Reduced-Order Hydrodynamic Modelling of a Sphere Near a Wall Using Sparse Regression and Neural Operators

Cette étude propose un modèle de substitution paramétrique interprétable, combinant l'identification parcimonieuse de la dynamique non linéaire (SINDy) et des opérateurs neuronaux, pour prédire en temps réel la trajectoire d'une sphère en heave près d'une paroi verticale sans recourir à des simulations CFD coûteuses.

L'essentiel

🌊 Le Problème : Attraper un petit bateau dans une tempête

Imaginez que vous êtes sur un grand navire de guerre (la "maman") et que vous devez faire sortir ou rentrer un petit drone de surface (le "bébé"). C'est comme essayer de récupérer une balle de tennis qui rebondit sur le sol pendant un tremblement de terre, le tout au milieu d'une mer agitée.

C'est une opération très dangereuse et difficile. Si le petit drone touche le grand navire, c'est la catastrophe. Pour éviter ça, les ingénieurs ont besoin de prédire exactement comment le petit drone va bouger, en temps réel.

Le problème ? Les outils actuels pour faire ces prédictions sont soit trop simples (ils ne voient pas les vagues complexes), soit trop lents (ils demandent des supercalculateurs qui mettent des heures à faire un calcul). C'est comme vouloir savoir où va atterrir une balle en lançant un missile pour calculer la trajectoire : c'est trop long !

🛠️ La Solution : Un "Cheat Code" intelligent

L'équipe de chercheurs (de l'Université RMIT en Australie et d'autres organismes) a développé une méthode géniale pour créer un modèle rapide et intelligent. Ils l'appellent un "modèle substitut" (ou surrogate model).

Voici comment ils ont fait, étape par étape, avec des analogies :

1. La Phase d'Entraînement : Le Laboratoire Virtuel

D'abord, ils ont utilisé un logiciel de simulation très puissant (appelé CFD) pour simuler des milliers de scénarios. Imaginez qu'ils aient fait tomber une sphère (le drone) dans l'eau, à différentes distances d'un mur (le grand navire) et depuis différentes hauteurs.

• Le résultat : Ils ont obtenu une énorme bibliothèque de données montrant comment la sphère bouge dans chaque situation. C'est leur "livre de recettes" parfait, mais très lourd à lire.

2. L'Étape "SINDy" : Trouver la Recette Simple

Ensuite, ils ont utilisé une technique appelée SINDy. Imaginez que vous avez un plat complexe (le mouvement de la sphère) et que vous voulez savoir quels ingrédients le composent (l'eau, la gravité, le frottement).

• SINDy agit comme un chef détective qui goûte le plat et dit : "Ah ! Il y a un peu de sel (la gravité), beaucoup de poivre (le frottement), et un peu de piment (les vagues)".
• Au lieu de garder toute la complexité, SINDy réduit le mouvement à une équation mathématique simple (une petite formule) qui explique le comportement. C'est comme passer d'un film en 4K ultra-détaillé à une bande-annonce de 30 secondes qui garde l'essentiel de l'histoire.

3. L'Étape "Neural Operator" : L'Intelligence Artificielle qui Apprend la Carte

Le problème, c'est que SINDy ne donne une formule que pour une situation précise (ex: distance 10m, hauteur 2m). Mais on a besoin de connaître la réponse pour n'importe quelle distance ou hauteur.

• C'est là qu'intervient l'Intelligence Artificielle (le Neural Operator). Imaginez que SINDy vous donne des points sur une carte (des coordonnées). L'IA, elle, apprend à dessiner la carte complète entre ces points.
• Elle apprend à relier les points pour pouvoir prédire le mouvement même si vous n'avez jamais testé cette combinaison précise auparavant.

🚀 Le Résultat : Une Prédiction en Temps Réel

Grâce à ce mélange de "détective mathématique" (SINDy) et d'"IA cartographe" (Neural Operator), ils ont créé un outil qui :

1. Est ultra-rapide : Il peut prédire le mouvement du drone en une fraction de seconde, directement sur un ordinateur de bord. Plus besoin d'attendre des heures de calcul.
2. Est précis : Il reproduit presque parfaitement les simulations complexes, même dans des situations difficiles.
3. Est compréhensible : Contrairement aux "boîtes noires" de l'IA classique, ce modèle nous dit pourquoi le drone bouge ainsi (à cause de la poussée de l'eau, de la résistance, etc.).

💡 En Résumé

Imaginez que vous voulez apprendre à conduire dans une ville inconnue.

• L'ancienne méthode (CFD) : C'est comme lire chaque panneau de signalisation, chaque règle de circulation et calculer la trajectoire de chaque voiture avant de bouger. Très précis, mais vous ne bougerez jamais assez vite.
• La nouvelle méthode (Ce papier) : C'est comme avoir un GPS qui a déjà appris de milliers de chauffeurs experts. Il vous dit instantanément : "Tournez à gauche, attention à ce trou d'eau", en se basant sur une compréhension profonde de la physique de la route, mais sans avoir besoin de tout recalculer à chaque seconde.

Cette technologie ouvre la voie à des opérations de lancement et de récupération de drones beaucoup plus sûres et efficaces pour la marine de demain.

Résumé technique

1. Problématique et Contexte

Le lancement et la récupération de petits navires sans équipage (USV) depuis des navires mères constituent une phase critique et complexe des opérations navales, souvent réalisée dans des mers agitées et à proximité immédiate d'une structure massive.

• Limites des modèles actuels : Les méthodes linéaires classiques (théorie des bandes, potentiel linéaire) sont efficaces mais deviennent imprécises lorsque les amplitudes de mouvement, la raideur des vagues et la complexité géométrique augmentent. Elles ne capturent pas les interactions non linéaires (vagues-radiation, effets hydrostatiques variables).
• Coût du CFD : Les simulations CFD (Dynamique des Fluides Numérique) haute fidélité offrent une précision supérieure pour modéliser ces effets non linéaires et visqueux, mais leur coût computationnel (de l'ordre de $10^2$ à $10^3$ heures-cœur CPU pour une seule simulation) les rend inutilisables pour le temps réel.
• Objectif : Développer un modèle substitut (surrogate) interprétable, physiquement fondé et capable de fonctionner en temps réel pour prédire la trajectoire d'un objet (sphère en heave) près d'un mur vertical, sans avoir à relancer des simulations CFD coûteuses.

2. Méthodologie

L'approche proposée combine la modélisation physique, l'apprentissage automatique et la réduction de modèle en trois étapes principales :

A. Génération de Données (CFD)

• Une base de données paramétrique a été générée via des simulations CFD haute fidélité (Ansys Fluent) utilisant un maillage dynamique et la méthode VOF (Volume of Fluid) pour capturer l'interface air-eau.
• Configuration : Une sphère à un degré de liberté (mouvement vertical ou heave) opérant près d'un mur vertical.
• Paramètres : La distance au mur ($WD$) varie de 9 à 25 m, et la hauteur de chute ($DH$) de 0,5 à 5 m.
• Les simulations couvrent des réponses de décroissance en heave (heave-decay) pour valider les modèles.

B. Identification de Dynamiques Non Linéaires (SINDy)

• Pour chaque cas CFD ($WD, DH$), l'algorithme SINDy (Sparse Identification of Nonlinear Dynamics) est appliqué pour identifier une équation différentielle ordinaire (EDO) non linéaire parcimonieuse.
• Forme de l'EDO : Le modèle cherche une équation de la forme :
  $$\ddot{x} = \sum \Xi_k \phi_k(x, \dot{x}) + \text{termes harmoniques}$$
  où les termes polynomiaux ($x, x^3, \dot{x}$) représentent les forces hydrostatiques et d'amortissement, et les termes sinusoïdaux représentent l'excitation due aux vagues réfléchies.
• Résultat SINDy : L'analyse confirme que les forces hydrostatiques non linéaires suivent une dépendance cubique (durcissement) et que l'amortissement dépend de l'amplitude. Cependant, la force d'excitation ne peut pas être parfaitement séparée par superposition linéaire, indiquant un couplage fort entre le mouvement du corps et le champ de radiation.

C. Opérateur Neuronal Global (ONet)

• Les coefficients $\Xi$ identifiés par SINDy ne sont disponibles que pour des points discrets de l'espace des paramètres. Pour obtenir un modèle global continu, un Opérateur Neuronal (ONet) est entraîné.
• Architecture : Un réseau de neurones feed-forward (2 entrées : $WD, DH$ $\rightarrow$ 1 couche cachée de 32 neurones $\rightarrow$ 8 sorties : les coefficients de l'EDO).
• Contraintes Physiques :
  • Le réseau n'apprend pas directement la trajectoire, mais la cartographie des paramètres d'entrée vers les coefficients de l'EDO.
  • Les coefficients de sortie sont contraints par des bornes physiques dérivées des résultats SINDy (via une transformation linéaire), agissant comme des priors pour garantir que les coefficients restent dans des plages hydrodynamiques plausibles.
• Fonction de perte : L'entraînement minimise l'erreur quadratique moyenne (MSE) entre la trajectoire prédite (en intégrant numériquement l'EDO avec les coefficients du réseau) et les données CFD réelles.

3. Résultats Clés

• Précision : Le modèle substitut atteint une erreur moyenne quadratique (MSE) d'environ $5,76 \times 10^{-4}$ sur l'ensemble de test (interpolation), ce qui est proche de la limite théorique imposée par la précision du modèle SINDy lui-même ($5,1 \times 10^{-4}$).
• Performance Temps Réel : Une fois entraîné, le modèle peut prédire la dynamique pour n'importe quelle combinaison de $WD$ et $DH$ instantanément, éliminant le besoin de simulations CFD.
• Interprétabilité : Contrairement aux modèles "boîte noire" (comme les LSTM purs), ce modèle conserve une structure physique claire. Les coefficients appris correspondent à des mécanismes physiques identifiables (masse ajoutée, amortissement, raideur hydrostatique).
• Comportement des Coefficients :
  • Les termes de raideur (linéaire et cubique) sont bien capturés et correspondent aux attentes analytiques.
  • Les termes d'excitation (vagues réfléchies) sont plus complexes. Bien que le modèle SINDy identifie correctement le déphasage (basé sur le temps de trajet de la vague $2WD/c$), l'amplitude exacte de la force d'excitation reste difficile à modéliser linéairement, soulignant la nature non linéaire du couplage.
• Généralisation : Le modèle fonctionne bien par interpolation. Les erreurs augmentent lors de l'extrapolation (en dehors du domaine d'entraînement), ce qui est attendu.

4. Contributions Principales

1. Hybridation SINDy-ONet : Développement d'une architecture hybride où la régression parcimonieuse (SINDy) fournit une structure d'EDO interprétable et des contraintes physiques, tandis que l'opérateur neuronal apprend la variation continue de ces coefficients dans l'espace des paramètres.
2. Modélisation Physique Contrainte : Utilisation des bornes des coefficients SINDy comme priors dans le réseau de neurones, assurant que le modèle reste ancré dans la physique hydrodynamique et évite les solutions purement empiriques non physiques.
3. Validation sur un Cas Réaliste (simplifié) : Démonstration que cette approche peut capturer des effets non linéaires complexes (interactions mur-sphère, vagues réfléchies) là où les modèles linéaires échouent, tout en restant suffisamment rapide pour des opérations de lancement et récupération en temps réel.

5. Signification et Perspectives

Ce travail offre une voie pratique pour intégrer la haute fidélité physique dans les systèmes de contrôle et de décision en temps réel pour les opérations navales.

• Avantages : Remplace des milliers d'heures de calcul CFD par une évaluation instantanée, tout en fournissant une compréhension des mécanismes physiques sous-jacents (contrairement aux modèles de régression pure).
• Limitations actuelles : Le modèle est actuellement limité à une géométrie idéalisée (sphère) et un seul degré de liberté (heave) dans des vagues régulières.
• Travaux futurs : L'extension à des formes de coques réalistes, à des mouvements à 6 degrés de liberté (6-DoF) et à des mers irrégulières nécessitera des bibliothèques de termes non linéaires plus riches et des architectures d'opérateurs plus robustes. De plus, l'intégration de données expérimentales réelles (au-delà du seul CFD) est envisagée pour valider et affiner le modèle.

En résumé, cette étude démontre la viabilité de créer des modèles réduits d'ordre physique (Physics-Informed Reduced-Order Models) qui allient la précision du CFD, l'interprétabilité de la régression parcimonieuse et la flexibilité de l'apprentissage profond pour des applications opérationnelles critiques.