Prédiction par apprentissage machine de la vitesse de propagation de la zone normale d'un ruban supraconducteur à haute température critique

Les fils (rubans) supraconducteurs à haute température critique sont des dispositifs prometteurs pour la conception de dispositif comme des moteurs à haut rendement, des limiteurs de courant de court-circuit et des génératrices d’éoliennes compactes. Les procédés de fabrication actuels font que certaines propriétés comme le courant critique peuvent varier de ±20% le long du ruban. En injectant un courant supérieur au courant critique, le ruban devient non-supraconducteur, ou "normal", et risque d’être détruit si la chaleur générée localement est trop grande. Il est donc nécessaire que cette zone normale se propage rapidement pour uniformiser la génération de chaleur. La dynamique de la propagation de la zone normale dans un ruban supraconducteur est un procédé hautement non-linéaire et difficile à simuler numériquement. Ce mémoire tente d’appliquer des outils d’apprentissage machine pour déterminer l’impact des paramètres géométriques et des propriétés de matériaux de rubans supraconducteurs sur la vitesse de propagation de la zone normale (NZPV) dans le but d’obtenir un outil de conception pour ceux-ci. L’objectif de ce projet est d’entraîner un modèle avec un minimum de données en obtenant une erreur aussi faible que possible sur la prédiction de la NZPV. Afin d’y parvenir, il est nécessaire de choisir quelles données ont le plus de valeur à être ajoutées au jeu de données d’entraînement afin d’améliorer la qualité et la robustesse du modèle. Pour minimiser le nombre de simulations nécessaire pour produire un jeu de données, une méthodologie d’apprentissage actif par requête de comité a été implémentée. Les deux objectifs du mémoire sont de développer une méthodologie pour construire un jeu de données fournissant suffisamment d’information pour entraîner un modèle de régression avec une erreur de prédiction donnée et de trouver quel modèle de régression est le plus adapté pour prédire la vitesse de propagation de la zone normale d’un ruban supraconducteur. La recherche faite dans ce mémoire se concentre sur les méthodes d’intelligence artificielle telles que l’apprentissage actif et les ensembles de modèles. La méthodologie a été développée sur un jeu de données généré à partir du modèle analytique de la vitesse de propagation de la zone normale créé par Lawrence Dresner. La méthodologie a été testée sur des données générées par simulation par éléments finis. La première architecture de ruban est une architecture ressemblant aux rubans commerciaux de la compagnie SuperPower Inc. La génération d’un modèle permettant de prédire la NZPV sur ce type de ruban a nécessité 40 données. Le jeu de données initial contenait 25 données et il a fallu 3 itérations d’apprentissage actif où 5 données ont été ajoutées à chaque itération pour atteindre une RMSE de 1.89 cm/s sur le jeu de données test. La deuxième architecture étudiée est l’architecture CFD hybride développée par Polytechnique Montréal. Le jeu de données initiales pour ce problème contenait 27 données. L’ensemble de modèles a atteint une RMSE de 5.63 cm/s après une itération et 32 données d’entraînement. Le travail fait dans ce projet de maîtrise montre qu’il est possible de construire des jeux de données avec un petit nombre de données tout en prédisant la NZPV avec une RMSE satisfaisante.