Découvrez la simulation numérique et ses applications

Avant qu'un avion ne vole, qu'un médicament ne soit testé sur un patient ou qu'un pont ne soit construit, des milliers de simulations numériques ont déjà évalué leur comportement dans des centaines de conditions différentes. La simulation numérique est l'une des révolutions silencieuses de l'ingénierie et des sciences. Elle permet de tester dans le virtuel avant d'agir sur le réel.

Aujourd'hui, grâce à la puissance de calcul des ordinateurs modernes et à l'intelligence artificielle, la simulation numérique s'étend à des domaines de plus en plus variés : prévision météorologique, simulation de marchés financiers, modélisation d'épidémies, conception de médicaments par ordinateur. Comprendre ce qu'elle est et comment elle fonctionne est devenu utile bien au-delà des seuls ingénieurs.

Définition de la simulation numérique

La simulation numérique est le processus qui consiste à reproduire mathématiquement, dans un ordinateur, le comportement d'un système réel ou hypothétique. Elle repose sur :

• Un modèle mathématique : un ensemble d'équations qui décrivent le comportement du système (équations différentielles, lois physiques, modèles statistiques...).
• Des méthodes numériques : des algorithmes qui permettent de résoudre ces équations de façon approchée, car la plupart n'ont pas de solution analytique exacte pour des problèmes réels.
• Des données d'entrée : les conditions initiales, les paramètres du système, les conditions aux limites.
• Un calculateur : ordinateur, cluster de calcul, supercalculateur ou cloud computing.

La simulation numérique s'oppose à la simulation physique (maquette, prototype réel) ou à l'expérimentation directe. Son avantage principal est de permettre des configurations impossibles ou trop coûteuses à reproduire en réalité, et de répéter les expériences à volonté en faisant varier les paramètres.

Les principales méthodes de simulation numérique

Plusieurs familles de méthodes numériques sont utilisées selon la nature du problème à simuler.

La méthode des éléments finis (MEF) est la plus répandue en mécanique des structures. Elle consiste à découper le domaine d'étude en petits éléments géométriques (triangles, tétraèdres) et à résoudre les équations sur chaque élément. C'est la méthode utilisée pour simuler la déformation d'une pièce mécanique sous contrainte, la tenue au crash d'une carrosserie de voiture ou la chaleur traversant une paroi.

La méthode des volumes finis est préférée pour les simulations de fluides (CFD : Computational Fluid Dynamics). Elle est utilisée pour modéliser l'aérodynamique d'un avion, la dispersion de polluants dans l'atmosphère ou l'écoulement du sang dans les artères.

La méthode de Monte-Carlo repose sur des tirages aléatoires répétés pour modéliser des phénomènes probabilistes. Elle est massivement utilisée en finance pour évaluer des produits dérivés complexes, en physique nucléaire pour simuler le comportement des neutrons, et en actuariat pour estimer des risques.

Les méthodes de dynamique moléculaire simulent le comportement d'atomes et de molécules selon les lois de la mécanique classique ou quantique. Elles sont cruciales dans la conception de médicaments, de nouveaux matériaux ou de protéines.

Applications concrètes de la simulation numérique

La simulation numérique est présente dans quasiment tous les secteurs industriels et scientifiques. Voici ses applications les plus marquantes.

Aéronautique et aérospatiale : Airbus et Boeing conçoivent intégralement leurs avions en simulation avant de construire le premier prototype physique. Les souffleries numériques (CFD) remplacent en grande partie les essais en soufflerie physique, bien plus coûteux. La NASA utilise des simulations numériques pour planifier les missions spatiales et prévoir le comportement des engins dans l'espace.

Automobile : les crash tests virtuels permettent de simuler des milliers de scénarios d'accident pour optimiser la structure de la carrosserie avant de casser un seul prototype physique. Les moteurs thermiques, les batteries et les systèmes d'aide à la conduite sont intégralement conçus et testés en simulation.

Médecine et pharmaceutique : la simulation numérique permet de modéliser l'interaction entre un médicament et son récepteur moléculaire avant les essais cliniques, réduisant considérablement le nombre de composés testés sur des animaux. En chirurgie, les simulations de flux sanguin permettent de planifier des opérations complexes (stents, pontages coronariens) en conditions virtuelles.

Finance : les banques et les fonds d'investissement utilisent des simulations de Monte-Carlo pour valoriser des produits dérivés complexes et évaluer leurs risques. Les stress tests réglementaires (tests de résistance des banques) imposés par la BCE reposent sur des simulations macroéconomiques.

Météorologie et climatologie : les modèles de circulation atmosphérique générale (GCM) sont des simulations numériques massives qui tournent en continu sur des supercalculateurs. Ils permettent la prévision météorologique à court terme et la modélisation du changement climatique à long terme.

Le prix d'une étude et les moyens d'y accéder

Les grands logiciels commerciaux se louent à l'année, par poste et par module, et l'addition atteint vite plusieurs dizaines de milliers d'euros pour une PME industrielle. Ce seul chiffre écarte du sujet des entreprises qui auraient pourtant tout à y gagner. Trois voies contournent l'obstacle.

• Les solutions libres. OpenFOAM pour les écoulements, Code_Aster et Elmer pour la mécanique et le multiphysique couvrent une large part des besoins courants. Le logiciel est gratuit, la compétence ne l'est pas, et c'est là que se situe le vrai coût.
• Le calcul à la demande. Louer quelques heures de calcul dans le nuage évite d'acheter une machine qui servira trois semaines par an. Certains éditeurs proposent également des licences à la consommation, facturées au temps de calcul plutôt qu'au poste.
• La sous-traitance à un centre technique. Les centres techniques industriels et les plateformes de transfert technologique régionales réalisent des études de simulation pour le compte d'entreprises, souvent avec un cofinancement public. Pour un besoin ponctuel, cette voie revient nettement moins cher que d'internaliser.

Le poste le plus sous-estimé reste la compétence. Un logiciel de simulation produit toujours un résultat, coloré et convaincant, y compris quand le maillage est trop grossier, les conditions aux limites mal posées ou la loi de comportement inadaptée. La différence entre un résultat et une information tient à la personne qui l'interprète, pas au logiciel.

Vérifier et valider, la discipline qui rend un résultat opposable

Les métiers de la simulation distinguent deux opérations que le langage courant confond.

La vérification demande si les équations ont été résolues correctement. Elle relève des mathématiques et du code, et se contrôle en raffinant le maillage jusqu'à ce que le résultat cesse de bouger, ou en confrontant le calcul à un cas dont la solution exacte est connue.

La validation demande si ce sont les bonnes équations. Elle relève de la physique et se contrôle par l'expérience, en comparant la simulation à des mesures réelles sur un cas représentatif.

Un calcul vérifié mais non validé résout parfaitement le mauvais problème. C'est la raison pour laquelle les secteurs réglementés exigent toujours des essais, et pour laquelle une étude de simulation sérieuse s'accompagne d'un dossier de validation, pas seulement d'images.

Simulation numérique et intelligence artificielle : une convergence en cours

L'intelligence artificielle, et plus particulièrement le machine learning, transforme la simulation numérique de deux façons complémentaires.

D'abord, l'IA accélère les simulations. Les méthodes de simulation traditionnelles peuvent prendre des heures ou des jours sur un supercalculateur. Des modèles d'apprentissage automatique (réseaux de neurones, méthodes par substitution) permettent de créer des approximations très rapides ("surrogate models") des simulations complètes, pour explorer des espaces de conception que les méthodes classiques ne pourraient pas couvrir dans les délais impartis.

Ensuite, l'IA améliore les modèles. Les réseaux de neurones physiques (Physics-Informed Neural Networks, PINN) intègrent les lois physiques directement dans leur architecture, permettant des simulations plus précises avec moins de données d'entraînement.