L'IA, l'intelligence artificielle, bouleverse les secteurs les uns après les autres. Dans cet article, nous vous montrerons comment notre nouveau réseau neuronal artificiel peut vous aider à améliorer considérablement le temps de simulation de GHEtool.
Le problème global
Le calcul des fonctions g est au cœur de la simulation des champs de forage. Ces fonctions non dimensionnelles décrivent le comportement à long terme d'un champ de mines, les différents trous de mines interagissant entre eux et avec le sol environnant. (Si vous n'avez pas lu notre article sur les fonctions g, vous pouvez le trouver ici.)
Historiquement, la simulation des fonctions g, en particulier pour les champs de forage de grande taille, était extrêmement lente. Aujourd'hui, grâce à des astuces mathématiques et des algorithmes intelligents, l'homme peut calculer ces valeurs g en environ 0,5 seconde, ce qui est plus qu'acceptable lorsqu'il s'agit de simuler directement les températures des trous de forage.
Toutefois, un problème se pose lorsque des méthodes plus compliquées et plus avancées nécessitent la simulation de plusieurs valeurs g, par exemple dans la méthode de calcul de la profondeur de forage requise. Pour chaque itération, cet objectif nécessite le calcul de plusieurs valeurs g, ce qui entraîne des temps de simulation de dix à trente secondes, voire plus. Avec la tendance vers des méthodes plus avancées, cette augmentation du temps de simulation n'est pas une perspective réjouissante.
Il s'agissait donc de trouver un nouveau moyen d'accélérer la simulation de ces fonctions g sans compromettre la précision. C'est là que l'intelligence artificielle, ou plus précisément un réseau neuronal artificiel, est entrée en scène.
Réseau de neurones artificiels
L'IA est un terme très large, qui englobe tout, des grands modèles linguistiques (comme ChatGPT) aux robots humanoïdes et aux systèmes de conduite autonome. Dans ce domaine de l'IA, il existe ce que l'on appelle un réseau neuronal artificiel (ou ANN en abrégé). Dans les prochaines sections, nous présenterons ces RNA, expliquerons comment nous les avons entraînés et quelle est leur précision.
Qu'est-ce que c'est ?
Le concept d'un ANN consiste à imiter le comportement du cerveau humain, ou du moins la façon dont nous pensons qu'il fonctionne. Lorsque nous recevons un signal sensoriel, qu'il s'agisse d'une odeur, d'un toucher ou d'un son, il est envoyé aux neurones de notre cerveau, où le signal passe d'un neurone à l'autre jusqu'à ce que nous aboutissions à une pensée, une action, un sens donné, etc. Ce comportement, qui consiste à partir d'un ensemble d'entrées et à passer par une série de neurones pour arriver à une certaine conclusion, est exactement ce que nous essayons de modéliser avec un ANN. La figure ci-dessous présente une représentation schématique d'un ANN.
Bien que ces réseaux neuronaux puissent se présenter sous toutes les formes, leur structure est plus ou moins la même. À partir d'un ensemble de paramètres d'entrée, qui dans notre cas sont les données du champ de forage (configuration, profondeur, diffusivité thermique du sol, etc.), les données passent à une série de nœuds dans la première couche. Dans chaque nœud (ou neurone), les données sont pondérées par la valeur du neurone et envoyées aux neurones de la couche suivante. Le même processus se produit alors, jusqu'à ce que nous atteignions la couche de sortie qui, dans notre cas, se compose des valeurs g correspondantes.
Selon l'architecture du modèle de votre ANN, le nombre de couches cachées peut varier, ainsi que le nombre de neurones dans chaque couche. Le principal défi consiste à trouver un modèle qui soit juste assez complexe pour apprendre ou représenter la physique dont vous avez besoin, sans être trop compliqué, car plus le nombre de neurones dans votre modèle est élevé, plus votre ensemble d'apprentissage doit l'être également.
Formation
Tout comme un bébé qui vient au monde et doit encore apprendre presque tout, notre réseau neuronal ne peut rien faire correctement dès le départ. Comme nous l'avons déjà dit, le concept d'un réseau neuronal est que les données passent par plusieurs nœuds de pondération pour être transformées, à la fin, en la sortie réelle dont nous avons besoin. Toutefois, ces facteurs de pondération ne sont pas généraux, mais très spécifiques à un cas et à un modèle. C'est pourquoi nous devons l'entraîner et lui apprendre comment il doit se comporter ou, plus précisément dans notre cas, quelles sont les valeurs g pour un certain ensemble d'entrées.
!Note
La formation et le développement de l'ANN pour ce domaine sont basés sur les travaux de Tobias Blanke, qui a également développé le modèle ANN actuellement mis en œuvre dans GHEtool.
Pour notre ensemble de données de formation, nous avons commencé par des configurations régulières (lignes, formes en L et en U, rectangles et champs de forage denses) et nous les avons simulées avec des paramètres dans les gammes suivantes :
- Taille du champ de forage : 30×30 trous de forage, soit jusqu'à 900 trous de forage pour nos champs de forage en forme de rectangle et de dôme.
- Profondeur du forage : 50-400m
- Espacement des forages : 2-10m
- Diamètre des trous de forage : 100-300mm
- Diffusion thermique du sol : 2,5e-7 - 2,67e-6
Compte tenu des permutations de toutes les plages de données susmentionnées, nous avons entraîné notre modèle avec plus de six millions de points de données.
Précision
Bien qu'il existe un grand nombre de mesures formelles différentes pour évaluer la précision des ANN, nous préférons rester simples et compréhensibles. C'est pourquoi le graphique ci-dessous montre la profondeur de forage requise pour neuf cas différents, calculée à la fois avec le modèle normal (où les valeurs g sont calculées explicitement) et avec le modèle ANN. Les cas ont été sélectionnés pour couvrir un large éventail de situations, comme le fait d'être limité par la température moyenne maximale ou minimale du fluide, d'avoir différents flux de chaleur géothermiques, ou d'avoir des propriétés de fluide variables, etc.
Le graphique ci-dessus montre clairement qu'il existe une excellente concordance entre le modèle normal et le nouveau modèle artificiel. Dans la plupart des cas, l'ANN a légèrement surestimé la profondeur de forage requise, alors que dans le cas 7, une profondeur légèrement inférieure a été simulée. Dans l'ensemble, la précision de l'ANN se situe à moins de 4% du modèle régulier, ce qui est sans doute de l'ordre des autres incertitudes utilisées dans la conception géothermique.
!Note
Pour des raisons de précision, une fois le dimensionnement terminé, le profil de température que vous voyez dans GHEtool est calculé avec le modèle exact et régulier. Cela signifie que l'accélération de l'IA n'est utilisée que pour accélérer l'itération afin de trouver la profondeur requise, mais pas pour simuler les températures à cette profondeur. De cette manière, vous bénéficiez d'un modèle plus rapide combiné à la plus grande précision pour la simulation de la température.
Le graphique ci-dessous montre le temps de simulation pour les différents cas.
Dans le graphique ci-dessus, il est clair que l'ANN est nettement plus performant que l'approche classique, avec des gains de temps allant de 25% à 75%. Si l'on tient compte du fait que la différence de précision n'est que de 4%, on peut dire qu'il s'agit d'un bon compromis.
!Note
Outre le temps de calcul requis pour les fonctions g, d'autres parties du code nécessitent également un certain temps. Avec le modèle ANN, le temps de calcul des valeurs g a été considérablement réduit, ce qui rend d'autres aspects, tels que le calcul de la résistance thermique effective du trou de forage, plus importants dans le temps de simulation global.
Quelle est la prochaine étape ?
Quelle est la prochaine étape ? Tous les calculs de GHEtool seront-ils désormais basés sur des modèles d'IA ? Absolument pas.
Bien que nous ayons vu et démontré l'intérêt de s'appuyer sur l'IA pour accélérer certaines méthodes, nous préférons toujours la précision de l'approche classique, basée sur la physique. C'est pourquoi, à partir d'aujourd'hui, l'ANN est disponible dans GHEtool lors de l'utilisation de l'objectif ‘calculer la profondeur requise’, dans les ‘paramètres spécifiques à l'objectif’. Pour les autres méthodes, il ne s'agit pas, à notre avis, d'une valeur ajoutée.
Cela dit, la mise en œuvre de notre premier ANN ouvre la porte à toute une série de nouvelles possibilités, de nouvelles méthodes et d'optimisations plus avancées.
Restez à l'écoute
La semaine prochaine, nous présenterons notre tout premier objectif, rendu possible grâce à ce même ANN. Restez à l'écoute !
Conclusion
Cet article a jeté les bases d'une toute nouvelle gamme de possibilités au sein de GHEtool. Avec la mise en œuvre d'un réseau neuronal artificiel pour accélérer le temps de simulation des fonctions g, la fonction de calcul de la profondeur de forage requise peut être rendue 25-75% plus rapide tout en conservant une précision similaire.
Références
- Regardez notre vidéo d'explication sur notre page YouTube en cliquant sur ici.
- Blanke, T., Pfeiffer, F., Göttsche, J. et Döring, B. (2024, septembre). Artificial neural networks use for the design of geothermal probe fields. In Conférence BauSim 2024 (Vol. 10, pp. 89-95). IBPSA-Allemagne et Autriche.