De nouvelles simulations d'apprentissage automatique réduisent les besoins énergétiques pour les tissus de masque et d'autres matériaux

De nouvelles simulations d’apprentissage automatique réduisent les besoins énergétiques pour les tissus de masque et d’autres matériaux

Les scientifiques d’Argonne se sont associés à 3M dans un effort de calcul visant à réduire la quantité d’énergie nécessaire pour produire des matériaux non tissés soufflés à l’état fondu comme ceux que l’on trouve dans les masques médicaux. Crédit : Shutterstock/Smile Studio AP

Fabriquer le nombre incalculable de masques N95 qui ont protégé des millions d’Américains du COVID nécessite un processus qui exige non seulement une attention aux détails, mais nécessite également beaucoup d’énergie. De nombreux matériaux de ces masques sont produits par une technique appelée soufflage par fusion, dans laquelle de minuscules fibres de plastique sont filées à des températures élevées qui nécessitent l’utilisation de beaucoup d’énergie. Le processus est également utilisé pour d’autres produits comme les filtres de fournaise, les filtres à café et les couches.

Grâce à un nouvel effort de calcul lancé par le laboratoire national d’Argonne du Département américain de l’énergie (DOE) en collaboration avec 3M et soutenu par le programme de calcul haute performance pour l’innovation énergétique (HPC4EI) du DOE, les chercheurs trouvent de nouvelles façons de réduire considérablement la quantité d’énergie nécessaire pour fondre le soufflage des matériaux nécessaires dans les masques N95 et d’autres applications.

Actuellement, le processus utilisé pour créer une buse pour filer des matériaux non tissés produit un produit de très haute qualité, mais il est assez énergivore.

Environ 300 000 tonnes de matériaux soufflés à l’état fondu sont produites chaque année dans le monde, nécessitant environ 245 gigawattheures d’énergie par an, soit environ la quantité générée par une grande ferme solaire. En utilisant les ressources de supercalcul d’Argonne pour associer des simulations numériques de dynamique des fluides et des techniques d’apprentissage automatique, la collaboration Argonne et 3M a cherché à réduire la consommation d’énergie de 20 % sans compromettre la qualité des matériaux.

Le processus de fusion-soufflage utilise une filière pour extruder le plastique à des températures élevées. Trouver un moyen de créer des composants plastiques identiques à des températures et des pressions plus basses a motivé la recherche d’apprentissage automatique, a déclaré Benjamin Blaiszik, scientifique en informatique d’Argonne, auteur de l’étude. « C’est un peu comme si nous essayions de faire une pizza dans un four : nous essayons de trouver les bonnes dimensions, les bons matériaux pour notre pierre à pizza et la température de cuisson en utilisant un algorithme pour minimiser la quantité d’énergie utilisée tout en gardant le goût même », a-t-il déclaré.

En utilisant des simulations et l’apprentissage automatique, les chercheurs d’Argonne peuvent exécuter des centaines, voire des milliers de cas d’utilisation, une amélioration exponentielle par rapport aux travaux antérieurs. « Nous avons la capacité de modifier des choses comme les paramètres de la géométrie de la matrice », a déclaré Blaiszik. « Nos simulations permettront à quelqu’un de fabriquer un article dans une installation industrielle réelle, et notre ordinateur peut vous parler de son potentiel pour des applications dans le monde réel. »

Les simulations fournissent des informations clés sur le processus, une méthode pour évaluer une combinaison de paramètres utilisés pour générer des données pour l’algorithme d’apprentissage automatique. Le modèle d’apprentissage automatique peut ensuite être exploité pour finalement converger vers une conception capable de fournir les économies d’énergie requises.

Étant donné que le processus de fabrication d’une nouvelle buse est très coûteux, les informations obtenues à partir du modèle d’apprentissage automatique peuvent fournir aux fabricants de matériaux un moyen de se limiter à un ensemble de conceptions optimales. « La simulation améliorée par l’apprentissage automatique est le meilleur moyen d’obtenir à moindre coût la bonne combinaison de paramètres tels que les températures, la composition des matériaux et les pressions pour créer ces matériaux de haute qualité avec moins d’énergie », a déclaré Blaiszik.

Le modèle initial du processus de fusion-soufflage a été développé grâce à une série d’exécutions de simulation effectuées sur le supercalculateur Theta de l’Argonne Leadership Computing Facility (ALCF) avec les logiciels de dynamique des fluides computationnelle (CFD) OpenFOAM et CONVERGE. L’ALCF est une installation utilisateur du DOE Office of Science située à Argonne.

Fourni par Laboratoire National d’Argonne


A lire également