FORMATION  
Install Magazine 1006 – février 2026

Des modèles informatiques hybrides pour des simulations précises

Combiner des modèles physiques et des réseaux neuronaux

Pour garantir le bon fonctionnement des installations, une détection rapide des défaillances est essentielle. Attendre l’apparition de défauts graves avant d’intervenir conduit trop souvent à des réparations complexes et coûteuses. Les solutions numériques, comme les jumeaux numériques ou la commande prédictive basée sur un modèle, peuvent apporter une solution. Voilà pour la théorie. La mise en pratique, elle, reste un véritable défi. Pieter Jan Houben de l’université d’Anvers, travaille sur un concept combinant des modèles de simulation physique et des réseaux neuronaux artificiels afin d’obtenir des prédictions rapides et fiables.

Sim to real gap

L’objectif principal de la recherche est de combler le fossé entre la simulation et la réalité, c’est-à-dire l’écart entre les données simulées et les données réelles. Les modèles avancés, tels que la commande prédictive, sont entraînés sur des données simulées. Cependant, plus les données simulées s’éloignent de la réalité, moins le modèle informatique est utile. Pour combler cet écart, Peter Hellinckx a développé des modèles hybrides utilisant des boîtes noires au niveau des composants. Non seulement les résultats se rapprochent davantage de la réalité, mais les systèmes permettent aussi de modéliser le dysfonctionnement d’un composant, rendant la méthode applicable à la détection d’erreurs. Les recherches de Pieter Jan Houben s’inscrivent dans ce cadre.

Approches physique versus neuronale

L’approche classique d’un modèle de simulation repose sur des principes physiques. Le modèle se compose d’un nombre d’équations qui décrivent des processus thermodynamiques. En calculant ces équations à différents intervalles de temps, on peut déterminer le comportement du système en question. L’inconvénient de cette approche est qu’elle impose une série d’hypothèses et de simplifications pour maintenir la charge de calcul requise dans des limites raisonnables. Il subsiste donc toujours une certaine différence entre le comportement calculé et le comportement réel de l’installation. Il faut en tenir compte lors de l’interprétation des données.

 

Une autre approche consiste à utiliser des réseaux neuronaux artificiels. Ceux-ci donnent de bons résultats, mais leur fonctionnement de type ‘boîte noire’ reste opaque : nous n’avons aucune idée de leur fonctionnement. Si les résultats calculés par le réseau ne correspondent pas à la réalité, il est pratiquement impossible d’en déterminer la cause.

 

Pieter Jan Houben a donc conçu un système combinant les deux principes. Le point de départ est un système fondé sur la physique. Cependant, les résultats de ces calculs sont systématiquement corrigés par un réseau neuronal auto-apprenant avant d’être transmis à l’étape de calcul suivante. Ceci confère une fonction d’auto-correction au modèle, et permet d’obtenir des résultats plus précis.

Combiner les deux principes

Deux manières de combiner les deux modèles ont été comparées. Dans la première approche, à chaque étape, tous les composants ont d’abord été calculés un par un selon le modèle physique, puis les résultats ont été corrigés par un réseau neuronal. Les résultats corrigés ont ensuite servi de base à l’étape suivante, après quoi le processus se répétait.

 

Dans la seconde méthode, les composants étaient également calculés physiquement au préalable. Toutefois, avant que le résultat du premier composant ne soit transmis au suivant, une étape intermédiaire de correction était appliquée à l’aide d’un réseau neuronal. Les résultats du premier composant étaient donc déjà améliorés avant d’être utilisés comme base de calcul du composant suivant. Cette approche est plus complexe car elle nécessite l’entraînement simultané de plusieurs réseaux neuronaux. Elle présente néanmoins un grand avantage : le réseau neuronal sait, pour chaque composant, dans quelle mesure son résultat est influencé par celui du composant suivant. Les conclusions indiquent que cette méthode donne de meilleurs résultats et permet une détection plus rapide d’éventuelles anomalies.

 

Confrontation avec la réalité

Jusqu’à présent, la recherche s’est déroulée de manière numérique. Au lieu de tester la méthodologie sur un ensemble de données réelles, un jeu de données artificielles a été généré à partir de simulations validées, dans lesquelles des anomalies ont été introduites. Les modèles ont ensuite été entraînés sur ces données. L’étape suivante consiste à évaluer l’efficacité de cette méthode dans une situation réelle. Pour cela, il faut d’abord déterminer les valeurs qui doivent être considérées comme des écarts et celles qui relèvent du fonctionnement normal. Cette recherche jette ainsi les bases d’une simulation plus performante.

Par: Alex Baumans

https://link.springer.com/book/10.1007/978-3-032-09844-3