Innovation aérospatiale : accélérer la conception de carburants plus écologiques et plus sûrs grâce à l’IA

Dans le cadre de la lutte contre le changement climatique, il est essentiel de mettre au point des carburants plus écologiques à base d’hydrogène et d’ammoniac, car ils n’émettent pas de carbone. Contribuant à cet effort, l’intelligence artificielle (IA) permet de concevoir des mélanges de carburants plus sûrs pour les fusées et les moteurs à réaction, ce qui pourrait réduire considérablement l’empreinte carbone de l’industrie aérospatiale. Des chercheurs de l’École de génie et d’informatique Gina-Cody de l’Université Concordia sont à l’avant-garde de cette initiative, misant sur l’IA pour améliorer la sécurité et l’efficacité des carburants.

Dans une récente étude parue dans Energies, Georgios Bakalis et Hoi Dick Ng, du Département de génie mécanique, industriel et aérospatial, ont eu recours à des réseaux neuronaux artificiels pour prédire le comportement de mélanges de carburants explosifs. Leur recherche se concentre notamment sur la « taille des cellules » des détonations, qui s’avère un facteur crucial pour comprendre la sensibilité et le comportement d’une onde de détonation. Comme les cellules de tailles moindres indiquent généralement une plus grande sensibilité et des risques accrus, il importe de prédire avec précision ces tailles, tant pour la sécurité que pour la conception.

Les réseaux neuronaux artificiels – des formes d’IA inspirées du cerveau humain – sont capables d’apprendre à partir de données pour faire des prédictions. À l’aide d’un modèle de réseaux préalablement mis au point, Georgios Bakalis et P^r Ng ont prédit la taille des cellules de divers mélanges de carburants, dont l’hydrogène, le biogaz et l’ammoniac. Ces carburants ont été ciblés en raison de leur potentiel en tant que solutions de remplacement durables.

Initialement formé à partir de données provenant d’expériences antérieures et de calculs chimiques, le modèle s’est révélé capable de prédire la taille des cellules pour de nouveaux mélanges qui ne figuraient pas dans l’ensemble de formation de départ, ce qui démontre à la fois sa polyvalence et sa robustesse. Les résultats du modèle de réseaux neuronaux artificiels sont étroitement alignés sur les données expérimentales réelles d’un éventail varié de mélanges de carburants. En outre, l’intégration de nouvelles données expérimentales dans le modèle a permis d’améliorer sa précision, renforçant son utilité pour la recherche et le développement futurs.

Apprenez-en davantage sur le Département de génie mécanique, industriel et aérospatial de l’École de génie et d’informatique Gina-Cody.