Une stratégie robuste pour la mise à jour de modèles EF de panneaux composites utilisant un cadre d’optimisation assisté par substitut combinant RNA et SMA

Pourquoi l’ajustement des structures virtuelles compte

Les ingénieurs s’appuient de plus en plus sur des modèles informatiques pour prévoir comment vibreront et résisteront en service les ponts, pièces d’aéronefs et pales d’éoliennes. Mais ces modèles ne valent que par les valeurs qui y sont injectées. Pour les matériaux composites stratifiés, désormais courants en aérospatiale et dans le domaine maritime, obtenir ces valeurs correctement est particulièrement difficile. Cet article montre comment des essais en laboratoire, l’intelligence artificielle et une méthode de recherche inspirée de la nature peuvent être combinés pour ajuster un modèle informatique d’un panneau composite afin qu’il se comporte presque exactement comme la structure réelle.

Des essais en laboratoire aux jumeaux numériques

L’étude commence par un panneau composite en fibre de verre réel, construit à partir de dix fines couches de tissu collées avec de l’époxy. Au laboratoire, le panneau est soutenu par ses bords et légèrement frappé avec un marteau instrumenté pendant que de minuscules accéléromètres enregistrent sa vibration. En traitant ces mesures, les chercheurs extraient des caractéristiques vibratoires clés : les fréquences propres du panneau (les tonalités auxquelles il a tendance à vibrer) et les formes de pliage associées. Ces empreintes expérimentales servent de référence que le modèle informatique doit reproduire.

Construction et vérification du premier modèle

En parallèle, l’équipe crée une version virtuelle détaillée du même panneau en utilisant un outil standard d’ingénierie pour la simulation structurale. Le panneau virtuel est divisé en de nombreux éléments de coques afin de représenter sa nature stratifiée et sa raideur selon différentes directions. Lorsqu’ils calculent ses fréquences propres et ses formes de vibration, ils trouvent que les prédictions sont proches mais pas parfaites : certaines tonalités diffèrent des résultats en laboratoire de plus de 10 %. Une comparaison plus fine des formes montre que, si les motifs globaux semblent similaires, ils ne sont pas identiques. Ce décalage confirme que certaines propriétés supposées dans le modèle virtuel — telles que la rigidité, l’épaisseur ou la densité — sont légèrement incorrectes.

Apprendre un remplaçant rapide pour imiter le modèle

Ajuster directement les paramètres du modèle et relancer des simulations complètes des milliers de fois serait trop lent, les auteurs introduisent donc des modèles « substituts » : des représentations mathématiques rapides qui apprennent à imiter la simulation coûteuse. Ils échantillonnent aléatoirement des centaines de combinaisons d’épaisseur, de rigidité et de densité dans des limites réalistes, exécutent la simulation complète pour chacune et collectent les fréquences résultantes et les scores d’adéquation des formes. Trois types de substituts sont entraînés sur cet ensemble de données : une surface polynomiale simple, une méthode statistique appelée Krigeage et un réseau neuronal artificiel. Les tests montrent que le réseau neuronal capture le mieux les relations complexes entre entrées et réponse vibratoire tout en restant rapide à évaluer, réduisant chaque prédiction de plusieurs secondes à des fractions de seconde.

Laisser des moisissures visqueuses explorer l’espace de conception

Avec le réseau neuronal agissant comme prédicteur quasi instantané, le défi suivant est de parcourir l’océan des combinaisons de paramètres possibles pour trouver celles qui alignent le panneau virtuel sur le réel. Pour cela, les chercheurs utilisent un algorithme inspiré de la manière dont les organismes de physarum (moisissure visqueuse) s’étendent pour explorer leur environnement puis se rétractent vers des sources de nourriture riches. Dans l’optimisation, chaque « organisme » représente un jeu candidat de propriétés du panneau. Guidés par une mesure du décalage entre fréquences prédites et mesurées, les physarum virtuels déplacent leurs positions, équilibrant exploration large et raffinement ciblé. Cette recherche artificielle est entièrement exécutée sur le substitut, ce qui permet d’effectuer rapidement des milliers d’essais.

Correspondance améliorée et calcul accéléré

La stratégie combinée réseau neuronal — physarum améliore nettement le panneau numérique. Après mise à jour, quatre des cinq premières fréquences propres diffèrent des valeurs de laboratoire de moins de 1 %, et même le mode à fréquence élevée le plus difficile s’améliore sensiblement par rapport au modèle initial. Les ajustements nécessaires sont physiquement raisonnables : une réduction modeste de la rigidité effective et de légères retouches d’épaisseur et de densité, cohérentes avec les variations de fabrication réelles. Lorsque le même substitut par réseau neuronal est associé à des méthodes de recherche plus établies qui imitent les vols d’oiseaux ou l’évolution génétique, la nouvelle approche inspirée du physarum converge néanmoins de manière plus fiable et réduit le temps de calcul d’environ 7 à 30 %. En termes pratiques, cela signifie que les ingénieurs peuvent obtenir plus rapidement des « jumeaux numériques » de structures composites plus fiables, ce qui soutient de meilleures décisions de conception et des systèmes de surveillance de santé plus sensibles.

Citation: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Mots-clés: structures composites, mise à jour de modèle par éléments finis, modélisation par substitut, réseaux neuronaux artificiels, optimisation métaheuristique