Test de chute : valider la simulation par l’essai, accélérer avec l’IA

Test de chute : valider par l'essai, accélérer avec l'IA. Smartphone en chute avec un champ de déformation coloré à l'écran, logo SoftPower.

Domaine

Test de chute, tenue aux chocs

La chute d’un produit électronique est un phénomène très rapide, violent et fortement non linéaire. Pour le maîtriser, les bureaux d’études s’appuient sur des essais physiques, coûteux, et sur des simulations, souvent menées en parallèle sans réel lien entre elles.

Comment relier les deux, puis explorer plus de designs sans multiplier les calculs ? SoftPower et EikoSim ont étudié le cas de la chute d’un smartphone, en trois étapes : confronter le modèle Simcenter Radioss à l’essai avec EikoTwin DIC, faire varier l’angle d’impact, puis entraîner Simcenter PhysicsAI à repérer les cas les plus contraignants.

La démarche en trois étapes, de l’essai au cas critique.
La démarche en trois étapes, de l’essai au cas critique.

Pourquoi le test de chute reste un défi

Dans l’électronique grand public, l’aérospatiale, la défense ou l’automobile, la maîtrise de ces chocs est critique. Deux approches coexistent, chacune avec ses limites :

  • Les essais physiques: refaire une campagne à chaque modification de conception coûte cher et retarde le développement.
  • La simulation par éléments finis: elle permet d’explorer de nombreux cas de charge, mais repose sur des hypothèses qu’il faut confronter au réel.


L’enjeu est donc de relier l’essai et le modèle, pour décider à partir de données mesurées.

Étape 1 : simuler le choc et le confronter à l’essai

Le modèle. Le cas d’étude est un smartphone, maillé par les équipes SoftPower en éléments coques et solides (mailles quadrangulaires de 3 mm, 3 325 éléments) et composé de trois éléments principaux : le boîtier, la structure interne et l’écran. Simcenter Radioss, le solveur explicite de Siemens pour les phénomènes fortement non linéaires, simule la chute en une dizaine de minutes sur une station Dell Precision à 16 cœurs.

L’essai. La corrélation d’images numériques (DIC, pour Digital Image Correlation) mesure les déplacements et les déformations d’une pièce à partir de prises de vues par caméra. EikoTwin DIC, développé par EikoSim, l’applique directement sur le maillage de simulation : mesures et calculs se comparent dans le même référentiel, sur tout le champ et non en quelques points.

L’essai fournit aussi les conditions initiales réelles (vitesse d’impact, angle), reprises ensuite dans le modèle Radioss. Les déplacements mesurés et calculés suivent la même évolution :

Déplacements en X et en Y d’un même point au cours du temps : comparaison entre l’essai et la simulation.
Déplacements en X et en Y d’un même point au cours du temps : comparaison entre l’essai et la simulation.

Étape 2 : multiplier les scénarios d’impact

Une fois le modèle confronté à l’essai, il sert de base à une étude paramétrique : une dizaine de simulations Radioss, avec un angle d’impact variant de 10° à 80°. Ces résultats constituent le jeu de données d’entraînement de l’IA.

Étape 3 : repérer le cas critique avec Simcenter PhysicsAI

Simcenter PhysicsAI apprend directement à partir des résultats de simulation, en trois temps : créer les jeux de données, entraîner les modèles, puis prédire et explorer de nouveaux designs.

Les trois temps de Simcenter PhysicsAI.
Les trois temps de Simcenter PhysicsAI.

Dans cette étude :

  • Entraînement : le modèle apprend à prédire le champ de déplacement. La perte d’entraînement chute rapidement puis se stabilise, sur environ 1 500 itérations.
Courbe de perte du modèle pendant l’entraînement (capture du logiciel).
Courbe de perte du modèle pendant l’entraînement (capture du logiciel).
  • Précision: sur le cas non utilisé pour l’entraînement, l’écart avec le solveur est d’environ 9 % sur les valeurs maximales de déplacement.
  • Rapidité: une fois le modèle entraîné (moins d’une heure d’entraînement), un nouveau fichier de calcul (deck) suffit pour prédire le comportement d’un design inédit en une dizaine de secondes, contre une dizaine de minutes avec le solveur.
  • Cas critique: ces prédictions font ressortir le cas le plus contraignant, pour un angle d’impact d’environ 44°. Comme le recommande Siemens, ce cas se vérifie ensuite au solveur avant toute décision de conception.

Une boucle qui s’enrichit

La démarche ne s’arrête pas à un seul modèle. Elle forme un cycle, qui fiabilise le jumeau numérique à chaque tour :

  • Données: collecter et structurer les résultats des simulations Radioss et des essais corrélés.
  • Entraînement: entraîner les modèles d’apprentissage automatique dans Simcenter PhysicsAI.
  • Vérification: évaluer la précision des prédictions par rapport aux références.


Réajustement
 : itérer et régler le modèle pour conserver sa fiabilité.

EikoTwin : accessible avec vos Altair Units

EikoTwin DIC et EikoTwin Lite, qui compare les mesures de capteurs aux résultats de simulation, font partie de l’Advanced Partner Alliance de Siemens. Ils sont distribués via le système de licences Altair Units : un même pool de licences donne accès à plusieurs outils d’ingénierie. Si votre entreprise dispose déjà d’un pool d’Altair Units, vous pouvez les lancer avec ces unités, sans licence séparée.

En résumé

Valider le modèle par l’essai, puis s’appuyer sur l’IA pour explorer plus de designs : cette démarche réduit le temps d’exploration tout en gardant le lien avec le réel. Les industriels peuvent ainsi innover plus vite, avec un modèle en lequel ils ont confiance.

Vous souhaitez appliquer cette démarche à vos propres essais et simulations ?
Contactez l’équipe SoftPower, partenaire de Siemens Digital Industries Software.