La modélisation Corentin Macqueron Ingénieur en mécanique des fluides Juillet 2017 corentin.macqueron@gmail.com ENGINEERING & PROJECT
Qu’est-ce que qu’un modèle? (1/2) « Modèle (n.m.) : représentation d’un phénomène à l’aide d'un système qui possède des propriétés [Le Robert, 2013] analogues à ce phénomène. » « Modèle (n.m.) : représentation abstraite des relations entre les paramètres caractéristiques d’un [Larousse, 2013] phénomène ou d’un processus. » « Bribes fidèles mais épurées de la réalité. »
[Étienne Klein, directeur de recherche au CEA et philosophe des sciences]
Représentation simplifiée mais pas simpliste d’un phénomène complexe : un substitut de la réalité. ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Qu’est-ce que qu’un modèle? (2/2) Un modèle n’est qu’une représentation de la réalité Un modèle n’est pas (et ne doit pas être) parfaitement ressemblant (sans quoi il n’a pas d’intérêt) « La carte n’est pas le territoire. »
[Alfred Korzybski, 1879-1950]
… certes, mais elle peut être plus intéressante! (voir plus loin)
René Magritte, La trahison des images, 1929
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
La place de la modélisation La modélisation, c’est aujourd’hui : un nouvel espace intermédiaire entre : la théorie et l’expérimentation le réel et l’abstrait le concept et la technologie
une des composantes fondamentales de l’épine dorsale de la R&D, du triptyque théorie-modélisation-expérimentation « Un nouveau rapport vis-à-vis de notre représentation du monde. » [Étienne Klein] ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Différentes classes de modèles (1/2) Modèles prédictifs Trajectoire Météo Etc.
Coup franc au football – balistique ENGINEERING & PROJECT
Prévisions météorologiques DIFFUSION LIMITÉE AREVA
Différentes classes de modèles (2/2) Modèles descriptifs Interactions entre différentes parties prenantes Représentation d’une société Etc.
Interactions économiques ENGINEERING & PROJECT
L’organigramme d’une entreprise DIFFUSION LIMITÉE AREVA
Différents types de modèles (1/5) Modèle « réel » (par opposition à « virtuel ») Modèle réduit (similitude) Taille réelle
Modèle réduit de navette en soufflerie
Tests en vol de la navette-maquette Enterprise (« simple » planeur taille réelle)
Un modèle n’est donc pas forcément virtuel, numérique, informatique être bien ! ENGINEERING & PROJECT ou abstrait, il peut DIFFUSION LIMITÉEréel AREVA
Différents types de modèles (2/5) Modèles « mentaux » : Représentation intuitive ou « instinctive » Trajectoire d’un objet (« Je l’ai ! ») Capacité de franchissement (« Ça passe ! ») Expérience de pensée (« Et si je faisais comme ci plutôt que comme
ça? », « Ai-je le temps d’aller chercher les enfants ? »)
à la réception… ENGINEERINGLoupé & PROJECT
Eh non, ça ne DIFFUSION LIMITÉE AREVA
passe pas!
Différents types de modèles (3/5) Modèles comportementaux
Modèle de l’évolution de l’engagement et des compétences d’un étudiant en alternance en entreprise
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Différents types de modèles (4/5) Modèles mathématiques et/ou physiques Mécanique des structures Mécanique des fluides Etc.
Contraintes mécaniques dans la structure d’un Airbus
ENGINEERING & PROJECT
Équations de Navier-Stokes pour un fluide incompressible DIFFUSION LIMITÉE AREVA
Différents types de modèles (5/5)
Méta-modèles : des modèles de modèles…
Quand un modèle, qui est déjà une simplification de la réalité, reste trop
complexe, on peut vouloir le simplifier Mais attention : un méta-modèle n’est pas juste un modèle plus simple d’une même réalité. C’est un modèle basé sur un modèle : il ne cherche pas à mimer la réalité mais à mimer un modèle de la réalité
Il s’agit donc d’un modèle de modèle : un méta-modèle
À gauche : un champ de vitesse dans une cuve agitée déterminé de manière détaillée en des dizaines de milliers de points avec une modélisation fluidique 3D À droite : un méta-modèle basé sur le modèle 3D, qui suppose un champ de vitesse beaucoup plus simple (12 zones seulement) ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Les modèles prédictifs Il existe deux types de modèles prédictifs :
Les modèles déterministes nombre de « degrés de liberté » raisonnable faible part de l’aléatoire Les modèles probabilistes nombre de « degrés de liberté » gigantesque forte part de l’aléatoire
Déformation d’une structure : modèle déterministe ENGINEERING & PROJECT
Physique des particules : modèle probabiliste DIFFUSION(ici, LIMITÉE AREVA désintégration du boson de Higgs)
Modèle prédictif : structure et example
Paramètres d’entrée
MODÈLE (Lois, principes, etc.)
Résultats / Prédictions
Un exemple : la cocotte-minute :
Température
ENGINEERING & PROJECT
Pression
Modèle physico-mathématique : Loi des gaz parfaits (pV = nRT) DIFFUSION LIMITÉE AREVA
Champs d’application de la modélisation (1/4) Météorologie (prévision météo, …) Climatologie (réchauffement de la planète, …)
Prévision météo sur l’Europe ENGINEERING & PROJECT
Prévision du réchauffement climatique du GIEC DIFFUSION LIMITÉE AREVA
Champs d’application de la modélisation (2/4) Cosmologie (formation des galaxies, …) Économie (cours de la bourse, …)
Densité de matière dans l’Univers
ENGINEERING & PROJECT
Cours de la bourse
DIFFUSION LIMITÉE AREVA
Champs d’application de la modélisation (3/4) Sociologie (comportement des consommateurs, …) Mécanique (mécanique des fluides, …)
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Champs d’application de la modélisation (4/4) Biologie (dynamique des populations, …)
Santé (épidémiologie, …)
Croissance bactérienne ENGINEERING & PROJECT
Présence du paludisme à Madagascar DIFFUSION LIMITÉE AREVA
Modélisation ou Simulation? La simulation est la représentation exacte d’un phénomène La modélisation en est l’approximation Par abus de langage, « simulation » est souvent employé à la place de « modélisation » Turbulence en mécanique des fluides : Simulation à gauche, modélisation à droite Une analogie avec les autoportraits : Rembrandt à gauche, Van Gogh à droite
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Les différentes étapes de la construction d’un modèle numérique Cas réel : Écoulement fluide autour d’un cylindre Modèle physico-mathématique pour les champs de vitesse et de pression : Équations de Navier-Stokes Discrétisation : Découpage du domaine en « mailles », qui sont comme
la « trame d’un tissu » Passage d’un nombre infini à un nombre fini de valeurs à calculer, aussi bien en temps qu’en espace
Mise en données : Conditions limites : vitesse et pression aux bords du
domaine de calcul Propriétés physiques du fluide (masse volumique, viscosité) et des parois (rugosité)
Convergence du calcul Post-traitement des résultats Confrontation aux mesures expérimentales ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Sécurité ou réalisme? Souvent, pour des raisons de coûts et de sécurité, les modèles développés sont simplistes et « pénalisants » ou « conservatifs » : on ne cherche pas à reproduire la réalité mais à être très au-delà de la réalité pour prendre des marges de sécurité Même sur des modèles très détaillés, on cherche généralement à conserver des marges Au final, la modélisation ne cherche souvent pas à reproduire la réalité mais à imaginer le pire scénario Les résultats ne sont donc souvent pas réalistes, ce qui est un reproche fréquemment fait à la modélisation, mais ce n’est pas parce que la modélisation n’est pas « bonne », c’est principalement pour des raisons de sécurité On cherche cependant parfois à être « au plus juste » : Pour qualifier un modèle par comparaison à la réalité (mesures expérimentales) Pour dégager un certain nombre de marges ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Qualification (1/3) Pour être utilisé à bon escient, un modèle doit être qualifié afin de démontrer sa bonne représentativité physique La qualification est une notion complexe, sujette à interprétation
À titre d’exemple, l’ASTM E 1355-04 définit la qualification comme :
« La procédure permettant de quantifier la précision des résultats d’un modèle utilisé dans le cadre d’une application spécifique. » Généralement, la qualification d’un modèle s’organise autour de deux étapes : La vérification de la bonne écriture des équations et de leurs méthodes de résolution La validation des résultats de la modélisation par comparaison avec des données expérimentales
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Qualification (2/3) Exemples de qualification de modèles :
Température au niveau d’un thermocouple durant un incendie
Hauteur de suspension de particules dans une cuve en fonction d’un rapport de vitesse d’agitation
La précision des mesures (« barres » d’erreur) est fondamentale pour la qualification, mais n’est malheureusement pas toujours disponible ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Qualification (3/3) La qualification est fondamentale pour la modélisation, notamment lorsque celle-ci est utilisée dans le cadre de la sécurité (automobile, nucléaire, etc.) La modélisation est soumise à des forces antagonistes : Elle est dépendante de l’expérimentation pour sa qualification Elle doit cependant, dans une certaine mesure, savoir s’en affranchir pour révéler ses principaux atouts : réduction des coûts liés à l’expérimentation exploration de domaines « inexpérimentables » (voir plus loin) L’ingénieur doit donc savoir dans quelle mesure il doit qualifier son modèle mais aussi dans quelle mesure il peut lui « faire confiance » afin d’éviter les deux extrêmes : Exiger une qualification systématique qui pénalise les coûts et les délais Utiliser un modèle à tort et à travers et produire des résultats faux et dangereux
Il est de la responsabilité de l’ingénieur de qualifier ses outils de modélisation et d’en connaître les forces et les limites afin de les utiliser à bon escient dans le cadre du tryptique Qualité – Coûts – Délais ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Au-delà de l’expérimentation (1/2) Un modèle peut se révéler plus intéressant qu’une expérimentation lorsque celle-ci est : Trop coûteuse (crash test d’un Airbus A380, etc.)
Trop dangereuse (fusion du cœur d’un réacteur nucléaire, etc.) Immorale (crash test avec de véritables passagers, etc.) Difficilement reproductible ou mesurable (incendie dans un immeuble, etc.) Insuffisamment préparée (phénomènes importants mal compris, etc.) Impossible (évolution de déchets nucléaires sur plusieurs millions d’années, collision de galaxies, effondrement d’une étoile, etc.)
ENGINEERING & PROJECT
Modélisation de l’impact d’un avion contre le World Trade Center et le Pentagone : un bon exemple d’expérimentation à la fois quasiment impossible, hors de prix, immorale, dangereuse, difficile à reproduire et à DIFFUSION LIMITÉE AREVA instrumenter
Au-delà de l’expérimentation (2/2) Une expérimentation en laboratoire n’est jamais totalement représentative de la réalité, c’est déjà un modèle en soi Une modélisation est également une expérimentation, même si elle est souvent virtuelle. Par ailleurs, elle permet : d’identifier ou de sélectionner de nouvelles pistes de recherche de révéler des comportements inattendus de pénétrer des no-man’s-lands expérimentaux (accélérer le temps, agrandir les espaces, représenter l’irreprésentable) de démultiplier les moyens d’investigation des scientifiques
« La simulation a un statut semblable à celui de l’expérience. » [Michel Serrès, philosophe et historien des sciences, membre de l’Académie française]
La modélisation ne supplante pas l’expérimentation, mais elle peut l’alimenter et donner une nouvelle prise sur le réel ENGINEERING & PROJECT DIFFUSION LIMITÉE AREVA
Modélisation et informatique (1/3) Avant les années 1940, la modélisation relevait principalement de l’expérience de pensée, car les modèles physicomathématiques étaient généralement impossibles à résoudre « à la main » Avec l’avènement de l’informatique, les modèles développés par les scientifiques ont enfin pu être « explorés » grâce au calcul numérique La modélisation numérique est le « mariage » de la Physique, des Mathématiques et de l’Informatique… (pour le meilleur et pour le pire)
ENGINEERING & PROJECT
L’ENIAC, premier calculateur numérique DIFFUSION LIMITÉE AREVA électronique programmable, 1945
Modélisation et informatique (2/3) La complexité des modèles est directement liée à la puissance informatique : la puissance des processeurs double grosso modo tous les 18 mois (« loi » de Moore) la puissance informatique d’une machine en 2017 a donc été multipliée par
environ… 280 000 milliards depuis 1945 (!!!) cette « loi » de Moore pourrait arriver à « saturation » vers 2020
Tianhe-2, en Chine, avec ses 80 000 processeurs, était le plus puissant supercalculateur du monde en 2013 ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Modélisation et informatique (3/3) Il faudra encore environ un siècle pour que la turbulence en mécanique des fluides puisse être « proprement » simulée numériquement La prochaine révolution informatique attendue est l’avènement des supercalculateurs quantiques, mais leur développement se heurte à de considérables difficultés techniques
D-Wave, le second superordinateur quantique commercial du monde (Google/NASA)… dont on ne sait pas grand-chose ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Les « dangers » de la modélisation La modélisation porte en elle autant de risques que de promesses : Perdre le sens du réel à cause du modèle Souvent aucune alerte en cas de sortie du domaine de validité Certains phénomènes sont encore mal connus et donc mal traduits dans les modèles (la turbulence par exemple) Sous-estimation, voire oubli, de phénomènes importants Être « noyé » par la masse des résultats numériques Résultats numériques mal convergés sous la pression des délais Effets d’échelles Assimiler un résultat qualitatif à un résultat quantitatif
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Du Réel au Modèle : De multiples sources d’erreurs… Modèle physicomathématique Réel
Discrétisation Propriétés physiques Conditions limites Convergence Résultats
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Avantages – Inconvénients Avantages Coûts Compréhension en profondeur : Analyses paramétriques Études de sensibilité Accès à toutes les valeurs en tous points de l’espace et du temps
Inconvénients Coûts (parfois plus cher, parfois moins cher que des essais) Précision (peut être insuffisante) Modélisation faussée et « surprises » aux essais…
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Conclusion La modélisation, c’est : Un formidable outil de R&D Un moyen : de diminuer les coûts de recherche et d’ingénierie d’améliorer la sûreté et les performances
Une méthode pour représenter l’irreprésentable Une source d’erreurs à ne pas négliger Bref, un métier à part entière!
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA
Quelques références Andrew Ford, Modeling the Environment, Island Press, 1999 Collectif, Recherche & Simulation, revue « Clefs CEA », numéro 47, 2002 J.-M. Ghidaglia, B. Rittaud, Back to Basics : La simulation numérique, revue « La Recherche », numéro 380, 2004 Collectif, La simulation numérique, revue « CEA Jeunes », numéro 16, 2007 S. Gasser, La modélisation scientifique, Prométhée SAS, 2011 F. Varenne, M. Silberstein, Modéliser & Simuler, INRIA, 2013
ENGINEERING & PROJECT
DIFFUSION LIMITÉE AREVA