Non-local physics-informed neural networks for forward and inverse solutions of granular flows

Cet article présente une plateforme basée sur des réseaux de neurones informés par la physique (PINN) intégrant le modèle de fluidité granulaire non locale (NGF) pour résoudre des écoulements granulaires et inférer avec précision le paramètre d'amplitude non locale A à partir de données transitoires, permettant ainsi de caractériser ces matériaux à partir d'observations expérimentales éparses.

L'essentiel

Imaginez que vous essayez de comprendre comment s'écoule une rivière de sable, de grains de café ou de farine. Ce n'est pas aussi simple que de l'eau qui coule dans un tuyau. Les matériaux granulaires (les tas de grains) sont capricieux : ils peuvent se comporter comme un solide dur (un tas de sable qui ne bouge pas) ou comme un liquide fluide (quand on les secoue), et parfois les deux en même temps.

Le problème, c'est que les règles habituelles de la physique pour prédire ce comportement échouent souvent dans les zones où le mouvement est lent ou complexe. C'est là que cette recherche intervient avec une idée géniale : utiliser l'intelligence artificielle non pas pour "deviner", mais pour "apprendre" les lois de la physique.

Voici une explication simple de ce papier, avec quelques images pour vous aider à visualiser.

1. Le Problème : L'effet "Voisinage" (La Non-localité)

Dans un liquide classique, si vous poussez une goutte d'eau, seule cette goutte bouge. Mais dans un tas de grains, c'est comme une foule dans un métro bondé. Si une personne au milieu de la foule pousse, cela crée une onde de choc qui se propage loin, affectant des gens qui sont à plusieurs mètres de distance, même s'ils ne se touchent pas directement.

En physique des grains, on appelle cela des effets non locaux. Les grains "coopèrent" entre eux sur une certaine distance. Les modèles mathématiques classiques, qui ne regardent que ce qui se passe exactement à un point précis, sont comme des personnes avec un bandeau sur les yeux : ils ne voient pas ce qui se passe autour d'eux et ne peuvent donc pas prédire correctement le mouvement du tas de sable.

2. La Solution : Le "Modèle de Fluidité" (NGF)

Les chercheurs utilisent un modèle appelé NGF (Nonlocal Granular Fluidity). Imaginez que chaque grain a un "niveau d'énergie" ou de "fluidité".

• Si un grain est bloqué, son niveau est bas.
• Si un grain commence à bouger, il transmet cette énergie à ses voisins, un peu comme une vague qui s'étend sur l'eau.

Ce modèle contient un paramètre secret, une sorte de "bouton de volume" appelé A (l'amplitude non locale). Ce bouton détermine à quel point l'agitation d'un grain se propage loin.

• Si A est grand : L'agitation se propage très loin (comme une foule très communicative). Le mouvement est large et doux.
• Si A est petit : L'agitation reste locale (comme une foule silencieuse). Le mouvement est très concentré et brutal.

Le gros problème : Personne ne sait comment mesurer ce bouton A directement. C'est comme essayer de régler le volume d'une radio sans pouvoir toucher le bouton, juste en écoutant la musique. Habituellement, les scientifiques doivent faire des milliers d'essais et d'erreurs (des simulations coûteuses) pour deviner la bonne valeur.

3. L'Innovation : Les Réseaux de Neurones "Physiquement Informés" (PINN)

C'est ici que l'histoire devient passionnante. Les auteurs ont créé une intelligence artificielle spéciale, appelée PINN (Physics-Informed Neural Network).

Imaginez un chef cuisinier très intelligent (le réseau de neurones) qui apprend à cuisiner.

• Les méthodes classiques : Le chef goûte le plat, se trompe, recommence, goûte encore, jusqu'à ce que ce soit bon. C'est long et ça gâche des ingrédients (des données).
• La méthode PINN : On donne au chef non seulement les ingrédients, mais aussi le livre de recettes complet (les lois de la physique) et on lui dit : "Tu dois respecter ces règles à la lettre".

Dans ce papier, le "chef" est entraîné avec deux modes :

1. Mode "Direct" (Le Prévisionnel) : On donne au chef la recette complète (y compris la valeur du bouton A) et on lui demande de prédire comment le sable va couler. Il réussit parfaitement, comme un expert qui connaît déjà la réponse.
2. Mode "Inverse" (Le Détective) : C'est la partie magique. On cache le bouton A au chef. On lui montre seulement comment le sable bouge (les vitesses observées, comme si on regardait une vidéo du tas de sable). Le chef doit alors utiliser les lois de la physique (le livre de recettes) pour déduire quelle valeur de A a pu produire ce mouvement précis.

4. Les Résultats : Une Précision Incroyable

Les chercheurs ont testé ce système sur deux scénarios :

• Le cisaillement : Comme frotter deux plaques de verre l'une contre l'autre avec du sable entre les deux.
• La pression : Comme pousser du sable dans un tuyau avec de l'air ou de l'eau.

Résultat ? L'IA a réussi à retrouver la valeur exacte du bouton A avec une précision incroyable (moins de 1 % d'erreur), uniquement en regardant la vitesse des grains. Elle a même pu prédire des choses invisibles, comme la pression interne ou les contraintes, sans jamais avoir été "montrée" ces données.

En Résumé : Pourquoi c'est important ?

Imaginez que vous soyez un ingénieur qui doit construire un silo à grains ou un barrage en terre. Vous avez quelques mesures de vitesse prises sur le terrain (peu de données), mais vous ne connaissez pas les propriétés exactes du matériau.

Avec cette nouvelle méthode :

1. Vous n'avez pas besoin de faire des simulations géantes et coûteuses.
2. Vous n'avez pas besoin de mesurer des choses impossibles à voir (comme la pression interne).
3. Vous donnez simplement vos observations de vitesse à l'IA, et elle vous dit : "Ah, ce matériau a un paramètre A de telle valeur, donc il va se comporter de telle manière."

C'est comme si vous pouviez deviner la recette secrète d'un plat juste en regardant la vapeur qui s'en échappe, sans jamais avoir goûté le plat ni vu le cuisinier. Cela ouvre la porte à une meilleure compréhension et à une gestion plus sûre des matériaux granulaires dans l'industrie, de l'agriculture à la construction.

Résumé technique

1. Problématique et Contexte

Les écoulements granulaires denses présentent des comportements complexes, passant d'un état solide au repos à un état fluide sous contrainte. Cependant, les modèles rhéologiques locaux traditionnels échouent à capturer les effets non locaux, en particulier dans les régimes quasi-statiques ou à cisaillement lent (nombre inertiel $I < 10^{-3}$). Dans ces régimes, les interactions entre particules et le transfert de quantité de mouvement s'étendent au-delà du voisinage immédiat, créant des phénomènes tels que la localisation de cisaillement, les bandes de déformation de largeur finie et le fluage sous-seuil (rhéologie secondaire).

Pour répondre à ces défis, le modèle de Fluidité Granulaire Non Locale (NGF) a été développé. Il introduit un champ de fluidité scalaire $g$ évoluant selon une équation aux dérivées partielles (EDP) de type diffusion. Ce modèle dépend d'un paramètre clé : l'amplitude non locale $A$, qui contrôle l'échelle de longueur de la coopérativité spatiale.

• Le défi majeur : Le paramètre $A$ ne peut pas être mesuré directement, ni expérimentalement ni même dans les simulations numériques (car il est le coefficient d'une dérivée spatiale d'une variable d'état implicite).
• Limites actuelles : La détermination de $A$ repose actuellement sur des procédures de calibration intensives en calcul, utilisant des simulations par la méthode des éléments discrets (DEM) spécifiques à une géométrie, ce qui limite la transférabilité du modèle à de nouvelles configurations.

2. Méthodologie

Les auteurs proposent une plateforme de données basée sur les Réseaux de Neurones Informés par la Physique (PINN) intégrés au modèle NGF. L'approche se déroule en deux étapes :

A. Architecture du PINN

Le réseau est un réseau de neurones feedforward entièrement connecté (6 couches cachées, 60 neurones par couche, fonction d'activation tanh).

• Entrées : Les coordonnées spatiales et temporelles $(x, y, t)$.
• Sorties : Les champs physiques complets : vitesses $(u, v)$, pression $P$, et composantes de contrainte $(\sigma_{xx}, \sigma_{yy}, \sigma_{xy})$.
• Contraintes physiques : Les équations gouvernantes (conservation de la masse, conservation de la quantité de mouvement, et l'équation d'évolution de la fluidité non locale) sont encodées directement dans la fonction de perte via la différenciation automatique. Cela permet de calculer les résidus des EDP sans maillage (mesh-free).
• Forces de volume : La gravité est explicitement incluse dans l'équation de la quantité de mouvement verticale, essentielle pour capturer le fluage et la formation de bandes de cisaillement.

B. Stratégie d'entraînement

1. PINN Direct (Forward) : Entraîné avec une valeur de $A$ prescrite pour résoudre le système couplé complet. Les résultats sont validés contre un solveur numérique spectral de référence.
2. PINN Inverse : Entraîné uniquement avec des données de vitesse (observations). Le paramètre $A$ est introduit comme un paramètre global entraînable (trainable) dans la fonction de perte. Le réseau infère simultanément les champs physiques et la valeur de $A$ en minimisant les résidus des équations gouvernantes, sans nécessiter de données étiquetées pour la contrainte ou la fluidité.

3. Résultats Clés

Les auteurs ont testé leur approche sur deux configurations canoniques : un écoulement de cisaillement planaire (shear-driven) et un écoulement piloté par un gradient de pression (pressure-driven).

• Précision du modèle direct : Le PINN direct reproduit avec une grande précision les champs de vitesse, de contrainte et de pression, en accord parfait avec les solutions spectrales de référence. Les erreurs sont uniformément faibles sur tout le domaine spatio-temporel.
• Inférence inverse réussie :
  • Le PINN inverse parvient à inférer le paramètre $A$ à partir de données de vitesse seules, avec une erreur relative inférieure à 1 % (souvent < 0,2 %) sur une large gamme de cas tests.
  • Le tableau I de l'article montre que pour des valeurs vraies de $A$ allant de 0,83 à 1,05, les valeurs prédites sont extrêmement proches (ex: $A_{vrai}=0,83 \rightarrow A_{prédit}=0,8307$).
  • Dans le cas piloté par la pression, une valeur de $A=0,48$ a été correctement récupérée ($A_{prédit}=0,476$).
• Sensibilité aux paramètres : L'étude démontre que le champ d'écoulement est hautement sensible aux variations de $A$. De petites variations de ce paramètre entraînent des transitions bifurquées nettes dans le profil de vitesse et la largeur des bandes de cisaillement.
• Rôle des autres paramètres : L'analyse confirme que $A$ (coopérativité), $b$ (sensibilité au taux de déformation) et $\mu_s$ (seuil de frottement statique) exercent des contrôles distincts et interprétables physiquement sur la localisation de la déformation et la propagation de la fluidité.

4. Contributions Principales

1. Première application pratique des PINN non locaux : Cette étude présente la première méthode permettant de connecter des champs de vitesse observables expérimentalement aux modèles continus non locaux complexes et d'en extraire les paramètres cachés.
2. Élimination de la calibration géométrie-dépendante : Contrairement aux approches traditionnelles basées sur des simulations DEM coûteuses et spécifiques à une géométrie, cette méthode est généralisable à différentes configurations d'écoulement sans recalibration lourde.
3. Récupération de champs internes inaccessibles : Le cadre permet de reconstruire avec précision des champs internes (contraintes, fluidité) et des paramètres matériaux ($A$) à partir de données de surface (vitesse) minimales.
4. Validation de la physique non locale : La capacité du modèle à capturer le fluage sous-seuil et la formation de bandes de cisaillement de largeur finie, uniquement en imposant la contrainte physique de l'équation NGF, valide l'approche comme un outil robuste pour la rhéologie des matériaux granulaires.

5. Signification et Perspectives

Ce travail établit un cadre robuste, interprétable et évolutif pour l'étude de la rhéologie non locale dans les systèmes granulaires. Il ouvre la voie à :

• La caractérisation de matériaux granulaires à partir d'observations expérimentales éparses (ex: PIV - Vélocimétrie par images de particules).
• L'extension à des géométries 3D, irrégulières et à l'inférence de multiples paramètres simultanément.
• Une alternative efficace aux solveurs numériques classiques et aux workflows de calibration basés sur l'ajustement, réduisant considérablement le coût computationnel pour la découverte de paramètres dans des rhéologies complexes.

En résumé, l'intégration des PINN avec le modèle NGF transforme la façon dont les paramètres non locaux, auparavant inaccessibles, peuvent être découverts et utilisés pour prédire le comportement des écoulements granulaires denses.