Scalable dynamical inference of phase-field fracture from sparse and partial measurements

Lorsqu'un pont, une pale de turbine ou un revêtement céramique commence à faillir, le danger provient rarement du simple usure du matériau. Au lieu de cela, il commence généralement par une minuscule fissure qui apparaît, grandit et finit par diviser la structure. Prédire exactement où et comment ces fissures se propageront est l'un des problèmes les plus difficiles en ingénierie. Les fissures ne suivent pas de lignes droites ; elles bifurquent, fusionnent et changent de direction en fonction de l'historique des contraintes que le matériau a subies. Pour comprendre ce comportement, les scientifiques utilisent une méthode appelée modélisation par champ de phase. Imaginez une ligne lisse et floue représentant une fissure plutôt qu'un bord net et dentelé. Cette représentation « floue » permet aux ordinateurs de suivre le voyage complexe et désordonné d'un objet en rupture sans avoir besoin de redessiner constamment la carte du matériau. Bien que cette approche soit incroyablement précise, elle est aussi douloureusement lente. L'exécution d'une seule simulation d'un objet en rupture peut prendre des heures, voire des jours, sur un ordinateur puissant, ce qui la rend impossible à utiliser pour des contrôles de sécurité en temps réel ou des tests de conception rapides.

Des chercheurs de l'Université de Stanford ont développé une nouvelle façon d'accélérer ce processus en apprenant à un ordinateur à prédire l'état futur d'un matériau se fissurant en utilisant seulement quelques indices épars. Au lieu de lancer la simulation lourde et lente à chaque fois, ils ont entraîné une intelligence artificielle spécialisée pour agir comme un devineur rapide et intelligent. Ce système examine un court historique du comportement du matériau et le combine avec une poignée de mesures éparses prises à l'instant présent — comme quelques capteurs mesurant l'étirement du matériau. À partir de cette information limitée, l'IA reconstruit l'image entière et détaillée de la fissure et des champs de contraintes environnants. Le résultat est un système capable de voir toute l'étendue des dommages en une fraction de seconde, offrant une accélération de plus de 175 fois par rapport aux méthodes traditionnelles sur des ordinateurs standards, et de plus de 250 fois sur des processeurs graphiques spécialisés.

Le défi central auquel l'équipe a été confrontée est que, dans le monde réel, nous ne disposons que rarement de données parfaites. Nous ne pouvons pas placer des capteurs sur chaque point d'une structure ; nous n'en avons que quelques-uns. Les modèles informatiques traditionnels nécessitent une carte complète et dense du matériau pour fonctionner, ce qui explique pourquoi ils sont si lents. L'équipe de Stanford, dirigée par Hanfeng Zhai et Zisheng Zhang, a construit un réseau neuronal qui apprend à combler les lacunes. Ils ont nourri l'ordinateur avec des milliers d'exemples simulés de matériaux se brisant, lui montrant comment les motifs de fissures évoluaient au fil du temps. Le réseau a appris à reconnaître les connexions cachées entre quelques mesures éparses et la forme complète et complexe des dommages. Il ne se contente pas de deviner l'étape suivante de manière isolée ; il se souvient des dix étapes précédentes de l'historique du matériau, ce qui lui permet de comprendre la direction et l'élan de la fissure au fur et si elle se déplace.

Dans leurs tests, les chercheurs ont demandé à l'IA de prédire la rupture d'un morceau de matériau d'un mètre carré sous tension. Ils ont fourni au réseau une grille grossière de données de déplacement — essentiellement un instantané à basse résolution de la façon dont le matériau a bougé — tout en cachant le motif réel des dommages. Le réseau devait inférer l'image complète à haute résolution de la fissure et des champs de contraintes à partir de l'historique et de ces quelques indices. Le système a réussi à reproduire les principaux chemins empruntés par les fissures, la façon dont elles bifurquaient et la manière dont le matériau s'étirait. Les prédictions étaient remarquablement proches des simulations de haute fidélité et lentes, capturant la danse complexe des fissures qui fusionnent et se divisent. Les seuls endroits où l'IA a légèrement peiné étaient aux extrémités mêmes des fissures, là où la contrainte change le plus rapidement, et dans les phases très avancées de la simulation où les petites erreurs commençaient à s'accumuler au fil du temps. Cependant, pour la grande majorité de la structure, la vision des dommages fournie par l'IA était presque identique au calcul coûteux et lent.

L'une des découvertes les plus surprenantes fut la capacité du système à fonctionner sur une échelle différente sans être réentraîné. L'IA a été initialement entraînée sur une grille numérique de 256 par 256 points. Les chercheurs lui ont ensuite demandé de travailler sur une grille beaucoup plus fine de 512 par 512 points, doublant ainsi la résolution et le nombre de capteurs utilisés pour le test. Sans nouvel entraînement ni ajustement, le réseau a transféré avec succès ses connaissances à ce niveau plus fin. Il a maintenu la forme globale des dommages et la tendance générale de la défaillance du matériau, même si les points individuels étaient beaucoup plus rapprochés. Cela suggère que le système a appris les règles fondamentales de la croissance des fissures, plutôt que de simplement mémoriser les motifs spécifiques vus pendant l'entraînement. Cela a prouvé que la méthode est assez robuste pour gérer différents niveaux de détail, une caractéristique cruciale pour les applications réelles où la densité des capteurs peut varier.

L'étude a également testé soigneusement si ce type spécifique d'architecture de réseau neuronal était le meilleur choix. Les chercheurs ont comparé leur approche à plusieurs autres conceptions populaires d'apprentissage automatique, y compris certaines célèbres pour leur gestion des lois physiques complexes. Ils ont constaté que, bien que d'autres méthodes puissent fonctionner, elles étaient soit plus lentes à entraîner, soit moins précises pour capturer les détails spatiaux de la fissure. La conception choisie, qui combine une couche de convolution bidimensionnelle (bonne pour voir les formes) avec une couche récurrente (bonne pour mémoriser les séquences), offrait le meilleur équilibre entre vitesse et précision. Elle était capable de traiter les motifs spatiaux de la fissure tout en conservant la mémoire de son mouvement au fil du temps, une combinaison que d'autres architectures testées n'ont pas réussi à reproduire aussi efficacement.

Les implications de ce travail sont significatives pour la surveillance de la santé structurelle. Par le passé, les ingénieurs auraient pu devoir choisir entre une estimation rapide et approximative de la sécurité ou un calcul lent et précis, trop tardif pour être utile en cas d'urgence. Cette nouvelle méthode offre un juste milieu où un détail de haute fidélité est disponible presque instantanément. En assimilant des mesures éparses à chaque étape, le système agit comme un substitut capable de suivre le rythme des événements en temps réel. Il ne remplace pas la physique sous-jacente mais apprend plutôt un raccourci efficace vers la même réponse. Les chercheurs notent que, bien que le système ne soit pas parfait et puisse dériver légèrement sur de très longues périodes, il constitue un outil puissant pour l'examen des conceptions et la surveillance des structures lorsque la vitesse est essentielle. La capacité de reconstruire une vue complète d'un objet en rupture à partir de seulement quelques points de données transforme ce qui était autrefois un goulot d'étranglement computationnel en une capacité pratique et en temps réel.