Des chercheurs brésiliens ont développé une technique permettant d'estimer la force exercée sur chaque grain de sable d'une dune à partir d'images. Cette méthode, basée sur des simulations numériques et l’intelligence artificielle (IA), transforme l’étude de la dynamique des systèmes granulaires et ouvre la voie à l’investigation de processus physiques auparavant non mesurables. Les applications vont du génie civil à l’exploration spatiale.
Les résultats sont publiés dans la revue Lettres de recherche géophysique.
La recherche s'est concentrée sur les « dunes de barchanes », qui sont des structures en forme de croissant dont les pointes sont orientées dans la direction du vent ou de l'écoulement de l'eau.
« Ces dunes apparaissent dans des environnements très différents : à l'intérieur des tuyaux, au fond des rivières et des mers, dans les déserts terrestres, et même à la surface d'autres planètes, comme Mars. Cette forme de croissant de lune est un attracteur. Il suffit donc d'une quantité raisonnable de grains sur un sol non érodable et d'un fluide circulant dans une direction pour qu'une barchane se forme », explique Erick Franklin, professeur à la Faculté de génie mécanique de l'Université d'État. de Campinas (FEM-UNICAMP) et coordinateur de l'étude.
Les échelles concernées varient énormément. Dans un environnement aquatique de laboratoire, ils peuvent mesurer seulement 10 centimètres et effectuer un déplacement en moins d’une minute. Dans les déserts terrestres, ils mesurent environ 100 mètres et se déplacent au cours d'une année. Sur Mars, ils peuvent atteindre un kilomètre et mettre environ mille ans pour se déplacer.
« Malgré cette différence d'échelle, les dynamiques sous-jacentes sont très similaires », souligne Franklin.
C’est ce qui permet de prédire l’évolution de la surface de Mars depuis une petite dune de laboratoire.
La simple observation de la forme et du mouvement d’une dune permet de déduire des informations sur la direction et l’intensité moyenne des vents. Cependant, connaître la force exercée sur chaque grain de sable a toujours été considéré comme une tâche impossible. Il est facile de comprendre pourquoi.
« Une dune sous-marine de laboratoire peut contenir 100 000 grains, chacun de 0,2 millimètre de diamètre. Pour mesurer la force agissant sur chaque grain, il faudrait placer un petit accéléromètre sur chacun, ce qui n'existe tout simplement pas. Dans les dunes désertiques terrestres, le nombre de grains augmente jusqu'à 10¹⁵ (1 quadrillion) et dans les dunes martiennes, à 10¹⁷ (100 quadrillions) », explique le chercheur. chercheur.
Même avec des caméras à grande vitesse et des techniques avancées de mesure du mouvement, la force agissant sur chaque grain a toujours été hors de portée expérimentale. La solution a été de combiner des expériences en laboratoire sur des dunes sous-marines, qui se forment et se déplacent en quelques minutes, avec des simulations numériques, qui permettent de calculer à chaque instant la dynamique (forces et mouvements) de chaque grain.
Ces simulations ont des résolutions spatiales et temporelles élevées et reproduisent fidèlement les dunes observées. Ils fournissent également des cartes de forces qui ne peuvent être obtenues directement à grande échelle.
L'étude a associé des images réelles de la surface des dunes aux cartes de forces produites par les simulations, fournissant des données sur chaque grain sous la forme d'une image et d'une mesure de force.
« Sur cette base, nous avons formé un réseau neuronal convolutif pour estimer les forces résultantes agissant sur les grains réels des dunes », rapporte Renato Miotto, chercheur postdoctoral au FEM-UNICAMP et chercheur invité à l'Université de Syracuse aux États-Unis.
Un réseau de neurones convolutifs (CNN) est un modèle d'intelligence artificielle conçu pour traiter des données structurées spatialement, telles que des images. Les CNN utilisent des couches de convolution, qui appliquent des filtres à de petites régions de l'entrée pour détecter des modèles locaux (par exemple, les bords, les textures et les formes) et générer des cartes de caractéristiques. Avec plusieurs couches, un CNN peut combiner des modèles simples en structures complexes, lui permettant de reconnaître des objets, de classer des images ou d'extraire des informations automatiquement et efficacement.
Les CNN sont largement utilisés dans la vision par ordinateur, la reconnaissance faciale, l'analyse médicale et d'autres tâches de détection et de classification.
« Dans cette étude, le réseau a pu déduire la répartition des forces à partir de simples images de dunes et même généraliser ses prédictions à des formes qu'il n'avait jamais vues auparavant », souligne Miotto.
William Wolf, professeur au FEM-UNICAMP et co-auteur de l'étude, souligne qu'un soin particulier a été nécessaire lors de la préparation des données pour le processus.
« Nous avons utilisé des simulations tridimensionnelles de haute fidélité, ce qui nous a permis d'obtenir une haute résolution des échelles spatiales et temporelles, nous donnant un niveau de détail très proche de la réalité. De cette manière, des détails sur la dynamique et la morphologie des dunes ont été appris par CNN, et ce sont des paramètres essentiels pour que le réseau puisse généraliser aux images expérimentales. »
Applications
Miotto ajoute que la méthodologie ne se limite pas au sable : « Tout système granulaire visible sur une image, qu'il s'agisse de glace, de sel ou de particules synthétiques, peut être analysé à condition qu'il existe une simulation capable de reproduire avec précision le comportement du matériau. »
Selon les chercheurs, la technique peut être adaptée pour étudier d'autres systèmes formés par des particules en mouvement et résoudre des problèmes spécifiques tels que l'envasement des rivières, l'érosion des plages, le mouvement du sable dans les ports et le ruissellement industriel.
« Ces processus ont des coûts économiques énormes et affectent des communautés entières. Des outils comme celui-ci peuvent aider à prévoir et à atténuer les dommages. Dans le cas de Mars, il est possible de déduire, à partir d'images largement disponibles, l'intensité des vents dans le passé et l'évolution des dunes dans le futur », souligne Franklin.
Wolf souligne la nature collaborative de l'étude : « Nous travaillons ensemble depuis des années, combinant notre expertise en physique des écoulements, en mécanique des fluides et en analyse informatique. C'est un exemple de la manière dont un soutien continu à la recherche fondamentale peut générer des avancées avec des impacts dans plusieurs domaines. »
