Q. On passe donc à la seconde étape ? R. Oui, c'est celle sur laquelle je travaille en ce moment. La synthèse de modèles multiphysiques par des méthodes de deep learning. Ou plutôt geometric deep learning car l'apprentissage du modèle permet à l'ordinateur de nous fournir des graphes de liaisons. Ces graphes sont analogues à des bilans de puissance, chaque composant (dissipateur ou élément de stockage) échange des variables d'effort et de flux avec ses voisins. Des « transformateurs » permettent de basculer d'un domaine énergétique à un autre, d'une puissance mécanique vers une puissance thermique par exemple. Du point de vue numérique les composants sont des nœuds de données reliés par des liens de causalité. C'est ainsi qu'on représente l'usine énergétique avec des blocs et des flèches. On ne postule pas de technologie. Le deep learning aide à construire ce système, à connecter les capteurs entre eux. Et voilà, on a notre jumeau numérique de l'usine ! Modèle de traitement du signal Q. Et la dernière étape ? R. La troisième partie de notre travail sera la validation du principe. Le « proof of concept » en anglais. Cela va consister à déployer notre jumeau numérique dans un cas réel. Des expériences devront être conduites en usine afin de montrer que notre modèle est applicable et transférable. 26 Si c'est bien le cas, on pourra optimiser la performance énergétique d'une usine en changeant l'ordonnancement des machines, en organisant des maintenances prédictives ou en formant le personnel à certaines actions par exemple. On pourra même être alerté en cas de déficience du système.