Secondmind sur la validation des technologies de pointe des moteurs

Les méthodes émergentes permettent aux ingénieurs de visualiser la faisabilité et les contraintes de conception en haute dimensionnalité (Photo : Secondmind)

La complexité des groupes motopropulseurs est le prix que les constructeurs automobiles ont dû payer pour réduire les émissions des véhicules utilitaires et des engins hors route. Il ne s'agit pas seulement des filtres à particules diesel (FAP), du recyclage des gaz d'échappement (EGR), de la réduction catalytique sélective (SCR) et des systèmes de suralimentation de plus en plus sophistiqués. Le véritable défi réside dans l'interaction de ces systèmes, ce qui multiplie de façon exponentielle le travail de conception et de mise au point.

Bien que les contraintes réglementaires se soient temporairement allégées, le programme technique est loin d'être achevé. Pour atteindre ces objectifs, il est encore possible d'équilibrer les émissions et la consommation de carburant avec la puissance et le couple. Par exemple, la réduction de la cylindrée des moteurs peut contribuer à résoudre ces problèmes, tout en ayant un impact positif sur le coût, l'encombrement et le poids des machines, à condition que la puissance puisse être fournie de manière fiable dans des conditions réelles d'utilisation.

Nick Appleyard, Secondmind

Dans le même temps, les constructeurs automobiles doivent faire face à une demande croissante de multiples variantes de groupes motopropulseurs adaptées à des marchés, des applications et des cycles d'utilisation spécifiques. À mesure que la complexité des systèmes augmente, la conception, la validation et le support de ces variantes deviennent plus problématiques.

Le secteur de l'énergie a néanmoins réalisé des progrès remarquables : les polluants réglementés ont été réduits de plus de 95 % tandis que la densité de puissance a connu des augmentations spectaculaires. Mais cela n'est pas sans conséquences.

Les problèmes qui en résultent, tels que les vannes EGR soumises à des contraintes thermiques, les dépôts d'ammoniac dans les systèmes SCR ou les échecs de régénération du FAP, témoignent des difficultés liées à la gestion de multiples paramètres. Ces problèmes sont souvent perçus comme des risques intrinsèques pour la fiabilité, mais le plus souvent, ils sont imputables à des choix de conception et de calibration effectués dans des conditions de contraintes de temps et de ressources très strictes.

Le pouvoir et les limites de la simulation

La conception pilotée par simulation est désormais monnaie courante chez les motoristes et leurs fournisseurs. La dynamique des fluides numérique (CFD), l'analyse par éléments finis (FEA) et les modèles système sous-tendent la conception et la validation bien avant la fabrication du matériel. Cette approche d'ingénierie basée sur la modélisation permet une itération plus rapide, des coûts de développement réduits et une prise de décision plus éclairée que les méthodes traditionnelles privilégiant les essais préalables.

Pourtant, rares sont les entreprises d'ingénierie qui se sentent moins contraintes. Les gains obtenus grâce à un développement virtuel plus rapide sont rapidement réinvestis dans des objectifs de performance plus élevés, des marges d'émissions plus strictes et des plages de fonctionnement plus étendues. La capacité de simulation ne crée pas de relâchement ; elle ne fait qu'accroître les exigences.

La simulation est également loin d'être bon marché. Une seule exécution consomme des ressources informatiques importantes et le temps d'ingénieurs spécialisés, tandis que les licences logicielles peuvent coûter des dizaines de milliers de dollars par poste. Chaque simulation peut durer des heures et une seule étude de conception peut nécessiter des centaines d'exécutions. Dans ce contexte, l'avantage ne réside pas dans le nombre de simulations effectuées, mais dans la capacité à identifier celles qui sont réellement pertinentes.

Quand l'intuition humaine atteint ses limites

Les ingénieurs mécaniciens et spécialistes de la performance expérimentés savent appréhender de multiples paramètres interagissant, jonglant souvent avec cinq ou six variables grâce à leur intuition et leur assurance. Mais les groupes motopropulseurs à faibles émissions de dernière génération fonctionnent bien au-delà de cette zone de confort, avec des dizaines de variables étroitement liées qui influencent simultanément leur comportement. Nombre de ces relations sont non linéaires, ce qui les rend particulièrement difficiles à appréhender sans aide extérieure.

L'IA de niveau ingénierie fournit aux ingénieurs des informations sur les combinaisons de paramètres réalisables (Photo : Secondmind)

La combustion en est un exemple flagrant. Les choix géométriques concernant les soupapes, les chambres de combustion des pistons, les injecteurs, l'alésage et la course, le taux de compression et le tourbillonnement interagissent avec des paramètres de contrôle tels que le calage de l'injection, la pression, le profil de débit et les stratégies d'injection multiple. Chaque paramètre a son importance, mais leurs effets combinés sont rarement intuitifs.

Les solutions optimales sont souvent contre-intuitives. Une analogie pertinente nous vient du cyclisme professionnel, où pendant des décennies, les équipes ont supposé que des pneus plus étroits gonflés à une pression plus élevée minimisaient la résistance au roulement. Cette stratégie, en apparence optimale, a dominé les débats pendant plus de quarante ans, et ce n'est qu'après des expérimentations rigoureuses que les analystes ont découvert que des pneus plus larges gonflés à une pression plus basse étaient souvent plus rapides en conditions réelles. La véritable solution optimale était pourtant sous nos yeux.

Il ne s'agit pas d'une question de compétences ou d'expérience. La formation d'ingénieur enseigne, à juste titre, la simplification comme technique de survie. Mais lorsque les systèmes deviennent véritablement multidimensionnels, cette habitude peut restreindre prématurément le champ des possibles, empêchant ainsi la découverte de solutions crédibles simplement parce qu'elles se situent en dehors des sentiers battus.

Apprentissage automatique de niveau ingénierie

L'intérêt récent porté à l'intelligence artificielle, et notamment aux grands modèles de langage, a suscité à la fois enthousiasme et inquiétude au sein des communautés d'ingénieurs. Une préoccupation fréquente est de savoir si les outils d'IA pourraient remplacer des emplois qualifiés. Dans le contexte du développement des groupes motopropulseurs, cette préoccupation est infondée.

Développement de calibrations robustes pour moteurs complexes en un temps minimal de test en cellule (Photo : Secondmind)

Secondmind est une entreprise qui développe des solutions d'apprentissage automatique spécifiquement adaptées aux cas d'usage en ingénierie, plutôt que d'utiliser des outils d'IA généralistes. Ses méthodes, probabilistes et non génératives, sont conçues pour les situations où les données sont rares, coûteuses et longues à produire. Ces travaux sont issus des recherches menées à l'Université de Cambridge par le professeur Carl Rasmussen, également directeur scientifique de Secondmind. Ils portent sur la prise de décision en situation d'incertitude plutôt que sur la prédiction à grande échelle.

L'objectif n'est pas d'automatiser le jugement des ingénieurs, mais de révéler davantage le problème que le temps et les budgets ne le permettraient autrement. L'apprentissage automatique permet de prioriser les efforts de simulation et d'identifier les zones où l'incertitude demeure élevée. Les ingénieurs décident ensuite de la marche à suivre. La valeur ajoutée réside dans cette répartition des tâches : le calcul pour faire émerger les options, l'expérience pour choisir la plus adaptée.

Garder les options ouvertes plus longtemps

Au lieu de s'engager trop tôt dans une direction de conception étroite, cette technologie permet aux ingénieurs d'explorer plus longtemps plusieurs options viables. Ainsi, les compromis peuvent être évalués explicitement, sans être prisonniers d'hypothèses initiales difficiles à remettre en question par la suite. En se forgeant une vision plus globale des solutions acceptables et de leurs limites, les équipes acquièrent une perception plus réaliste des opportunités et des risques.

Surtout, l'incertitude n'est plus dissimulée. Les lacunes en matière de connaissances sont mises en évidence, permettant ainsi une investigation ciblée plutôt qu'une approche globale. Il en résulte des conceptions plus robustes et moins de mauvaises surprises lors de la fabrication du matériel.

L'économie d'une simulation plus intelligente

Pour les responsables d'ingénierie soumis à des contraintes budgétaires constantes, la vitesse de résolution n'est qu'un élément parmi d'autres. Un impact plus important provient d'une sélection rigoureuse des zones d'application des simulations. En identifiant les régions à forte incertitude et en les ciblant, l'apprentissage automatique probabiliste guide chaque nouvelle série de simulations afin de fournir un maximum d'informations.

Cette approche ciblée a démontré sa capacité à réduire d'environ 80 % le nombre de simulations nécessaires, tout en renforçant la fiabilité des résultats. Outre la réduction des coûts de calcul, elle permet une meilleure utilisation du temps d'ingénierie : les tâches répétitives cèdent la place à l'interprétation et à la prise de décision. Les cycles de développement sont raccourcis, la collaboration s'améliore et les reprises en fin de cycle sont moins fréquentes.

Conception et étalonnage

La même complexité sous-jacente se retrouve tout au long du programme, des premières phases de conception jusqu'à la cellule d'essai. Lors de la calibration, les ingénieurs doivent élaborer des cartographies de contrôle qui optimisent le calage de l'injection, la pression de la rampe commune, la gestion de l'air et du circuit d'admission, ainsi que les performances en matière d'émissions sur toute la plage de fonctionnement. Une fois encore, le problème réside dans l'échelle : le nombre de combinaisons possibles est bien trop important pour qu'un ingénieur puisse raisonnablement les évaluer seul.

L'application des mêmes techniques d'apprentissage automatique probabilistes à l'étalonnage permet aux équipes de réduire le temps passé en cellule de test, la consommation de carburant et le nombre d'itérations, tout en renforçant la certitude qu'aucune zone critique de fonctionnement n'a été négligée. Ce qui paraît simple sur un tableau blanc devient vite complexe dès lors que les plages de fonctionnement réelles sont concernées.

Un changement dans la culture de l'ingénierie

Il n'en résulte pas la disparition de l'intuition, mais son renforcement. Les décisions, autrefois justifiables, deviennent démontrables, tandis que la simulation, d'un goulot d'étranglement inévitable, devient un atout concurrentiel. Les ingénieurs conservent la maîtrise des décisions, mais avec une vision plus claire des compromis, des risques et des opportunités.

Face à la complexité croissante des systèmes de propulsion, cette évolution est cruciale. Les normes d'émissions, les carburants alternatifs, l'hybridation et l'électrification ne font que renforcer cette complexité. Les organisations capables d'explorer un large éventail de possibilités, de prendre des décisions éclairées et de gérer efficacement cette complexité progresseront plus rapidement et commettront moins d'erreurs que celles qui s'appuient encore sur une approche trop restrictive et une intuition acquise de haute lutte.

Cet article a été rédigé par Nick Appleyard, directeur de Secondmind aux États-Unis. Il est également directeur exécutif de l'initiative NAFEMS ASSESS, qui réunit l'industrie, les pouvoirs publics et le monde universitaire afin d'accroître l'impact de la simulation dans l'ingénierie numérique et le développement de produits.