Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

Cet article présente un cadre d'apprentissage automatique qui infère des modèles rhéologiques non newtoniens précis et dépendants de la concentration à partir de simulations par la méthode des éléments discrets, permettant une modélisation lagrangienne de la banquise à grande échelle, efficace et précise, qui capture des comportages complexes tels que le amincissement ou l'épaississement par cisaillement à travers diverses concentrations de glace.

L'essentiel

Imaginez l'océan Arctique comme un gigantesque puzzle gelé composé de millions de morceaux de glace individuels, ou « plaques ». Ces morceaux dérivent, s'entrechoquent, frottent les uns contre les autres et s'empilent parfois pour former des crêtes. Depuis des décennies, les scientifiques tentent de prédire comment ce puzzle géant se déplace à l'aide de modèles informatiques.

L'ancienne méthode : une estimation approximative
Traditionnellement, les scientifiques traitaient la banquise comme un fluide épais et visqueux (comme du miel ou de la peinture). Ils utilisaient une recette vieille de 50 ans pour deviner à quel point la glace serait « épaisse » ou « collante » sous la pression. Cette recette fonctionne assez bien lorsque la glace est serrée au centre de l'océan, mais elle s'effondre lorsqu'elle est plus mince ou proche des bords. C'est comme essayer de prédire le mouvement d'une foule en supposant que tout le monde est un seul bloc solide d'argile ; cela ignore le fait que les gens se bousculent, glissent et se poussent individuellement.

La nouvelle méthode : apprendre des « particules »
Les auteurs de cet article voulaient une meilleure recette. Ils sont partis d'une simulation informatique extrêmement détaillée appelée « Méthode des Éléments Discrets » (DEM). Considérez cela comme un jeu vidéo haut de gamme où chaque morceau de glace est un personnage distinct avec sa propre physique. Cela calcule chaque collision et chaque point de friction. C'est incroyablement précis, mais c'est si lourd en termes de calcul qu'il est impossible de l'exécuter pour l'ensemble des océans du monde.

Alors, l'équipe s'est posé la question : Peut-on apprendre à un modèle plus simple à agir comme ce jeu ultra-détaillé ?

La solution : un fluide « intelligent »
Ils ont construit un nouveau modèle qui traite la glace comme un fluide à nouveau, mais au lieu d'utiliser une vieille recette fixe pour déterminer son « épaisseur », ils ont utilisé l'intelligence artificielle (IA) pour apprendre la recette à la volée.

Voici comment ils ont procédé, en utilisant une analogie simple :

1. Le professeur : Le « jeu vidéo » ultra-détaillé (DEM) sert de professeur. Il exécute des simulations et montre la vitesse et la direction résultantes de la glace.
2. L'élève : Le nouveau modèle de fluide plus simple sert d'élève. Il possède un « cerveau » (un réseau de neurones) qui devine l'épaisseur de la glace à n'importe quel moment donné.
3. La leçon : L'élève tente d'imiter les résultats du professeur. Si la prédiction de l'élève concernant la vitesse de la glace est erronée, le cerveau de l'IA ajuste ses paramètres internes pour se rapprocher de la réponse du professeur.
4. Le règlement : Crucialement, ils n'ont pas simplement laissé l'IA deviner n'importe quoi. Ils ont forcé l'IA à suivre les lois de la physique (comme la conservation de l'énergie et la symétrie) afin que les résultats soient cohérents avec le monde réel.

Ce qu'ils ont découvert
En laissant l'IA apprendre de la simulation détaillée, ils ont découvert des choses surprenantes concernant la banquise :

• Ce n'est pas seulement collant, c'est intelligent : La glace ne se comporte pas de la même manière tout le temps.
  • Lorsque la glace est modérément compacte, elle se comporte comme un fluide à rhéofluidification croissante (comme de l'eau mélangée à de la fécule de maïs). Si vous la poussez plus vite, elle devient plus dure et plus résistante, presque comme si elle se transformait en roche solide.
  • Lorsque la glace est très étroitement compactée, elle se comporte comme un fluide à rhéofluidification décroissante (comme du ketchup). Si vous la poussez plus vite, elle s'écoule en réalité plus facilement.
• De minuscules changements, des effets énormes : Un changement infime de la couverture de l'océan par la glace (seulement 5 % de plus ou de moins) peut modifier la « viscosité » de la glace par des milliers de fois. C'est comme un interrupteur qui passe de « liquide » à « solide » au moindre ajustement.
• Cela fonctionne partout : Même s'ils n'ont enseigné à l'IA que des courants de vent et d'eau en ligne droite, le modèle a pu prédire avec succès comment la glace se déplacerait dans des schémas météorologiques complexes, tourbillonnants ou changeants. Il a même fonctionné lorsqu'ils l'ont testé sur une carte en 2D, et pas seulement sur une ligne droite.

Pourquoi cela importe
L'article conclut que cette méthode est une étape majeure. Au lieu de deviner comment la glace se comporte avec de vieilles formules imparfaites, nous pouvons désormais « apprendre » les règles directement à partir de données de haute fidélité. Cela permet aux scientifiques de créer des modèles qui sont à la fois assez rapides pour être exécutés à l'échelle mondiale et assez précis pour capturer la réalité complexe et accidentée des interactions entre les plaques de glace.

En résumé, ils ont appris à un modèle de fluide simple à « penser » comme une foule complexe de morceaux de glace, ce qui permet d'obtenir une façon beaucoup plus précise de prédire comment nos océans gelés se déplaceront.

Résumé technique

Résumé technique : Modèles de fluides visqueux non newtoniens à rhéologie apprise pour la banquise

Énoncé du problème
La prédiction précise de la dynamique de la banquise est cruciale pour la modélisation climatique et la sécurité côtière, pourtant les modèles de continuum existants font face à des limitations significatives. L'approche standard, le modèle visco-plastique de Hibler (basé sur les travaux d'AIDJEX datant d'il y a 50 ans), est relativement performante pour la banquise compacte dans le pack central, mais perd en précision prédictive dans la zone de glace marginale. Dans ces régions, les concentrations de glace plus faibles entraînent des effets granulaires — tels que les collisions, les contacts frictionnels et le bourreletage — que le modèle de Hibler ne parvient pas à capturer. À l'inverse, les méthodes d'éléments discrets (DEM), qui résolvent les interactions entre les plaques de glace individuelles, offrent une haute fidélité mais sont trop coûteuses en termes de calcul pour des simulations à grande échelle. Par ailleurs, bien que des approches fondées sur les données utilisant l'apprentissage automatique scientifique (sciML) aient émergé pour paramétrer la rhéologie, beaucoup reposent sur des formes fonctionnelles prédéfinies ou des données de contrainte-déformation qui peuvent être bruitées ou indisponibles via les observations. De plus, les travaux existants ciblent souvent des fluides où des modèles de viscosité non linéaires standards devraient suffire, alors que la structure rhéologique des données de glace de mer issues de la DEM est complexe et mal définie.

Méthodologie
Les auteurs proposent un cadre pour inférer un modèle de fluide visqueux non newtonien de type continuum capable de reproduire les champs de vitesse calculés par une DEM (spécifiquement le modèle SubZero). La méthodologie centrale comprend les étapes suivantes :

1. Génération de données : Les auteurs génèrent des données d'entraînement à l'aide de la DEM SubZero, qui simule des plaques de glace polygonales irrégulières interagissant par collisions et friction. Les simulations sont pilotées par un frottement océanique et une force de vent dans une configuration de flux de cisaillement parallèle unidirectionnel. La DEM résout le mouvement de milliers de plaques, à partir desquelles les vitesses horizontales et les contraintes de cisaillement sont moyennées spatialement sur des cellules de grille pour créer des ensembles de données eulériens.
2. Paramétrage rhéologique : Au lieu de supposer une forme fonctionnelle spécifique, la viscosité de cisaillement effective $\psi$ est représentée par un réseau de neurones (NN) à propagation avant (feedforward). La rhéologie est contrainte par des principes physiques :
   • Indépendance de référentiel : La loi de comportement est formulée comme une fonction scalaire des invariants principaux du tenseur de taux de déformation (en 1D, $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$).
   • Positivité et monotonie : L'architecture du NN impose une viscosité non négative (en utilisant l'activation ELU) et la monotonie de la carte contrainte-déformation pour garantir que l'EDP résultante soit bien posée et possède une solution unique.
3. Stratégie d'entraînement (Optimisation contrainte par l'EDP) : Contrairement aux approches classiques qui minimisent l'écart contrainte-déformation, ce cadre minimise l'écart entre les données de vitesse de la DEM et la solution de l'équation de quantité de mouvement du continuum. L'objectif d'entraînement est $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$, où $u(\theta, A)$ est la solution de l'EDP $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$.
   • L'optimisation est réalisée en combinant la méthode des éléments finis (Firedrake) et la différenciation automatique (PyTorch).
   • Les gradients sont calculés via la méthode de l'adjoint, en résolvant le problème adjoint linéarisé pour mettre à jour les poids du réseau de neurones $\theta$.
   • Une optimisation en deux étapes est employée : d'abord, la minimisation d'un écart contrainte-déformation ($J_s$) pour fournir une estimation initiale, puis l'affinement avec l'écart de vitesse ($J_v$).

Résultats clés
L'étude démontre qu'une rhéologie non linéaire apprise peut reproduire avec précision les champs de vitesse de la DEM sur une large gamme de conditions :

• Épaississement et amincissement par cisaillement : La rhéologie inférée révèle une transition de comportement dépendant de la concentration de glace ($A$). Pour les concentrations plus faibles (ex. $A=0,85$), la glace de mer présente un comportement d'épaississement par cisaillement (la viscosité augmente avec le taux de cisaillement). Pour des concentrations plus élevées (ex. $A=0,95$), le comportement transite vers un amincissement par cisaillement.
• Sensibilité à la concentration : Il est constaté que la viscosité de cisaillement effective augmente de plusieurs ordres de grandeur avec de faibles variations de la concentration de glace (seulement 5 %).
• Généralisation : Le modèle entraîné, avec des poids fixes, généralise avec succès à :
  • Différentes sollicitations : Des problèmes instationnaires pilotés par des profils de vent et d'océan dépendants du temps, incluant des concentrations « non vues » (ex. $A=0,875$) absentes de l'ensemble d'entraînement.
  • Configurations 2D : Le modèle reproduit avec précision les champs de vitesse dans une configuration incompressible en deux dimensions, préservant les symétries observées dans la DEM, bien qu'il ne puisse pas capturer les effets de compressibilité comme la redistribution locale de la concentration.
  • Comparaison avec l'ajustement contrainte-déformation : Les auteurs notent qu'un modèle s'ajustant étroitement aux données contrainte-déformation bruitées de la DEM ne reproduit pas nécessairement les champs de vitesse de manière exacte. L'optimisation basée sur la vitesse ($J_v$) est montrée comme étant supérieure pour capturer la dynamique macroscopique.

Signification et affirmations
L'article affirme que ce cadre représente une « étape majeure » vers le développement de modèles non newtoniens capables de reproduire avec précision la dynamique de la banquise observée. En important la rhéologie directement à partir des données de vitesse (plus facilement disponibles via l'imagerie satellite que les données de contrainte) et en intégrant l'EDP directrice dans la boucle d'entraînement, la méthode surmonte les limites des paramétrages phénoménologiques et le coût élevé des DEM.

Les auteurs soulignent que leur approche ne suppose pas de forme rhéologique préexistante, permettant la découverte de comportements complexes (tels que la transition de l'épaississement vers l'amincissement par cisaillement) que les modèles standards comme celui de Hibler (qui prédit un comportement plastique pour toutes les concentrations) ou les modèles collisionnels simples pourraient manquer. Bien que le modèle actuel suppose l'incompressibilité et ignore les déformations mécaniques comme la fracture et le bourreletage, le cadre fournit un modèle de continuum physiquement cohérent et efficace sur le plan computationnel, capable de capturer la dynamique essentielle des flux de glace de mer granulaires. Ce travail suggère que l'inférence de la rhéologie par les données peut combler le fossé entre les simulations discrètes à haute fidélité et les modèles de continuum extensibles pour les modèles de systèmes terrests.