Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

L'eau s'écoulant avec force sur un barrage ou le long d'un déversoir transporte une puissance immense. Si ce flux à grande vitesse frappe le lit de la rivière sans prévenir, il agit comme un sablage incessant, creusant des trous profonds et menaçant de saper la structure même qui retient l'eau. Pour prévenir cette destruction, les ingénieurs construisent un bassin spécifique au bas de ces structures, appelé bassin de dissipation. Son rôle est de forcer l'eau à ralentir et à perdre son énergie en toute sécurité avant qu'elle ne poursuive son cours en aval. Cela se produit par un événement chaotique et tumultueux appelé saut hydraulique, où la nappe d'eau mince et rapide s'écrase soudainement dans un bassin plus profond et plus lent. L'objectif est de dissiper autant que possible cette énergie destructrice. Cependant, il y a un piège : la turbulence même qui brise l'énergie a également tendance à éroder, ou creuser, le lit de la rivière. Les ingénieurs sont confrontés depuis longtemps à un équilibre difficile : concevoir un bassin qui arrête la puissance de l'eau sans creuser un trou si profond qu'il ferait s'effondrer les fondations.

Pendant des décennies, trouver la forme parfaite de ces bassins signifiait s'appuyer sur des essais et erreurs, des modèles physiques en laboratoire ou des simulations informatiques complexes qui pouvaient prendre des jours pour un seul design. Une nouvelle étude propose toutefois une méthode plus rapide et plus intelligente pour résoudre ce casse-tête. Des chercheurs de l'Université technique du Nord et de l'Université de Karlstad ont développé une méthode qui combine des données expérimentales réelles avec l'intelligence artificielle pour trouver les meilleurs designs possibles en quelques minutes seulement. Au lieu de deviner ou de lancer des milliers de simulations informatiques lentes, ils ont entraîné un cerveau numérique à apprendre de mesures réelles prises lors d'expériences précédentes. Ce système a ensuite utilisé un algorithme de recherche puissant pour explorer des milliers de conceptions potentielles, identifiant rapidement les compromis parfaits entre l'arrêt de l'énergie de l'eau et la protection du lit de la rivière.

L'équipe a commencé par rassembler des données de haute qualité provenant de deux études distinctes, examinées par des pairs, où des scientifiques avaient déjà testé le comportement de l'eau dans différentes configurations de bassins. Ils ont collecté quatre-vingts points de données distincts, chacun représentant une combinaison spécifique de profondeur d'eau, de vitesse, de longueur de bassin et de hauteur de petits blocs placés à l'intérieur du bassin pour perturber le flux. Ces blocs, appelés biefs ou seuils, sont cruciaux car ils aident à briser l'eau et à créer la turbulence nécessaire pour la ralentir. Les chercheurs ont injecté ces données réelles dans un réseau de neurones artificiels, un type de programme informatique modélisé sur le cerveau humain et excellent pour repérer des motifs dans des informations complexes. Ils ont appris à ce modèle numérique à prédire deux choses : la quantité d'énergie que l'eau perdrait (efficacité) et la profondeur du creusement du lit de la rivière (profondeur d'affouillement). Le modèle a si bien appris qu'il pouvait prédire le résultat d'un nouveau design avec une précision de plus de 95 %, un niveau de précision qui en fait un substitut fiable aux tests physiques coûteux ou aux simulations informatiques lentes.

Une fois le modèle numérique entraîné, les chercheurs l'ont lâché sur le problème de la recherche du meilleur design. Ils ont demandé à l'ordinateur de résoudre un conflit classique : maximiser la perte d'énergie tout en minimisant le creusement du trou. Dans le monde réel, on ne peut pas avoir les deux en même en même temps ; généralement, faire perdre plus d'énergie à l'eau signifie qu'elle creuse un trou plus profond. Pour naviguer dans cette situation, ils ont utilisé un algorithme appelé NSGA-II, conçu spécifiquement pour gérer des objectifs contradictoires. Au lieu de donner une seule réponse, l'algorithme a généré une liste de 123 designs différents, chacun représentant un compromis unique. Certains designs étaient très bons pour arrêter l'énergie mais laissaient un trou légèrement plus profond, tandis que d'autres étaient doux pour le lit de la rivière mais n'arrêtaient pas l'énergie de l'eau aussi efficacement. Cette collection d'options, connue sous le nom de front de Pareto, offre aux ingénieurs un menu de choix plutôt qu'une solution imposée, leur permettant de choisir le design qui correspond le mieux à leurs besoins spécifiques.

L'étude a identifié un design particulier comme étant le « meilleur compromis », une solution qui se situe juste au milieu de la courbe de compromis. Pour cette configuration idéale, l'eau pénètre dans le bassin à une profondeur de 0,064 mètre et une vitesse de 0,812 mètre par seconde. Le bassin lui-même mesure environ 1,004 mètre de long, et les biefs à l'intérieur mesurent 0,036 mètre de haut. Cette configuration spécifique parvient à dissiper 51,10 % de l'énergie de l'eau tout en maintenant la profondeur d'affouillement à seulement 0,005 mètre. Les chercheurs ont également découvert quels facteurs étaient les plus importants. Ils ont constaté que la vitesse de l'eau entrante était le principal moteur de la perte d'énergie ; changer la vitesse avait un impact massif sur la quantité de puissance dissipée. Inversement, la hauteur des biefs était le facteur le plus critique pour contrôler la profondeur du creusement du lit de la rivière. En ajustant ces deux variables, les ingénieurs peuvent affiner le bassin pour prioriser soit la sécurité contre l'érosion, soit la réduction maximale de l'énergie.

La découverte la plus significative de ce travail est sans doute la rapidité avec laquelle ces résultats ont été obtenus. Par le passé, optimiser un design comme celui-ci à l'aide de simulations détaillées de mécanique des fluides numérique pouvait prendre des jours, voire des semaines de temps de calcul. En utilisant le modèle d'intelligence artificielle entraîné sur des données réelles, les chercheurs ont achevé l'ensemble du processus d'optimisation, incluant dix passages séparés pour garantir la fiabilité, en environ 25 minutes au total. Cette réduction spectaculaire du temps signifie que les ingénieurs peuvent désormais explorer un éventail beaucoup plus large de possibilités et trouver de meilleures solutions sans être freinés par les limites de calcul. Bien que l'étude note que les résultats spécifiques sont valables uniquement dans la plage des conditions testées, la méthode elle-même est un outil puissant. Elle prouve qu'en combinant des données expérimentales réelles avec des algorithmes intelligents, nous pouvons résoudre des problèmes hydrauliques complexes de manière efficace, garantissant que les structures protégeant nos rivières et nos villes sont conçues avec précision et pragmatisme.