Réutiliser les données de simulation lorsque les exigences changent

(Graphique : Secondmind)

Imaginez la réunion : une analyse de fatigue vient d’arriver sur le bureau de l’équipe en charge du groupe motopropulseur. La limite de contrainte structurelle d’un nouveau composant a été revue à la baisse par rapport à son niveau initial : de nouvelles données de fatigue indiquent une durée de vie en bon état plus courte que prévu dans la conception d’origine. Cinq mille simulations, une courbe de compromis satisfaisante et une conception que l’équipe était prête à mettre en œuvre… mais désormais, tout cela est remis en question.

Il n'y a qu'une seule façon de comprendre ce qui est réalisable avec cette nouvelle limite : relancer toute la campagne.

Personne n'a commis de faute. De tels changements sont inhérents à tout programme : un objectif d'efficacité évolue lorsque le programme est adapté à un nouveau marché, un cycle d'utilisation est redéfini une fois qu'un segment de clientèle est mieux compris, ou un composant qui semblait fonctionner correctement isolément s'avère incompatible avec un élément en amont. L'optimiseur a parfaitement rempli sa fonction, mais des mois de simulation ont été consacrés à répondre à une question devenue obsolète.

L'approche conventionnelle peine à appréhender une cible mouvante.

Les outils d'optimisation ne sont pas le maillon faible : ce sont des algorithmes éprouvés, intégrés aux logiciels de tous les principaux fournisseurs de logiciels de simulation numérique. Face à un problème donné – un ensemble d'exigences et un nombre limité de simulations – ils recherchent efficacement la meilleure conception possible. La difficulté réside dans le fait que la problématique évolue rarement.

Définir les exigences fait partie intégrante du travail d'ingénierie ; ces exigences sont négociées et révisées au fur et à mesure de l'avancement du programme. Avec un optimiseur classique, chaque exécution part du principe que les exigences sont fixées et, lorsqu'une modification est apportée, il est impossible de demander à la campagne en cours : « Que signifie ce changement ? »

La seule option consiste à poser la nouvelle question à partir de zéro, ce qui représente un coût important en temps et en budget de simulation.

Il existe un autre impact, plus difficile à percevoir que les simulations inutiles. Lors de la revue de conception – où l'équipe évalue si la nouvelle limite est réellement définitive ou si un compromis est envisageable – les résultats d'optimisation restent muets sur la question en discussion. Ils ne reflètent que l'exigence telle qu'elle existait au moment de la mise en place de la campagne. Les ingénieurs prennent toujours la décision, mais ils doivent se baser uniquement sur leur expérience et les précédents, car fournir les preuves nécessaires exigerait une nouvelle campagne complète.

Qu’est-ce qui change si le modèle est réutilisable et non jetable ?

Lors de la conférence NAFEMS UK 2026, un événement pour la communauté de la simulation d'ingénierie organisé par NAFEMS, l'Association internationale pour la communauté de la modélisation, de l'analyse et de la simulation d'ingénierie, Secondmind a présenté un test de référence qui a montré comment un changement d'exigence en milieu de campagne pouvait être géré différemment : nous avons comparé un optimiseur conventionnel à une exploration construite de sorte que le changement d'exigence devienne une nouvelle question posée au même modèle, plutôt qu'une toute nouvelle campagne.

Le test de référence a porté sur un problème de conception de moteur électrique - six variables géométriques, cinq limites de performance (couple, contrainte, pertes fer, rendement et ondulation du couple) - le même type de problème à paramètres interagissants que les fabricants de véhicules hors route et commerciaux sont de plus en plus confrontés dans le cadre de leur transition vers des groupes motopropulseurs hybrides et électrifiés.

Le programme a débuté avec une limite de contrainte initiale de 250 MPa, puis a subi trois modifications d'exigences : une analyse de fatigue a abaissé cette limite à 150 MPa, un compromis négocié à 200 MPa et une analyse thermique a plafonné les pertes fer à 2 100 W – une séquence similaire à celle que tout programme réel pourrait rencontrer au fil des analyses multidisciplinaires. Afin de garantir la reproductibilité de la comparaison, les deux approches ont été testées avec le même modèle rapide et validé de simulation par éléments finis du moteur, construit à partir d'environ 18 000 simulations JMAG.

En procédant de manière conventionnelle, chacune de ces quatre étapes impliquait une nouvelle campagne d'optimisation - un plan de simulation fixe, engagé et exécuté intégralement : 5 000 exécutions pour établir la courbe de compromis initiale, 5 000 autres lorsque la limite de contrainte s'est resserrée, encore plus pour renégocier un compromis, et encore plus une fois la limite thermique atteinte - 20 000 exécutions de simulation au total pour aboutir à un résultat final de 207,5 Nm.

L'approche alternative que nous avons présentée a permis de construire un modèle de substitution de l'espace de conception. Au lieu de s'engager d'emblée dans un plan de simulation fixe, comme le fait la méthode classique de plans d'expériences (DoE), elle part d'un petit ensemble initial – juste suffisant pour donner au modèle une première idée approximative – et à partir de là, l'échantillonnage devient adaptatif : après chaque petit lot de simulations, le modèle utilise sa propre incertitude pour choisir les suivantes, en équilibrant les régions mal comprises de l'espace de conception avec celles susceptibles de répondre aux exigences, plutôt que de suivre une liste de points prédéfinie. Ce ciblage permet de réduire considérablement le nombre total de simulations – une fraction de ce qu'une campagne classique nécessiterait. Surtout, le modèle indique également ses incertitudes, au lieu de fournir une réponse erronée avec certitude, de sorte que les lacunes dans ses connaissances restent visibles au lieu d'être masquées.

Le résultat n'est pas un point optimal unique, mais une cartographie des possibilités et des limites de faisabilité. Une fois cette cartographie établie, elle peut être consultée à nouveau sans coût de simulation supplémentaire. Réduire la limite de contrainte entraîne un rétrécissement visible de la zone de faisabilité ; l'augmenter à nouveau fait réapparaître un compromis.

À chaque modification des exigences, l'ingénieur peut obtenir une réponse immédiate à partir du modèle existant ou effectuer quelques simulations ciblées supplémentaires pour l'affiner. Sur les mêmes quatre étapes, la réponse obtenue à partir du modèle seul a atteint 196,5 Nm avec un total de 448 simulations. L'ajout de simulations ciblées a permis d'atteindre 206,9 Nm – contre 207,5 Nm pour la méthode conventionnelle – avec un total de 668 simulations : environ trente fois moins que 20 000, soit un résultat à moins de 0,5 %. Dans les deux cas, les conceptions rapportées ont été validées par le simulateur.

Là où les changements sont les plus coûteux : au stade de la conception initiale

Nous sommes convaincus que cette approche exploratoire apporte une valeur ajoutée à chaque étape d'un programme, mais elle a un impact majeur dès les premières phases de conception, lorsque les exigences sont généralement les moins définies. Objectifs réglementaires sur les différents marchés, objectifs de coûts du programme, choix de la plateforme : tous ces éléments, et bien d'autres, sont encore en cours d'élaboration au moment où il faut choisir un concept.

Les décisions prises lors de la phase de conception sont les plus coûteuses à prendre en cas d'erreur – elles engagent environ les trois quarts du coût final d'un programme – et pourtant, elles sont prises avec le moins de données de simulation disponibles. Un modèle capable d'absorber une évolution des exigences, plutôt que d'imposer une reprise en main, est extrêmement précieux lorsque les conséquences d'une mauvaise décision sont si importantes.

Un constructeur automobile a été confronté à ce problème dès la phase de conception, lorsque ses ingénieurs devaient définir la forme d'un panneau de carrosserie en fonction des objectifs de bruit et de vibrations. Cinq variables de conception interagissant entre elles rendaient impossible la détermination d'une plage de valeurs acceptable par le seul jugement des ingénieurs, avec seulement quelques centaines de résultats de simulation à disposition. La modélisation directe de la relation entre la géométrie et la fréquence naturelle a démontré que c'était le rayon de courbure, et non la taille du panneau, qui était déterminant – une relation qui permettrait d'intégrer directement une modification ultérieure des exigences lors d'une revue de conception, sans simulations supplémentaires. Il en a résulté une plage de formes acceptable, définie avant la fabrication des outillages, évitant ainsi une source de retouches qui n'auraient été nécessaires qu'une fois le problème devenu coûteux à résoudre.

La même logique s'applique au filtrage des configurations candidates par rapport aux objectifs réglementaires sur plusieurs marchés : les combinaisons peuvent être écartées ou retenues dès le début, et si un objectif change en cours de filtrage, ces décisions peuvent être revérifiées directement plutôt que de recommencer.

Résolution d'un programme qui ne cesse de changer

Ce travail ne modifie en rien la physique. Le modèle s'appuie sur les mêmes simulations CFD, FEA ou système qu'une campagne classique ; la différence réside dans le nombre de simulations nécessaires et le traitement ultérieur des résultats. Une campagne classique est conçue comme un événement ponctuel : elle produit un résultat, et le flux de travail ne permet pas de le réutiliser. Toute modification des exigences implique de lancer une nouvelle campagne, et non de revenir à la campagne existante. Un modèle réutilisable, quant à lui, conserve les mêmes données de simulation, même en cas d'évolution des exigences.

Le véritable problème que révèle ce benchmark réside dans le flux de travail lui-même. L'optimisation classique part du principe que les exigences sont définies avant le début du développement et qu'elles le restent. Or, dans la réalité, les programmes fonctionnent différemment : les exigences sont négociées, testées et révisées en continu. Les ingénieurs effectuent déjà ces négociations, une revue de conception à la fois ; un modèle réutilisable leur fournit simplement les éléments nécessaires. Ainsi, lorsqu'une exigence évolue – et c'est inévitable dans tout programme réel –, une réponse est déjà disponible, évitant ainsi à l'ingénieur de devoir mener une nouvelle discussion avant de prendre une décision.

À propos de l'auteur : Qi Qi est responsable de l'équipe Machine Learning et Data Science chez Secondmind Ltd., au Royaume-Uni. Avant de rejoindre Secondmind, Qi a passé près de dix ans chez Rolls-Royce, où elle travaillait sur la conception, l'optimisation et l'automatisation. Secondmind fournit le logiciel d'exploration de l'espace de conception utilisé dans ce benchmark. Il est déjà utilisé par des équipementiers et des fournisseurs de premier rang.