Les réseaux neuronaux prédisent les forces dans les solides granulaires coincés
Des chercheurs dirigés par l'université de Göttingen mettent au point une nouvelle méthode d'apprentissage automatique pour comprendre les chaînes de force
La matière granulaire est partout autour de nous. Citons par exemple le sable, le riz, les noix, le café et même la neige. Ces matériaux sont constitués de particules solides qui sont suffisamment grandes pour ne pas subir de fluctuations thermiques. Au lieu de cela, leur état est déterminé par des influences mécaniques : en secouant, on obtient des "gaz granulaires", tandis qu'en comprimant, on obtient des "solides granulaires". Une caractéristique inhabituelle de ces solides est que les forces au sein du matériau se concentrent le long de trajectoires essentiellement linéaires appelées chaînes de force dont la forme ressemble à celle d'un éclair. Outre les solides granulaires, d'autres solides complexes tels que les émulsions denses, les mousses et même les groupes de cellules peuvent présenter ces chaînes de force. Les chercheurs dirigés par l'université de Göttingen ont utilisé l'apprentissage automatique et des simulations informatiques pour prédire la position des chaînes de force. Les résultats ont été publiés dans Nature Communications.
Figure montrant la configuration d'un solide granulaire typique (côté gauche). Le réseau de forces ou la chaîne de forces dans un tel matériau est illustré sur le côté droit.
Rituparno Mandal
La formation des chaînes de force est très sensible à la façon dont les grains individuels interagissent. Il est donc très difficile de prédire où les chaînes de force se formeront. En combinant des simulations informatiques avec des outils d'intelligence artificielle, des chercheurs de l'Institut de physique théorique de l'université de Göttingen et de l'université de Gand ont relevé ce défi en développant un nouvel outil pour prédire la formation de chaînes de force dans la matière granulaire avec et sans frottement. L'approche utilise une méthode d'apprentissage automatique connue sous le nom de réseau neuronal graphique (GNN). Les chercheurs ont démontré que les GNN peuvent être entraînés dans une approche supervisée pour prédire la position des chaînes de force qui apparaissent lors de la déformation d'un système granulaire, à partir d'une structure statique non déformée.
"La compréhension des chaînes de force est cruciale pour décrire les propriétés mécaniques et de transport des solides granulaires, et ce dans un large éventail de circonstances - par exemple, comment le son se propage ou comment le sable ou un paquet de grains de café répondent à une déformation mécanique", explique le Dr Rituparno Mandal, de l'Institut de physique théorique de l'Université de Göttingen. Mandal ajoute : "Une étude récente suggère même que des créatures vivantes comme les fourmis exploitent les effets des réseaux de chaînes de force lorsqu'elles retirent des grains de terre pour creuser efficacement des tunnels."
"Nous avons expérimenté différents outils basés sur l'apprentissage automatique et avons réalisé qu'un GNN entraîné peut généraliser remarquablement bien à partir des données d'entraînement, ce qui lui permet de prédire les chaînes de force dans de nouveaux échantillons non déformés", explique Mandal. "Nous avons été fascinés par la robustesse de la méthode : elle fonctionne exceptionnellement bien pour de nombreux types de matériaux granulaires générés par ordinateur. Nous envisageons actuellement de l'étendre à des systèmes expérimentaux en laboratoire", ajoute Corneel Casert, co-auteur principal, Université de Gand. L'auteur principal, le professeur Peter Sollich, de l'Institut de physique théorique de l'université de Göttingen, explique : "L'efficacité de cette nouvelle méthode est étonnamment élevée pour différents scénarios où la taille du système, la densité des particules et la composition des différents types de particules varient. Cela signifie qu'elle sera utile pour comprendre les chaînes de force pour de nombreux types de matières et de systèmes granulaires."
L'étude a été rendue possible grâce au financement du programme de recherche et d'innovation Horizon 2020 de l'Union européenne dans le cadre d'une subvention Marie Skłodowska-Curie.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités du secteur de l'alimentation et des boissons
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie alimentaire et des boissons vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
