Une étude en laboratoire recourt à une IA informée par la physique pour accélérer la conception du stockage thermique

Un système de stockage thermique à base de cire est au cœur d'une expérience menée à l'échelle du laboratoire en Corée du Sud. Lorsque le matériau fond, il absorbe de la chaleur ; lorsqu'il durcit, il la restitue. Des chercheurs dirigés par Joo Hyun Moon, de l'Université nationale de Hanbat, ont désormais combiné les équations physiques de ce système avec un modèle d'IA afin de rechercher de meilleures configurations, en utilisant 15 simulations haute fidélité comme données d'entraînement.

Le stockage d'énergie thermique par chaleur latente peut contenir une grande quantité d'énergie et la restituer à une température presque constante, une propriété utile pour gérer le chauffage et le refroidissement. Mais le transfert de chaleur et l'écoulement des fluides à l'intérieur du système sont difficiles à simuler simultanément. La dynamique des fluides numérique peut décrire ces phénomènes, mais les calculs sont lents et coûteux lorsque les ingénieurs souhaitent comparer de nombreuses géométries.

L'équipe a d'abord construit une installation de stockage à l'échelle du laboratoire ainsi qu'un modèle CFD correspondant. Les mesures ont servi à valider les simulations, qui ont montré une excellente concordance avec seulement de faibles écarts. Les chercheurs ont ensuite entraîné un réseau neuronal informé par la physique, ou PINN, un modèle conçu pour respecter les lois physiques plutôt que de s'appuyer uniquement sur de grands volumes de données. Il a appris le comportement du transfert de chaleur propre à chaque cas, tandis qu'un modèle de surface de réponse estimait l'effet de la géométrie et des conditions d'écoulement sur des configurations inédites.

Le jumeau numérique obtenu a été connecté à NSGA-II, un algorithme génétique capable d'arbitrer simultanément entre plusieurs objectifs. Il a recherché des systèmes maximisant la chaleur libérée et la puissance moyenne de décharge, tout en minimisant la puissance de pompage nécessaire au déplacement du fluide. Dans les expériences numériques, la configuration optimisée a égalé les performances de la meilleure configuration de référence tout en réduisant considérablement la puissance de pompage. Les conduites plus plates se sont révélées être la géométrie la plus favorable.

Qu'est-ce que cela change en pratique ? Les ingénieurs pourraient passer de tests manuels portant sur un nombre limité de configurations à l'exploration rapide d'un espace de conception beaucoup plus vaste avant de fabriquer le matériel. Le résultat immédiat reste toutefois une étude à l'échelle du laboratoire et numérique, et non un système commercial ou un déploiement sur le terrain. Mais la même méthode pourrait être appliquée à la gestion thermique des bâtiments, des batteries de véhicules électriques, des centres de données, de la logistique de la chaîne du froid et des systèmes solaires thermiques, où une itération plus rapide de la conception pourrait contribuer à réduire la consommation d'énergie et les émissions.