De nouvelles simulations d'apprentissage automatique réduisent les besoins énergétiques des tissus de masque N95

La production d'un grand nombre de masques N95, qui ont protégé le monde pendant la pandémie de COVID-19, est un processus très énergivore qui exige également une extrême attention aux détails. La production d'un produit de haute qualité (masque N95) implique de filer de minuscules fibres plastiques à haute température, ce qui, pour environ 300 000 tonnes de matériaux soufflés par fusion par an, nécessite environ 245 gigawattheures par an d'énergie. En collaboration avec 3M, le laboratoire national d'Argonne (qui fait partie du département américain de l'énergie) cherche à réduire la consommation d'énergie de ce processus de 20 % en utilisant des simulations et l'apprentissage automatique sur le supercalculateur Theta de l'Argonne Leadership Computing Facility (ALCF) avec le logiciels de dynamique des fluides computationnelle (CFD) OpenFOAM et CONVERGE.

Le processus de fusion-soufflage utilise une filière pour extruder le plastique à des températures élevées. Trouver un moyen de créer des composants en plastique identiques à des températures et des pressions plus basses a motivé la recherche d'apprentissage automatique. En utilisant des simulations et l'apprentissage automatique, les chercheurs d'Argonne peuvent exécuter des centaines, voire des milliers de cas d'utilisation, une amélioration exponentielle par rapport aux travaux antérieurs. Les simulations fournissent des informations clés sur le processus, une méthode pour évaluer une combinaison de paramètres utilisés pour générer des données pour l'algorithme d'apprentissage automatique. Le modèle d'apprentissage automatique peut ensuite être exploité pour finalement converger vers une conception capable de fournir les économies d'énergie requises.