonnés à différentes échelles par l’encodeur 360, partant ici d’une matrice avec 16k lignes et 5 colonnes (comprenant les données physiques telles que la vitesse dans les trois directions, la pression, la température) jusqu’à obtenir un vecteur représentatif 330 de dimension d6. A chaque rééchantillonnage, les 16k lignes sont divisées par un nombre prédéterminé, par exemple égal à 2. Ce rééchantillonnage permet une meilleure compréhension de la géométrie 210. En d’autres termes, un encodage des données surfaciques est effectué dans le vecteur représentatif 330.
[55] Au cours de l’encodage, des connexions résiduelles 335 entre des maillages surfaciques ayant des échantillonnages distincts, c'est-à-dire entre deux sous-blocs 310, sont effectuées pour mieux conserver les informations physiques.
[56] Le vecteur représentatif 330 est utilisé pour décoder les valeurs physiques sur les points volumiques des nuages de points 340 rééchantillonnés de manière similaire, par le décodeur 370 illustré du côté droit de la figure 3.
[57] Des connexions résiduelles 345 entre des nuages de points 340 ayant des échantillonnages distincts sont également effectuées pour améliorer la conservation des informations physiques lors du décodage. [58] Il convient de souligner que les connexions résiduelles 335 et 345 peuvent être entre deux sous-blocs consécutifs, comme illustrés sur la figure 3, et/ou entre deux sous-blocs non consécutifs.
[59] Toujours dans le but d’éviter de perdre des informations physiques dans les phases d’encodage/décodage, une connexion résiduelle 350 est effectuée entre chaque maillage surfacique 320 et chaque nuage de points 340 ayant le même échantillonnage.
[60] Par exemple pour l’échantillonnage le plus élevé, la connexion résiduelle 350 est effectuée entre la matrice de 16k lignes et 5 colonnes du maillage surfacique 320 et un nuage de points 340 de 32k lignes et d1 colonnes.
[61] Ainsi, grâce aux connexions résiduelles 335 et 345, qui sont de type interéchelle, et aux connexions résiduelles 350, qui sont de type intra-échelle, les informations physiques sont bien propagées entre le maillage surfacique de la géométrie 210 et du nuage de points de l’espace 220 de simulation.
[62] Il convient de souligner que dans un but de lisibilité de la figure 3, les numéros des connexions résiduelles 335, 345 et 350 n’ont été mis que sur une partie des connexions dessinées, de même que pour les numéros 320 et 340 des maillages surfaciques et des nuages de points volumiques. Chaque sous-bloc 310 comprend ici une connexion résiduelle intra-échelle 350 entre le maillage surfacique 320 dudit sous- bloc et le nuage 340 de points volumiques dudit sous-bloc. Une connexion résiduelle 335 entre les maillages surfaciques 320 de deux sous-blocs 310 consécutifs est établie. Il en est de même pour les connexions résiduelles 345 entre les nuages de points 340.
[63] Cette configuration particulière du réseau de neurones, comprenant un encodeur surfacique 360 et un décodeur volumique 370, corrélés pour chaque niveau d’échantillonnage par des connexions résiduelles 350 permet d’obtenir un réseau de neurones pouvant traiter n’importe quel type de nuage de points et surtout des nuages de points non uniformes, c’est-à-dire ayant une densification de points autour de points d’intérêts comme par exemple des angles saillants d’une géométrie soumise à un écoulement.
[64] Un gain conséquent en temps de calcul est ainsi obtenu par rapport à des réseaux de neurones classiques dont la répartition des points est nécessairement uniforme à cause de leur architecture basée sur un support de convolution ayant une forme carrée. En d’autres termes, le réseau de neurones de la présente invention permet de traiter des simulations ayant de grand nombre de paramètres car le nuage de points utilisé peut être densifié uniquement dans les zones présentant des variations physiques importantes, et raréfié dans les zones de l’espace présentant au contraire des variations faibles. Cette configuration de nuage de points est courante dans le domaine des calculs classiques de CFD mais n’a jamais jusqu’à présent été utilisé pour des réseaux de neurones à cause de leur architecture naturelle.
[65] De manière générale, les valeurs de simulation sont de types compris parmi :
- une donnée volumique ;
- une donnée surfacique ;
- un coefficient global ;
- une courbe évolutive en temps d’une donnée volumique ;
- une courbe évolutive en temps d’une donnée surfacique ;
- une courbe évolutive en temps d’un coefficient global.
[66] En résumé, les méthodes traditionnelles de CFD visent à résoudre les équations des EDP en des points spécifiques à l'aide d'un maillage particulier qui discrétise l'espace 2D/3D. Le processus de maillage de l'espace peut être fastidieux, lourd et long, car le maillage résultant doit notamment s'adapter aux conditions limites de la simulation.
[67] Dans la présente invention, une approximation de la solution fonctionnelle sous-jacente de l'EDP est effectuée. Au lieu de demander au réseau neuronal de sortir une grille fixe de variables physiques, ces variables sont implicitement représentées dans les poids du réseau. Ainsi, le réseau peut être interrogé en tout point de l'espace. Par conséquent, ce réseau continu est capable d'apprendre une distribution de fonctions à partir de données CFD 3D pour lesquelles les points et les quantités physiques correspondantes sont considérés comme des échantillons de ces fonctions. En outre, grâce à la rétropropagation de la sortie à travers le réseau, il est possible d'extraire les différents opérateurs exacts permettant la possibilité de minimiser une perte résiduelle physique.
[68] Le réseau de neurones ainsi configuré permet d’obtenir un résultat de simulation en un temps court, jamais atteint jusqu’à maintenant, ouvrant la voie à une meilleure optimisation de l’objet technique soumis à des contraintes physiques. [69] La figure 4 est une vue schématique d’un dispositif informatique neuronal 400 mettant en œuvre les étapes 120 et 130 du procédé 100 de réalisation.
[70] Le dispositif neuronal 400 comprend à cet effet une unité 410 d’apprentissage profond de données physiques issues de mesures et/ou de simulations numériques d’au moins un phénomène physique et une unité 420 de prédiction de valeurs physiques pour tout ou partir des points du nuage de points de l’espace 220 de simulation, les valeurs physiques formant le résultat de simulation.
Données comparatives
[71] Le tableau, référencé [Table 1], permet de comparer la consommation électrique induite par un procédé de simulation numérique selon l’invention, noté NN, en comparaison avec une simulation numérique effectuée par une technique classique de type CFD.
[72] [Table 1]
[73] Comme on peut le constater, le procédé de simulation numérique mis en œuvre au cours de l’invention est très peu consommateur d’énergie électrique au regard d’un calcul classique de type CFD. Certes, l’entrainement du réseau de neurones a un cout énergétique qui n’est pas présent pour de la CFD, mais celui-ci est largement compensé par le fait que le cout énergétique pour une simulation est extrêmement faible.
[74] En outre, le cout énergétique dû à l’entrainement est un cout fixe pouvant être mutualisé avec plusieurs simulations, ce qui est notamment le cas lorsque l’on cherche à optimiser une forme d’une géométrie dans des conditions aux limites définies (par exemple vitesse donnée de la coque par rapport au fluide, éventuellement fonction de houle ou de courant, etc.). Le gain en termes de consommation énergétique étant spectaculaire, la forme de l’objet réalisé peut être ainsi mieux optimisé en utilisant un procédé de simulation mettant en œuvre un réseau de neurones tel que décrit dans l’exemple ci-dessus, par rapport à une simulation de type CFD.
[75] Au regard des réseaux de neurones configurés actuellement pour effectuer des simulations numériques, et notamment celui décrit dans la demande internationale de brevet de la Déposante, publiée sous le numéro WO 2022/229517, la présente configuration de réseaux de neurones est capable de traiter beaucoup plus de données avec la même consommation électrique. En d’autres termes, la présente invention permet d’être entraîné, avec le même GPU (acronyme anglais de « Graphie Processor Unit »), sur des problèmes présentant plus de 50 millions de points de maillage alors que le réseau de neurones de la précédente demande de brevet est limité à environ 20 millions de points. Ce facteur x2,5 du nombre de points permet d’obtenir une résolution beaucoup plus fine, avec une robustesse à la tessellation de l’ordre de 0,5 %), augmentant ainsi nettement la qualité des résultats de simulation et par conséquent l’optimisation de la forme de la géométrie sous la contrainte du phénomène physique.
[76] Les tableaux, référencés [Table 2] et [Table 3], illustrent le gain significatif en termes d’erreur de calculs du réseau de neurones décrit dans l’exemple ci-dessus d‘un mode de mise en œuvre selon l’invention, référencé modèle continu, par rapport à des réseaux de neurones précédents de type CNN (acronyme anglais de « Convolutional Neural Network ») ou de type GAT (acronyme anglais de « Graph Attention Network »).
[77] [Table 2] illustre l’erreur absolue sur les variables volumiques, tandis que [Table 3] illustre l’erreur absolue sur les variables surfaciques.
[78] [Table 2]
[79] [Table 3]
[80] Dans [Table 3], WSS est l’acronyme anglais de « Wall Shear Stress », soit la contrainte de cisaillement de la paroi. ISP est l’acronyme anglais de « Iso Static Pressure », soit la pression isostatique.
[81] Les données présentées dans les tableaux [Table 1], [Table 2] et [Table 3] sont issues de simulations d’une coque d’un bateau. Les valeurs sur les réseaux de neurones ont été moyennés sur 80 simulations d’entrainement, 10 simulations de validation et 10 simulations de test.
[82] Il convient en outre de souligner que les données de [Table 3] correspondent à un couple géométrie + conditions aux limites qui ne correspond à aucun des couples utilisés comme données d’entrées lors de l’entrainement du réseau de neurones.

Claims

Revendications
1. Procédé de réalisation d’un objet technique comportant une géométrie comprenant une pluralité de points surfaciques At formant un maillage surfacique, ladite géométrie étant configurée pour être soumise à au moins un phénomène physique, tel qu’un écoulement d’un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle, caractérisé en ce que ledit procédé comprend :
• une phase, mise en œuvre par ordinateur, de collecte d’une pluralité de jeux de données physiques dans une base de données dite d’entraînement, les données physiques étant issues de mesures et/ou de simulations numériques d’un phénomène physique similaire effectuées au moins à proximité d’une surface dite d’entraînement, ladite surface d’entraînement pouvant être ou non liée à la géométrie, et être distincte pour chaque jeu de données ;
• une phase, mise en œuvre par ordinateur, de génération de paramètres d’un réseau de neurones par apprentissage profond sur au moins une partie des données de la base de données d’entraînement ;
• une phase, mise en œuvre par ordinateur, de prédiction par le réseau de neurones de valeurs physiques pour tout ou partie des points d’un nuage de points d’un espace de simulation configuré au moins à proximité de ladite géométrie, en fonction d’au moins une condition dite de simulation, les valeurs physiques formant le résultat de simulation ; et
• une phase de réalisation dudit objet dont au moins une dimension de la géométrie de l’objet étant établie en fonction dudit résultat de simulation, dans lequel le réseau de neurones comprend un encodeur dit surfacique de la géométrie et d’au moins une condition de simulation dans un vecteur représentatif et un décodeur dit volumique des valeurs physiques sur tout ou partie des points de l’espace de simulation à partir du vecteur représentatif et des paramètres du réseau de neurones obtenu par apprentissage profond, les valeurs physiques étant corrélées entre elles.
2. Procédé de réalisation selon la revendication 1 , dans lequel l’encodeur surfacique comprend une pluralité de sous-blocs, chaque sous-bloc traitant le maillage surfacique selon un échantillonnage distinct et le décodeur volumique comprend une pluralité de sous-blocs, chaque sous-bloc traitant le nuage de points de l’espace de simulation selon un échantillonnage distinct.
3. Procédé de réalisation selon la revendication 2, dans lequel au moins une connexion dite résiduelle intra-échelle est configurée entre un sous-bloc de l’encodeur surfacique comprenant un maillage surfacique ayant un échantillonnage donné et un sous-bloc du décodeur volumique comprenant un nuage de points ayant un échantillonnage similaire.
4. Procédé de réalisation selon l’une quelconque des revendications 2 à 3, dans lequel au moins une connexion dite résiduelle inter-échelle est configurée entre deux sous-blocs de l’encodeur surfacique et/ou entre deux sous-blocs du décodeur volumique, lesdits deux sous-blocs ayant un échantillonnage distinct.
5. Procédé de réalisation selon l’une quelconque des revendications 1 à 4, comprenant également un bloc d’interprétation d’au moins une valeur physique sur un point non compris dans le nuage de points de l’espace de simulation.
6. Procédé de réalisation selon l’une quelconque des revendications 1 à 5, dans lequel le décodeur comprend deux sous-blocs, l’un étant dédié au calcul des valeurs physiques dans le volume de l’espace de simulation et l’autre étant dédié au calcul des valeurs physiques sur la surface de la géométrie, le calcul étant effectué conjointement dans les deux sous-blocs.
7. Procédé de réalisation selon l’une quelconque des revendications 1 à 6, dans lequel la base de données d’entraînement comprend une pluralité de résultat de simulation numérique, chaque résultat étant associé à un jeu de données d’entraînement comportant :
• un maillage tridimensionnel d’une surface représentative d’une géométrie ;
• un jeu de points répartis dans l’espace de simulation ; et
• au moins une valeur de condition aux limites.
8. Procédé de réalisation selon l’une quelconque des revendications 1 à 7, dans lequel, lorsque au moins une partie des jeux données comprend des données physiques sur la surface et dans le volume, l’apprentissage profond est effectué conjointement sur les données physiques sur la surface et dans le volume.
9. Procédé de réalisation selon l’une quelconque des revendications 1 à 8, dans lequel, lors de la phase de prédiction, une interprétation est effectuée à partir des valeurs de simulation en tout ou partie des points du nuage, pour connaitre les valeurs de simulation en un point distinct du nuage.
10. Procédé de réalisation selon l’une quelconque des revendications 1 à 9, dans lequel les données physiques et/ou les valeurs physiques sont de types compris parmi :
• une donnée volumique ;
• une donnée surfacique ;
• un coefficient global ;
• une courbe évolutive en temps d’une donnée volumique ;
• une courbe évolutive en temps d’une donnée surfacique ;
• une courbe évolutive en temps d’un coefficient global.
11. Procédé de réalisation selon l’une quelconque des revendications 1 à 10, dans lequel les valeurs physiques de différents types sont corrélées spatialement et/ou temporellement.
12. Dispositif comprenant un élément de stockage des instructions de mise en œuvre d’un procédé de réalisation selon l’une quelconque des revendications 1 à 11
13. Dispositif informatique neuronal, caractérisé en ce qu’il comprend :
• une unité d’apprentissage profond de données physiques issues de mesures et/ou de simulations numériques d’au moins un phénomène physique, tel qu’un écoulement d’un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle, effectuées au moins à proximité d’une surface dite d’entraînement, ladite surface d’entraînement pouvant être distincte pour chaque jeu de données, l’unité d’apprentissage générant des poids d’un réseau de neurones ;
• une unité de prédiction de valeurs physiques pour tout ou partie des points d’un nuage de points d’un espace de simulation configuré au moins à proximité d’une géométrie comportant une pluralité de points surfaciques At formant un maillage surfacique, ladite géométrie étant apte à être soumise à au moins un phénomène physique, tel qu’un écoulement d’un fluide, un transfert thermique, un champ électromagnétique ou une contrainte mécanique structurelle, la prédiction étant effectuée en fonction d’au moins une condition dite de simulation, les valeurs physiques formant un résultat de simulation.
EP23736786.7A 2023-03-30 2023-03-30 Procédé de réalisation d'un objet technique via une simulation numérique implicite et continue d'un phénomène physique complexe multi-échelle par apprentissage profond Pending EP4689983A1 (fr)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/FR2023/050456 WO2024200918A1 (fr) 2023-03-30 2023-03-30 Procédé de réalisation d'un objet technique via une simulation numérique implicite et continue d'un phénomène physique complexe multi-échelle par apprentissage profond

Publications (1)

Publication Number Publication Date
EP4689983A1 true EP4689983A1 (fr) 2026-02-11

Family

ID=87074595

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23736786.7A Pending EP4689983A1 (fr) 2023-03-30 2023-03-30 Procédé de réalisation d'un objet technique via une simulation numérique implicite et continue d'un phénomène physique complexe multi-échelle par apprentissage profond

Country Status (2)

Country Link
EP (1) EP4689983A1 (fr)
WO (1) WO2024200918A1 (fr)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4330846A1 (fr) 2021-04-26 2024-03-06 Extrality Simulation numérique d'un phénomène physique complexe multi-échelle par apprentissage automatique

Also Published As

Publication number Publication date
WO2024200918A1 (fr) 2024-10-03

Similar Documents

Publication Publication Date Title
Sun et al. Physics-constrained bayesian neural network for fluid flow reconstruction with sparse and noisy data
Ye et al. Single image surface appearance modeling with self‐augmented cnns and inexact supervision
Ma et al. Physics-driven learning of the steady Navier-Stokes equations using deep convolutional neural networks
FR3088463A1 (fr) Procede de construction de reseau de neurones pour la simulation de systemes reels
CN114722732B (zh) 基于点云网络的高超声速飞行器燃料箱温度场预测方法
CN110675321A (zh) 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN119830918B (zh) 一种基于超图神经网络的多模态实体关系抽取方法
CN115438575B (zh) 一种用于高精度翼型流场预测的分析方法
El Hassan et al. Machine Learning in Fluid Dynamics—Physics-Informed Neural Networks (PINNs) Using Sparse Data: A Review.
Mowla et al. The firefly sparkle: The earliest stages of the assembly of a Milky Way-type galaxy in a 600 myr old universe
Zheng et al. Bundle block adjustment of large-scale remote sensing data with Block-based Sparse Matrix Compression combined with Preconditioned Conjugate Gradient
Wang et al. Real‐time rendering of heterogeneous translucent objects with arbitrary shapes
CN113191530B (zh) 一种具有隐私保护的区块链节点可靠性预测方法及系统
EP4689983A1 (fr) Procédé de réalisation d'un objet technique via une simulation numérique implicite et continue d'un phénomène physique complexe multi-échelle par apprentissage profond
Mao et al. Disk2planet: A robust and automated machine learning tool for parameter inference in disk–planet systems
Wang et al. Multi‐Diseases Detection with Memristive System on Chip
Jin et al. FPGA-accelerated deep neural network for real-time inversion of geosteering data
Marichal An immersed interface vortex particle-mesh method
EP4330846A1 (fr) Simulation numérique d'un phénomène physique complexe multi-échelle par apprentissage automatique
Galley et al. Fast and efficient evaluation of gravitational waveforms via reduced-order spline interpolation
Chen et al. An Improved C‐V Model and Application to the Coal Rock Mesocrack Images
Seguin Modélisation et simulation numérique des écoulements diphasiques
Wang et al. A context-awareness and hardware-friendly sparse matrix multiplication kernel for CNN inference acceleration
Yi et al. Rock classification model based on transfer learning and convolutional neural network
Muratori Weighted functional inequalities and nonlinear diffusions of porous medium type

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20251028

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR