Lorsque vous installez un parc éolien de 100 millions de dollars sur 98 000 acres de terrains variés, vous voulez savoir certaines choses. Vous voulez savoir que vous optimisez l’emplacement de vos turbines de plusieurs millions de dollars. Vous voulez savoir que les turbines que vous achetez peuvent supporter les rafales de vent les plus violentes qu’elles rencontreront jamais sans se briser de façon spectaculaire comme dans la vidéo virale d’un YouTuber grande gueule. Et vous voulez tester les cas d’utilisation et les changements potentiels dans le logiciel, qui est bon marché et modifiable, plutôt que dans le matériel, qui est coûteux et notoirement difficile à modifier.
C’est la raison pour laquelle Siemens Gamesa, la société mondiale d’énergie renouvelable, travaille avec NVIDIA pour générer des jumeaux numériques de ses turbines alimentés par l’IA.
Ce que nous voulons faire en nous déplaçant dans l’espace des jumeaux numériques, c’est d’avoir un modèle numérique précis de l’ensemble du parc éolien où nous pouvons jouer des scénarios », m’a dit Greg Oxley, un scientifique de données principal chez Siemens, dans un récent podcast TechFirst. « Il pourrait s’agir … d’événements météorologiques entrants et nous voulons voir comment exploiter de manière optimale ce parc éolien alors que nous passons par ce type d’événements. Nous pourrions tester de nouvelles stratégies de contrôle ou quelque chose que nous voulons regarder en nous déplaçant vers l’avenir et nous voulons voir comment le parc éolien se comportera sous ces nouveaux paradigmes de contrôle. »
Siemens possède des milliers de turbines à travers le monde qui, ensemble, produisent plus de 100 gigawatts d’énergie éolienne, suffisamment, selon l’entreprise, pour alimenter 87 millions de foyers chaque année. C’est suffisant pour vouloir optimiser leur fonctionnement, et les protéger en cas de tempête.
Les arrêter en cas de vent trop fort n’est pas une mesure à prendre à la légère – cela réduit la production d’électricité – mais c’est également essentiel pour protéger des infrastructures coûteuses. Pour cela, il faut faire face aux « inconnues », dit M. Oxley, et il est essentiel de bien faire les choses.
« Nous essayons toujours d’atténuer ce que nous ne savons pas et de mettre en place les tampons appropriés… mais cela nous place dans une situation non idéale », dit-il. « Nous préférons clarifier cela et comprendre au mieux les inconnues, et arriver à la véritable optimisation au lieu de simplement ajouter des tampons par-dessus tout. »
En d’autres termes, l’ajout d’une marge de sécurité est à la fois bon et mauvais. Elle est bonne lorsqu’elle permet d’économiser de l’argent en évitant de détruire les turbines, mais elle est mauvaise lorsqu’elle entraîne des arrêts inutiles qui coûtent cher. Les jumeaux numériques aident Siemens à mieux comprendre ses équipements, leurs capacités et leurs limites, et fournissent à l’entreprise les données et les modèles dont elle a besoin pour réagir de manière optimale et productive.
Cela devient de plus en plus facile à faire, déclare Dion Harris, chef de produit chez NVIDIA. Selon la société, les dernières puces et les cadres d’IA de NVIDIA accélèrent la modélisation de la simulation jusqu’à 4 000 fois plus vite que les méthodes traditionnelles.
« Nous n’utilisions que 22 nœuds accélérés par le GPU et nous avons pu fournir les performances d’environ … 984 000 nœuds sur un système spécifique », m’a dit Harris. « Il s’agit vraiment de savoir comment simuler ces environnements massivement complexes, mais d’une manière très efficace possible. Parce que si l’argent n’était pas un problème, si la puissance n’était pas un problème, vous pouvez simplement jeter des processeurs dessus toute la journée et vous pouvez y arriver…. L’IA nous donne des outils pour modéliser ces systèmes très complexes de manière très efficace, tant en termes de temps que d’efficacité énergétique. »
NVIDIA aide à construire des jumeaux numériques des parcs éoliens de Siemens en utilisant NVIDIA Omniverse, une technologie de conception 3D pour « connecter et créer des mondes numériques », et NVIDIA Modulus, un « cadre de réseau neuronal qui associe la puissance de la physique sous la forme d’équations différentielles partielles avec des données pour construire des modèles de substitution paramétrés de haute fidélité avec une latence en temps quasi réel ».
Traduction : utiliser l’IA pour modéliser le monde réel à haute résolution et le rendre disponible non seulement sous forme de tableaux de données dans un tableur, mais aussi sous forme d’expérience visuelle et explorable.
Quel est le résultat de cette gamification high-tech des systèmes d’énergie renouvelable ? Moins d’inconnues connues, et moins d’inconnues inconnues.
« Ce que cela nous permet de faire, c’est de nous débarrasser de l’inconnu », explique M. Oxley.
Dans la limite du raisonnable, bien sûr. Comme toujours, lorsqu’il s’agit de modéliser la réalité physique à grande échelle, la question est de savoir comment s’assurer que votre modèle est à la fois fidèle aux systèmes du monde réel existant dans toute leur complexité quasi infinie, et prédictif des événements futurs.
Ce qui revient essentiellement, selon M. Oxley, à mettre des bottes sur le terrain. Plus le réglage incessant des boutons et des cadrans de l’intelligence artificielle.
« Nous effectuons en permanence des analyses comparatives dans les deux sens et de manière active », explique-t-il. « Ainsi, dans un modèle basé sur la physique, vous êtes toujours en train de tourner les boutons dont vous avez besoin pour obtenir une large gamme de résultats [avec] le moins d’erreurs possible par rapport à ce qui se passe réellement sur le terrain. C’est la même chose avec les modèles d’apprentissage automatique, vous vous entraînez constamment, ils s’améliorent constamment. Vous avez donc besoin de ce retour d’information sur les performances réelles sur le terrain, la « réalité » de ce qui se passe, pour alimenter vos prédictions initiales et les ajuster en permanence. »
