Des chercheurs exploitent l’apprentissage automatique pour concevoir des structures en treillis avancées

Caractérisées par leurs motifs complexes et leurs conceptions hiérarchiques, les structures en treillis recèlent un immense potentiel pour révolutionner des secteurs allant de l’aérospatiale à l’ingénierie biomédicale, en raison de leur polyvalence et de leur personnalisation. Cependant, la complexité de ces structures et le vaste espace de conception qu’elles englobent ont posé des obstacles importants aux ingénieurs et aux scientifiques, et les méthodes traditionnelles d’exploration et d’optimisation de la conception sont souvent insuffisantes face à l’ampleur des possibilités offertes par le paysage de la conception en treillis.

Les scientifiques et ingénieurs du Lawrence Livermore National Laboratory (LLNL) cherchent à relever ces défis de longue date en intégrant l’apprentissage automatique (ML) et l’intelligence artificielle pour accélérer la conception de structures en treillis avec des propriétés telles qu’un faible poids et une résistance élevée, qui peuvent être optimisées avec une vitesse et une efficacité sans précédent.

Dans une étude récente publiée par Rapports scientifiquesLes chercheurs du LLNL ont fusionné des approches basées sur l’apprentissage automatique avec des techniques de calcul traditionnelles dans l’espoir d’inaugurer une nouvelle ère dans la conception de réseaux. En exploitant la puissance des algorithmes d’apprentissage automatique, les chercheurs ont la possibilité de prédire les performances mécaniques, d’optimiser les variables de conception et d’accélérer le processus de conception informatique pour les réseaux qui possèdent des millions d’options de conception potentielles.

« En tirant parti des approches basées sur l’apprentissage automatique dans le flux de travail de conception, nous pouvons accélérer le processus de conception pour tirer véritablement parti de la liberté de conception offerte par les structures en treillis et profiter de leurs diverses propriétés mécaniques », a déclaré l’auteur principal et ingénieur du LLNL, Aldair Gongora.

« Ce travail fait progresser le domaine du design car il démontre une manière viable d’intégrer des approches itératives basées sur le ML dans le flux de travail de conception et souligne le rôle essentiel que le ML et l’intelligence artificielle (IA) peuvent jouer dans l’accélération des processus de conception. »

Au cœur de cette nouvelle recherche se trouve le développement de modèles de substitution basés sur l’apprentissage automatique qui servent de prototypes virtuels pour explorer le comportement mécanique des structures en treillis. Ces modèles de substitution, formés sur une multitude de données intégrant diverses familles de treillis et variables de conception géométrique, présentent des capacités prédictives remarquables et peuvent fournir des informations précieuses sur les paramètres de conception et le rôle de la géométrie et de la structure sur les performances mécaniques, avec une précision supérieure à 95 %, a déclaré Gongora.

De plus, en incluant des approches basées sur le ML dans la boucle de conception, l’équipe a démontré que des conceptions optimales pouvaient être accélérées en explorant moins de 1 % de la taille de l’espace de conception théorique, a-t-il déclaré.

Pour naviguer efficacement dans le vaste paysage des possibilités de conception de réseaux, les chercheurs se sont tournés vers des approches telles que l’optimisation bayésienne, une forme sophistiquée d’apprentissage actif. En sélectionnant et en évaluant intelligemment les conceptions de manière séquentielle, l’optimisation bayésienne rationalise le processus d’exploration, réduisant de cinq fois le nombre de simulations nécessaires pour trouver des conceptions performantes, et peut identifier les configurations de réseaux performantes avec une rapidité extraordinaire, ont déclaré les chercheurs.

Cette approche réduit non seulement le nombre de simulations nécessaires pour trouver de nouvelles conceptions, mais minimise également la charge de calcul associée aux recherches de conception exhaustives, ont déclaré les chercheurs.

L’équipe a également utilisé l’analyse SHAP (Shapley Additive Explication) – une méthode utilisée pour comprendre comment différents facteurs ou variables contribuent à un résultat ou à une prédiction particulière dans un modèle – pour interpréter l’impact des variables de conception individuelles sur les performances. En décortiquant les contributions de chaque paramètre au comportement mécanique global, les chercheurs ont déclaré qu’ils pouvaient acquérir une compréhension plus approfondie des relations complexes au sein de l’espace de conception.

Les chercheurs ont déclaré que l’étude établit une nouvelle norme pour les systèmes de conception intelligents et que la fusion de la modélisation informatique, des algorithmes ML et des techniques d’optimisation avancées représente un bond en avant dans les capacités d’ingénierie qui pourraient améliorer les performances des composants aérospatiaux et révolutionner le domaine des matériaux avancés.

Gongora a qualifié ce travail de « progrès crucial dans la démonstration des différentes manières dont l’IA peut jouer un rôle impératif et bénéfique dans la science des matériaux et la fabrication », avec un impact s’étendant bien au-delà du domaine des structures en treillis.

Bien que l’étude se concentre sur la conception mécanique, l’approche pourrait être appliquée à une variété de défis de conception qui reposent sur des simulations coûteuses, ont déclaré les chercheurs. Compte tenu de l’expertise de classe mondiale du LLNL en matière de fabrication additive, Gongora a déclaré qu’une variété de structures en treillis pourraient être physiquement fabriquées, testées et utilisées dans des applications transversales qui couvrent les domaines de mission du laboratoire.

« Nous envisageons que nos recherches soient largement mises en œuvre dans des flux de travail qui reposent sur des simulations coûteuses », a déclaré Gongora. « Ces modèles de substitution basés sur le ML pourraient être essentiels dans les problèmes de conception multi-échelles qui reposent sur un ou plusieurs simulateurs coûteux. En outre, nous envisageons que nos recherches soient utilisées pour accélérer les défis d’optimisation de la conception paramétrique où un scientifique, un ingénieur ou un concepteur doit prendre en compte un grand nombre de paramètres de conception qui couvrent à la fois la structure et les matériaux.

« En accélérant le processus de conception informatique, des conceptions intéressantes et innovantes peuvent être intelligemment sélectionnées pour des tests expérimentaux. Cela crée de nombreuses opportunités pour les scientifiques d’utiliser les outils ML dans leurs recherches et leurs défis de conception dans les sciences. »

Les co-auteurs du LLNL étaient Caleb Friedman, Deirdre Newton, Timothy Yee, Zachary Doorenbos, Brian Giera, Eric Duoss, Thomas Y.-J. Han, Kyle Sullivan et Jennifer Rodriguez.