Approche par neurolattice pour la prédiction des angles de talus naturel des matières divisées

La modélisation du comportement des matériaux granulaires est délicate par les approches classiques, car ceux-ci se comportent selon des caractéristiques hybrides entre les fluides et les solides. Cette complexité permet d’envisager une modélisation combinant des automates cellulaires et des réseaux de neurones profonds. Cette approche permet de préentrainer des réseaux de neurones avec des données artificielles plus facile et moins coûteuses à obtenir que des données réelles, dans l’optique de pouvoir réduire le temps d’apprentissage et la quantité de données réelles nécessaires à l’ajustement fin du modèle. Nous avons évalué cette approche neurolattice sur la prédiction des angles de talus naturels qui représente un problème important dans les industries manipulant des solides pulvérulents (géologie, agroalimentaire, pharmacie, cosmétique…). Un automate cellulaire implanté dans une classe openAI GYM a servi de base d’apprentissage à un réseau de neurones LSTM (Long Short Term Memory) pour relier la distribution granulométrique à un angle de talus après écoulement. Le réseaux de neurones obtenu prédit les angles de talus naturel avec une précision de plus de 98%