Accélération de calculs de cinétique chimique par méthodes d’apprentissage

L’utilisation de simulations numériques est aujourd’hui largement répandue dans le monde industriel afin d’aider à la conception de systèmes ou à la prédiction de phénomènes complexes. C’est le cas notamment pour la simulation des écoulements réactifs, importante pour de nombreuses applications comme les propulsions automobile et aéronautique, ou encore les procédés dans l’industrie chimique.

Ces écoulements réactifs impliquent des mélanges de constituants et de composés chimiques qui réagissent entre eux avec, suivant la nature de ces réactions, une évolution des espèces sur des échelles de temps qui peuvent varier de plusieurs ordres de grandeur.

Décrire l’évolution temporelle de ces espèces au sein de l’écoulement nécessite des méthodes numériques avancées, donc coûteuses en temps de calcul, et la résolution de ces équations constitue alors une part importante du temps total de la simulation d’un système.

L’utilisation de méthodes d’apprentissage pour accélérer les calculs de cinétique chimique est une approche qui a récemment gagné en popularité. Lors du calcul d’un système industriel, l’idée est alors de remplacer les algorithmes de résolution classiques par un modèle équivalent, issu d’un processus d’apprentissage, dont l’évaluation est plus rapide. Ce modèle est généré par l’optimisation d’un ensemble de paramètres à partir d’une base de données de solutions exactes, préalablement simulées.

Les chercheurs IFPEN ont eu recours pour cela à des réseaux de neurones, en raison de leur capacité à reproduire l’évolution d’espèces chimiques. Le travail a porté sur deux axes :
 

• Le premier a comparé différentes structures de réseaux de neurones pour prédire les évolutions d’espèces chimiques. C’est ainsi que des réseaux standards ont été comparés à des réseaux de neurones dits « récurrents », qui permettent de réaliser des prédictions en tenant compte d’un historique de valeurs passées, plutôt que d’une seule valeur.
   
• Le second s’est concentré sur la prise en compte de contraintes physico-chimiques, en particulier le fait de respecter la conservation de la masse de chaque élément chimique présent dans le mélange, ce qui n’est pas garanti avec les réseaux de neurones classiquement utilisés.

La méthodologie déployée a été évaluée sur des cas de combustion homogène d’hydrogène. Dans cette situation, les fractions massiques d’espèces chimiques ne variant pas dans l’espace, la résolution numérique se limite à des équations différentielles en temps, tel qu’illustré sur la figure. Les résultats suivants ont été obtenus :
  

• Concernant les évolutions temporelles des espèces chimiques (figure), un très bon accord a été observé entre les solutions exactes et les solutions obtenues avec les réseaux de neurones [1]. Un gain en précision a de plus été constaté en faveur des réseaux récurrents.
    
• Une méthode a été mise au point pour construire des réseaux de neurones qui garantissent la conservation de la masse des éléments chimiques [2].
   

Ces travaux illustrent la capacité de réseaux de neurones à se substituer à des algorithmes de résolution de cinétique chimique. Les principales perspectives pour les méthodes développées sont les suivantes :
  

• Déploiement sur des cas d’intérêt pratique, moyennant la définition de bases de données d’apprentissage adaptées.
     
• Évaluation du gain obtenu en temps de calcul par rapport aux méthodes classiques.

Publications :

[1]  M. Guirat, T. Faney, C. Mehl, Modeling of chemical evolution equations using Long Short Term Memory Neural Networks, publication soumise. 

[2] C. Mehl, T. Faney, brevet en instruction.
 

Contact scientifique : cedric.mehl@ifpen.fr

>> NUMÉRO 45 DE SCIENCE@IFPEN