Alors que les réseaux de neurones peuvent aider à améliorer la précision des simulations d’écoulement de fluide, de nouvelles recherches montrent à quel point leur précision est limitée à moins que la bonne approche ne soit adoptée. En intégrant les propriétés des fluides dans les réseaux de neurones, la précision de la simulation peut s’améliorer de plusieurs ordres de grandeur.
La méthode Lattice Boltzmann (LBM) est une technique de simulation utilisée pour décrire la dynamique des fluides. Récemment, il y a eu un intérêt croissant pour l’utilisation de réseaux de neurones pour la modélisation informatique des fluides. Les résultats d’une collaboration entre des chercheurs de l’Université de technologie d’Eindhoven et du Laboratoire national de Los Alamos, publiés dans Le Journal Physique Européen Emontrent comment les réseaux de neurones peuvent être intégrés dans un cadre LBM pour modéliser les collisions entre les particules fluides.
L’équipe a constaté qu’il est essentiel d’intégrer les propriétés physiques correctes dans l’architecture du réseau neuronal pour préserver la précision. Ces découvertes pourraient approfondir la compréhension des chercheurs sur la façon de modéliser les écoulements de fluides.
Le LBM fonctionne en divisant les flux en grilles de minuscules cellules : en suivant le mouvement des particules entre les cellules, puis en calculant comment la distribution des particules dans chaque cellule change au fil du temps. L’une des principales exigences du LBM est de modéliser les collisions entre particules. Plusieurs modèles différents sont désormais capables de le faire, et en recréant de manière appropriée ces collisions dans le LBM, les chercheurs peuvent désormais les utiliser pour modéliser un large éventail de systèmes d’écoulement.
Dans leur étude, les équipes d’Eindhoven et de Los Alamos ont évalué la fiabilité de cette approche en utilisant le LBM pour modéliser le comportement variant dans le temps dans une variété de flux complexes. Ils ont découvert que les architectures de réseaux neuronaux « vanille », sans application des propriétés physiques, ont une précision très limitée lors du calcul des collisions de particules.
Pourtant, en intégrant les propriétés physiques uniques des flux réels, y compris les lois de conservation et les symétries spatiales, leur précision dans la reproduction de dynamiques variant dans le temps peut s’améliorer d’environ 4 ordres de grandeur. Les auteurs espèrent que leurs découvertes pourraient avoir des implications importantes pour la dynamique des fluides : permettre aux chercheurs de simuler des systèmes comprenant des mélanges de gaz, des écoulements turbulents, ainsi que des fluides quantiques plus exotiques.
Plus d’information:
Alessandro Corbetta et al, Vers l’apprentissage des opérateurs de collision Lattice Boltzmann, Le Journal Physique Européen E (2023). DOI : 10.1140/epje/s10189-023-00267-w