Un nouvel outil alimenté par l'intelligence artificielle, développé par des chercheurs de l'Université de Houston et du Laboratoire des sciences moléculaires environnementales (EMSL), peut prédire la manière dont les fluides et les chimiques dissous se déplacent à travers les roches et d'autres matériaux poreux souterrains. Cette méthode combine l'intelligence artificielle avec des lois physiques et chimiques établies pour offrir des prédictions plus rapides et plus fiables. Les résultats de l'équipe ont récemment été publiés dans le journal Transport in Porous Media. La modélisation des environnements souterrains est particulièrement complexe, car les fluides et les chimiques voyagent à travers des réseaux complexes de pores et de fractures, et les chercheurs disposent souvent d'informations limitées sur ce qui se passe sous terre. L'équipe EMSL-Université de Houston utilise un type d'IA appelé réseau de neurones informé par la physique (PINN). Contrairement à l'apprentissage automatique traditionnel, qui repose principalement sur les données, les PINN sont entraînés à la fois à l'aide de données et des principes scientifiques qui régissent le mouvement des fluides et des réactions chimiques sous terre. Alors que le modèle apprend, ses prédictions sont constamment vérifiées contre ces lois. Si une prédiction viole les règles de la physique ou de la chimie, le modèle ajuste ses calculs pour s'aligner à la fois sur les données et sur la science sous-jacente. Un aspect crucial de cette approche est de s'assurer que les résultats du modèle correspondent aux principes scientifiques de base. Par exemple, si un modèle prédit la quantité d'un minéral ou d'un chimique dans une formation rocheuse, cette valeur ne devrait jamais être négative. Cependant, de petites erreurs computationnelles peuvent parfois mener à des résultats irréalistes, surtout lorsqu'on traite de minéraux qui existent en très petites quantités et qui sont difficiles à détecter. Le cadre de l'équipe a été conçu pour maintenir les prédictions dans des limites réalistes tout en respectant les lois physiques et chimiques qui définissent le système. Cette nouvelle technique de modélisation a des applications potentielles dans plusieurs domaines liés à la récupération des minéraux critiques, tels que l'exploitation in situ, la biomining, le ruissellement acide des mines, et la récupération à partir des tas de déchets ou des eaux produites. Dans ces scénarios, comprendre comment les fluides devraient être injectés, combien de temps ils devraient traverser les matériaux, et quelles conditions pourraient maximiser la récupération des minéraux est essentiel. En préditant comment les fluides, les minéraux dissous et les réactions chimiques interagissent sous terre, le cadre peut aider les chercheurs à tester des stratégies d'injection et de récupération de fluides virtuellement avant de les appliquer sur le terrain, réduisant potentiellement les coûts et améliorant les rendements minéraux. Le cadre de l'équipe représente une étape importante dans le développement d'outils d'apprentissage automatique informés par la physique pour la récupération des minéraux critiques. Jusqu'à présent, le cadre a été testé sur des problèmes simplifiés qui capturent les processus clés impliqués dans la récupération des minéraux. Les versions futures pourraient intégrer des chimies plus complexes, des processus biologiques ou microbiologiques, pour créer des modèles plus réalistes des systèmes souterrains. Cette recherche s'inscrit dans les efforts plus larges de l'EMSL pour intégrer modélisation, expériences et données. À travers les campagnes de science communautaire de l'EMSL, les chercheurs explorent de nouvelles méthodes qui utilisent des plateformes expérimentales telles que les puces de laboratoire, les données d'imagerie et les matériaux poreux pour mieux comprendre la manière dont les minéraux se déplacent et réagissent. Ces expériences aident à valider les modèles, tandis que les modèles peuvent guider les expériences futures. L'objectif à long terme est de développer des jumeaux numériques alimentés par l'IA pour les opérations de récupération des minéraux critiques et de lessivage. Un jumeau numérique est un modèle informatique qui se met à jour avec de nouvelles données, créant un boucle de retour entre les expériences, les observations de terrain et les prédictions. Bien que cette étude soit une étape précoce dans cette direction, elle fournit une base pour des outils adaptatifs qui pourraient un jour aider à guider la récupération des minéraux en temps réel.