Les ingénieurs utilisent l’intelligence artificielle pour capturer la complexité des vagues déferlantes

Les ingénieurs utilisent l'intelligence artificielle pour capturer la complexité des vagues déferlantes

Les chercheurs ont obtenu des données sur le déferlement des vagues en réalisant des expériences dans un réservoir de 40 mètres de long. Le réservoir était équipé à une extrémité d’une pagaie que l’équipe utilisait pour initier chaque vague. Crédit : Institut de technologie du Massachusetts

Les vagues se brisent une fois qu’elles atteignent une hauteur critique, avant de culminer et de s’écraser dans un jet de gouttelettes et de bulles. Ces vagues peuvent être aussi grosses qu’un point break d’un surfeur et aussi petites qu’une légère ondulation roulant vers le rivage. Pendant des décennies, la dynamique de comment et quand une vague déferle a été trop complexe à prévoir.

Maintenant, les ingénieurs du MIT ont trouvé une nouvelle façon de modéliser la façon dont les vagues se brisent. L’équipe a utilisé l’apprentissage automatique ainsi que les données d’expériences de réservoir à vagues pour modifier les équations qui ont traditionnellement été utilisées pour prédire le comportement des vagues. Les ingénieurs s’appuient généralement sur ces équations pour les aider à concevoir des plates-formes et des structures offshore résilientes. Mais jusqu’à présent, les équations n’ont pas été en mesure de saisir la complexité des vagues déferlantes.

Le modèle mis à jour a fait des prédictions plus précises sur comment et quand les vagues se brisent, ont découvert les chercheurs. Par exemple, le modèle a estimé la pente d’une vague juste avant son déferlement, ainsi que son énergie et sa fréquence après son déferlement, avec plus de précision que les équations de vagues conventionnelles.

Leurs résultats, publiés aujourd’hui dans la revue Communication Nature, aidera les scientifiques à comprendre comment une vague déferlante affecte l’eau qui l’entoure. Savoir précisément comment ces ondes interagissent peut aider à affiner la conception des structures offshore. Il peut également améliorer les prédictions sur la façon dont l’océan interagit avec l’atmosphère. Avoir de meilleures estimations de la façon dont les vagues se brisent peut aider les scientifiques à prédire, par exemple, la quantité de dioxyde de carbone et d’autres gaz atmosphériques que l’océan peut absorber.

“Le déferlement des vagues est ce qui met de l’air dans l’océan”, explique l’auteur de l’étude Themis Sapsis, professeur agrégé d’ingénierie mécanique et océanique et affilié à l’Institute for Data, Systems, and Society du MIT. “Cela peut sembler être un détail, mais si vous multipliez son effet sur la surface de l’ensemble de l’océan, le déferlement des vagues commence à devenir fondamentalement important pour la prévision climatique.”

Les co-auteurs de l’étude sont l’auteur principal et postdoctorant au MIT Debbie Eeltink, Hubert Branger et Christopher Luneau de l’Université d’Aix-Marseille, Amin Chabchoub de l’Université de Kyoto, Jerome Kasparian de l’Université de Genève et TS van den Bremer de l’Université de technologie de Delft.

Réservoir d’apprentissage

Pour prédire la dynamique d’une vague déferlante, les scientifiques adoptent généralement l’une des deux approches suivantes : soit ils tentent de simuler précisément la vague à l’échelle de molécules individuelles d’eau et d’air, soit ils mènent des expériences pour essayer de caractériser les vagues avec des mesures réelles. La première approche est coûteuse en calculs et difficile à simuler même sur une petite surface ; la seconde nécessite énormément de temps pour exécuter suffisamment d’expériences pour produire des résultats statistiquement significatifs.

L’équipe du MIT a plutôt emprunté des éléments aux deux approches pour développer un modèle plus efficace et plus précis utilisant l’apprentissage automatique. Les chercheurs ont commencé avec un ensemble d’équations qui est considéré comme la description standard du comportement des vagues. Ils visaient à améliorer le modèle en “entraînant” le modèle sur des données de vagues déferlantes issues d’expériences réelles.

“Nous avions un modèle simple qui ne capte pas le déferlement des vagues, puis nous avons eu la vérité, c’est-à-dire des expériences qui impliquent le déferlement des vagues”, explique Eeltink. “Ensuite, nous avons voulu utiliser l’apprentissage automatique pour apprendre la différence entre les deux.”

Les chercheurs ont obtenu des données sur le déferlement des vagues en réalisant des expériences dans un réservoir de 40 mètres de long. Le réservoir était équipé à une extrémité d’une pagaie que l’équipe utilisait pour initier chaque vague. L’équipe a réglé la pagaie pour produire une vague déferlante au milieu du réservoir. Des jauges sur toute la longueur du réservoir mesuraient la hauteur de l’eau lorsque les vagues se propageaient dans le réservoir.

“Il faut beaucoup de temps pour mener ces expériences”, explique Eeltink. “Entre chaque expérience, il faut attendre que l’eau se calme complètement avant de lancer la prochaine expérience, sinon elles s’influencent mutuellement.”

Port sûr

Au total, l’équipe a mené environ 250 expériences, dont les données ont servi à former un type d’algorithme d’apprentissage automatique connu sous le nom de réseau de neurones. Plus précisément, l’algorithme est formé pour comparer les vagues réelles dans les expériences avec les vagues prédites dans le modèle simple, et en fonction de toute différence entre les deux, l’algorithme ajuste le modèle pour s’adapter à la réalité.

Après avoir formé l’algorithme sur leurs données expérimentales, l’équipe a présenté le modèle à des données entièrement nouvelles – dans ce cas, des mesures de deux expériences indépendantes, chacune exécutée dans des réservoirs à vagues séparés avec des dimensions différentes. Dans ces tests, ils ont constaté que le modèle mis à jour faisait des prédictions plus précises que le modèle simple et non formé, par exemple en faisant de meilleures estimations de la pente d’une vague déferlante.

Le nouveau modèle a également capturé une propriété essentielle des vagues déferlantes connue sous le nom de “rétrogradation”, dans laquelle la fréquence d’une vague est décalée vers une valeur inférieure. La vitesse d’une onde dépend de sa fréquence. Pour les vagues océaniques, les basses fréquences se déplacent plus rapidement que les hautes fréquences. Par conséquent, après le rétrogradage, la vague se déplacera plus rapidement. Le nouveau modèle prédit le changement de fréquence, avant et après chaque vague déferlante, ce qui pourrait être particulièrement pertinent pour se préparer aux tempêtes côtières.

“Lorsque vous voulez prévoir quand de hautes vagues d’une houle atteindraient un port, et que vous voulez quitter le port avant que ces vagues n’arrivent, alors si vous vous trompez sur la fréquence des vagues, alors la vitesse à laquelle les vagues approchent est fausse, ” dit Eeltink.

Le modèle de vague mis à jour de l’équipe se présente sous la forme d’un code open source que d’autres pourraient potentiellement utiliser, par exemple dans des simulations climatiques du potentiel de l’océan à absorber le dioxyde de carbone et d’autres gaz atmosphériques. Le code peut également être intégré à des tests simulés de plates-formes offshore et de structures côtières.

“L’objectif numéro un de ce modèle est de prédire ce qu’une vague fera”, explique Sapsis. “Si vous ne modélisez pas correctement le déferlement des vagues, cela aurait d’énormes implications sur le comportement des structures. Grâce à cela, vous pourriez simuler des vagues pour mieux concevoir les structures, plus efficacement et sans facteurs de sécurité énormes.”


Une «vague scélérate» record repérée au large de l’île de Vancouver


Plus d’information:
D. Eeltink et al, Évolution non linéaire des ondes avec rupture basée sur les données, Communication Nature (2022). DOI : 10.1038/s41467-022-30025-z

Fourni par le Massachusetts Institute of Technology

Cette histoire est republiée avec l’aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l’actualité de la recherche, de l’innovation et de l’enseignement du MIT.

Citation: Les ingénieurs utilisent l’intelligence artificielle pour capturer la complexité des vagues déferlantes (29 avril 2022) récupéré le 29 avril 2022 sur https://techxplore.com/news/2022-04-artificial-intelligence-capture-complexity.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.