Jumeau numérique et réalité virtuelle pour la modélisation de systèmes complexes

Un système complexe est souvent défini par deux caractéristiques principales, d’une part l’hétérogénéité de sa structure, d’autre part sa dynamique. Du point de vue du modélisateur, un système complexe va donc présenter deux difficultés : la variété des modèles qui devront être employés et leurs capacités à retranscrire une évolution souvent non-linéaire et difficile à appréhender par l’esprit humain. Les systèmes complexes montrent les limites du réductionnisme : la connaissance du comportement des composants élémentaires n’est pas suffisante pour prédire le comportement du système global. De plus, des phénomènes supplémentaires émergent des comportements collectifs (auto-organisation, multistationnarité, chaos, bifurcations ou boucles de rétroaction), rendent difficile l’observation des résultats et par extension l’analyse des données produites.

Le système complexe ne peut être décrit de manière monolithique : il va falloir identifier les différents composants en interaction et les répartir sur différents niveaux hiérarchiques de modélisation. Les connaissances sur lesquelles s’appuie la modélisation sont incomplètes et nécessitent alors de faire intervenir différentes disciplines : la collaboration multidisciplinaire et la co-construction. De plus, pour simuler numériquement un système complexe, il est nécessaire de pouvoir séparer les composants du point de vue sémantique et du point de vue de l'exécution : ceci entraîne des précautions particulières autour des échanges de données. Enfin, la représentation des résultats est un enjeu car elle doit s’adapter d’une part à l’aspect multidisciplinaire et multidimensionnel des données et d’autre part au caractère dynamique de leur évolution.

La simulation numérique est actuellement une activité profondément ancrée dans les processus industriels. Elle peut être appliquée à la modélisation des systèmes complexes existants mais également avec grand intérêt à la conception de nouveaux systèmes. Dans les deux cas, le résultat à obtenir est celui d’un modèle numérique qui représente fidèlement le système. Ce résultat pourra être utilisé pour faire des analyses en vue :

• de réduire les coûts et la durée d’investigation par la simulation plutôt que par l’action sur le modèle physique ;

• de simuler des modes dégradés de fonctionnement ou bien des cas qu’il serait non envisageable d’expérimenter dans la réalité ;

• de procéder à des analyses de modifications du système avant de décider de les effectuer réellement.

Lorsqu’un modélisateur conçoit un simulateur numérique, il y met ses connaissances et ses hypothèses. Ces dernières étant subjectives et contextuelles, cela trace les premières limites de validité du modèle et donc de la simulation. En effet, certaines théories vont être valides sous certaines conditions alors qu’il faudra en changer lorsque ces conditions ne seront plus remplies. Un résultat peut donc ne pas être valide quelles que soient les conditions. C’est ce qu’on appelle le domaine de validité : il existe un espace borné des paramètres d’entrée pour lequel les résultats peuvent être considérés comme valides pour l’utilisation que l’on souhaite en faire. Le problème qui peut se poser est que le domaine de validité peut ne pas être correctement appréhendé par l’utilisateur final de la simulation numérique, soit parce que le modèle simulé est trop complexe à appréhender, soit parce que les connaissances et hypothèses initiales se sont perdues avec le temps. Lorsque l’on simule un système réel, il faut aussi prendre en compte ses défauts et sa variabilité au cours de son cycle de vie. Pour cela, il faudra mesurer la réalité et réinjecter dans la simulation les nouvelles connaissances. Mais si l’on tient compte de l’existence du domaine de validité, il faudra aussi s’assurer que les modèles utilisés sont toujours valides à l’intérieur du domaine de validité. De plus, les couplages possibles entre les solveurs à cause de l’hétérogénéité des modèles rendent également la limite du domaine de validité difficile à appréhender.

La simulation numérique est un outil créé spécifiquement pour résoudre un problème donné et qui pourra se révéler totalement inadapté ou erroné s’il est employé d’une mauvaise manière ou sur le mauvais problème.

Cet article présente le jumeau numérique et ces applications pour l’ingénierie (§ 1). Il passe en revue les techniques et les enjeux des différentes approches liées à la modélisation et à la simulation numérique (§ 2.1), la problématique de l’échange de données (§ 2.2) et aborde l’importance de l’humain dans la boucle pour une interaction temps-réel, immersive et collaborative (§ 2.3). Deux exemples de jumeau numérique pour l’énergie sont ensuite donnés (§ 3). Enfin, cet article conclut sur le jumeau numérique et ses impacts sur les différentes étapes du cycle de vie de l’objet d’étude.