Les réseaux de neurones prédisent les forces dans les solides granulaires coincés
Français
Suivez-nous sur notre page Facebook et notre canal Telegram
La matière granulaire est tout autour de nous. Les exemples incluent le sable, le riz, les noix, le café et même la neige. Ces matériaux sont constitués de particules solides suffisamment grosses pour ne pas subir de fluctuations thermiques. Au lieu de cela, leur état est déterminé par des influences mécaniques : l’agitation produit des “gaz granuleux” tandis que par compression on obtient des “solides granuleux”. Une caractéristique inhabituelle de ces solides est que les forces à l’intérieur du matériau se concentrent le long de trajectoires essentiellement linéaires appelées chaînes de force dont la forme ressemble à celle de l’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. Des 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 Communication Nature.
La formation de chaînes de force est très sensible à la façon dont les grains individuels interagissent. Cela rend très difficile de prédire où les chaînes de force se formeront. 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 sans frottement et avec 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 formés dans une approche supervisée pour prédire la position des chaînes de force qui surviennent lors de la déformation d’un système granulaire, compte tenu 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 cela s’applique dans un large éventail de circonstances, par exemple comment le son se propage ou comment le sable ou un paquet de grains de café réagissent à la déformation mécanique”, explique le Dr Rituparno. Mandal, Institut de physique théorique, Université de Göttingen. Mandal ajoute : “Une étude récente suggère même que des créatures vivantes telles que les fourmis exploitent les effets des réseaux de chaînes de force lors de l’enlèvement des grains de sol pour une excavation efficace des tunnels.”
“Nous avons expérimenté différents outils basés sur l’apprentissage automatique et réalisé qu’un GNN entraîné peut remarquablement bien généraliser 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 prévoyons actuellement de l’étendre à des systèmes expérimentaux en laboratoire », a ajouté Corneel Casert, co-auteur principal de l’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 avec différentes tailles de système, densité de particules et composition de différents types de particules. Cela signifie qu’elle être utile pour comprendre les chaînes de force pour de nombreux types de matière et de systèmes granulaires.”
Source de l’histoire :
Matériaux fourni par Université de Göttingen. Remarque : Le contenu peut être modifié pour le style et la longueur.
