Cette page dédiée présente l’un des thème / domaine stratégique actuellement en discussion dans le cadre de notre Programme de financement de recherche stratégique. L’ensemble des thèmes / domaines en discussion est indiqué sur la page du programme. Chaque page dédiée (y compris celle-ci) peut être à un niveau de détail et de maturité variable. Pour participer à la discussion sur ce thème ou en proposer de nouveaux, veuillez utiliser ce formulaire. Si vous souhaitez être tenu.e au courant des développements autour de ce thème / domaine, inscrivez-vous ci-dessous.

Mécanique des fluides numérique accélérée par l’intelligence artificielle

Description et justification du domaine

Durant la dernière décennie, l’intelligence artificielle a connu de grands succès dans diverses applications scientifiques et technologiques. En raison de ces succès, l’intelligence artificielle a très récemment trouvé sa place dans le domaine de la mécanique des fluides, avec une augmentation exponentielle du nombre de publications scientifiques sur le thème de l’AI-CFD (c-à-d Artificial Intelligence-accelerated Computational Fluid Dynamics ou la mécanique des fluides accélérée par l’intelligence artificielle) au cours des 3 ou 4 dernières années. Les réseaux neuronaux ont été la méthode d’apprentissage automatique la plus utilisée dans ce contexte, avec des réseaux neuronaux convolutifs (CNN), des réseaux neuronaux à fonction de base radiale (RBFNN), des réseaux neuronaux récurrents (RNN), des réseaux antagonistes génératifs (GAN) et les perceptrons multicouches informés par la physique (PINN), principalement utilisés jusqu’à présent comme outils de régression multidimensionnelle pour prédire l’évolution temporelle de propriétés aéro/hydrodynamiques spécifiques à partir d’ensembles de données expérimentales (p. ex. trainée ou portance en modélisation de la turbulence) ou pour permettre la reconstruction de champs d’écoulement particuliers à partir de résultats de simulation CFD.

À la suite de ces premiers succès, plusieurs groupes de recherche (entre autres à Caltech, Harvard et Brown University) ont récemment franchi une étape supplémentaire en développant des algorithmes basés sur des réseaux neuronaux ouvrant la voie vers la prédiction de la solution générale des équations de Navier-Stokes à partir de données d’entraînement obtenues à partir de simulations CFD réalisées sur un ensemble relativement limité de géométries. Plus précisément, ces nouveaux algorithmes ont fait preuve d’une grande précision et d’aptitudes à la généralisation par rapport aux algorithmes précédents leur permettant d’obtenir le champ d’écoulement sur des domaines de taille significativement plus grande et plus complexes que ceux ayant servi lors de l’entraînement et donc sur lesquels ils n’avaient pas été entraînés au préalable. En effet, il semble donc possible d’encoder dans les paramètres du réseau toute la complexité non linéaire des équations de Navier-Stokes une fois le réseau de neurones entraîné avec des données appropriées (p.ex. jusqu’à l’échelle de Kolmogorov avec des simulations à haute résolution effectuées sur de petits domaines).

Ces nouvelles approches d’IA ouvrent la voie vers une percée sans précédent en CFD en fournissant des solutions en un temps calcul de 2 à 3 ordres de grandeurs inférieurs aux méthodes de CFD traditionnelles, permettant ainsi des solutions de mécanique des fluides en quasi temps réel. Ces approches permettraient d’appliquer l’apprentissage machine à des tâches de modélisation numérique à très grande échelle, allant de la conception des avions aux prévisions météorologiques en passant par l’écoulement de l’air en milieu urbain, sans sacrifier la précision ou la généralisation.

De nombreuses entreprises du Québec pourraient bénéficier de ces avancées en CFD en favorisant leur productivité et ainsi leur compétitivité, et en stimulant les innovations qui ne manqueront pas d’en découler. Ceci est parfaitement en accord avec les stratégies en recherche des deux paliers de gouvernements qui visent essentiellement à stimuler les découvertes et les innovations permettant d’aider les industries canadiennes (notamment automobile, aérospatiale et agroalimentaire) à prendre le virage de la transition vers une économie à faibles émissions et à accroître leur productivité et compétitivité, favorisant ainsi les retombées économiques et sociales pour les Québécois et les Canadiens.

Du fait de son écosystème en Intelligence Artificielle reconnus mondialement et de la vaste expertise en CFD (cf. le programme FONCER en génie par la simulation https://www.polymtl.ca/gps/), le campus de l’université de Montréal est idéalement placé pour contribuer à ce domaine en rapide émergence et la thématique proposée s’inscrit parfaitement dans les stratégies institutionnelles (p.ex., « Modélisation et intelligence artificielle » est l’un des trois pôles technologiques clés identifiés par Polytechnique Montréal).

(Ajout 05/07/2021) Il s’agit d’un sous-thème d’un thème qui est en plein essor, soit celui du « Scientific Machine Learning » (SciML). On parle aussi de « Physics-Informed Machine Learning » (PIML). On se trouve donc à l’intersection des sciences des données, de l’optimisation, et du calcul scientifique. Les codes commerciaux et ouverts sont arrivés à maturité et leur usage est généralisé en entreprise. Le défi est maintenant d’obtenir une valeur ajoutée aux données de simulations, et de faire le lien avec les données des entreprises. C’est à ce niveau que le SciML pourrait devenir un incontournable.

IA-CFD est un nouveau domaine émergent. Les techniques d’IA peuvent fournir des solutions optimisées aux équations de Navier-Stokes (équations universelles d’écoulement des fluides) afin de réduire le temps de calcul pour de nombreuses simulations à grande échelle. De plus, la mécanique des fluides numérique est alimentée par des volumes de données sans précédent (issus de simulations très détaillées à grande échelle) où l’apprentissage automatique (ML) peut offrir des techniques pour extraire des informations des données qui peuvent être traduites en connaissances sur la physique sous-jacente du l’écoulement d’un fluide.

Ajout 15/07 : L’analyse numérique, et la mécanique des fluides spécifiquement, a longtemps été une force à Montréal. Ce thème stratégique permettra de fédérer ces nombreux chercheurs.

(Ajout 22/07) Dans le cadre de la transition énergétique et de la décentralisation des moyens de production de l’énergie électrique (éolien, solaire), prévoir la météo sur des grilles en espace-temps de plus en plus fines va devenir essentiel pour optimiser sur le court terme (i.e. du quasi temps réel à quelques jours) la production, le transport et la distribution de l’électricité (ce qui inclut la fiabilité et les capacités d’exportation vers l’étranger de l’électricité verte du Québec) au fur et à mesure que le réseau électrique va se complexifier en devenant « intelligent ». Or, prévoir la météo, c’est à la fois résoudre des systèmes non-linéaires couplés d’EDPs très complexes, et c’est analyser des données satellitaires en appui aux simulations numériques mais aussi en appui à l’établissement des modèles de météorologie (établissement de lois de fermeture). Donc, utiliser l’IA comme outil supplémentaire de résolution des équations de la mécanique des fluides en quasi temps réel et comme outil d’analyse de données massives de météorologie pour en comprendre les phénomènes sous-jacents pourrait devenir un axe majeur de R&D de la transition énergétique impactant à la fois les milieux académiques et industriels car ouvrant des avenues de recherche et des champs applicatifs nouveaux et stratégiques touchant au HPC, à l’analyse numérique, à la science des données, à la modélisation en mécanique des fluides et donc à la CFD appliquée à la météorologie en contexte opérationnel.

Contexte

Mots-clefs :

  • Intelligence artificielle; mécanique des fluides numérique; réseaux de neurones informés par la physique; modélisation multi-échelle; simulation; modèles d’ordre réduit, Scientific Machine Learning, Physics-Informed Machine Learning, apprentissage automatique, modélisation basée sur les données, optimisation
  • (Ajout 22/07) Météorologie, prévision de la demande sur le réseau électrique
  • (Ajout 22/07) CFD, PINN, ROM

Organisations pertinentes :

Personnes pertinentes suggérées durant la consultation :

Les noms suivants ont été proposés par la communauté et les personnes mentionnées ci-dessous ont accepté d’afficher publiquement leur nom. Notez cependant que tous les noms des professeur.e.s (qu’ils soient affichés publiquement ou non sur notre site web) seront transmis au comité conseil pour l’étape d’identification et de sélection des thèmes stratégiques. Notez également que les personnes identifiées durant l’étape de consultation n’ont pas la garantie de recevoir une partie du financement. Cette étape sert avant tout à présenter un panorama du domaine, incluant les personnes pertinentes et non à monter des équipes pour les programmes-cadres.

Programmes-cadres potentiels

(pas de programmes-cadres potentiels pour le moment)

Documentation complémentaire

(pas de documentation complémentaire pour le moment)

Intéressé.e? Entrez votre courriel pour recevoir les mises à jour en lien avec cette page :

Historique

30 juin 2021 : Première version

3 juillet 2021 : Ajout de noms de personnes pertinentes.

5 juillet 2021 : Complément d’information dans la description du domaine. Ajout de noms de personnes pertinentes.

13 juillet 2021 : Complément d’information dans la description du domaine. Ajout d’organisations et personnes pertinentes. Ajout de mots-clefs.

15 juillet 2021 : Complément d’information dans la description du domaine. Ajout de personnes pertinentes.

22 juillet 2021 : Complément d’information dans les sections “description et justification” et “contexte” (mots clefs, organisation et personnes pertinentes)