Combien de confiance mérite une simulation ?

Quelle de fiabilité d'un résultat de simulation ? Des variations dans les conditions aux limites, les propriétés des matériaux ou les paramètres de fonctionnement peuvent déjà influencer l'évaluation d'une conception. Les analyses de sensibilité aident à rendre visibles les facteurs d'influence déterminants.

Dipl.-Ing. (TU) Stefan Merkle, Associé gérant de Merkle CAE Solutions GmbH.

Un résultat de simulation de 78 °C avec une température de composant admissible de 80 °C semble évident. Mais ce composant est-il réellement conçu en toute sécurité ? Que se passe-t-il si la puissance dissipée, les propriétés des matériaux, le débit volumique ou le transfert de chaleur varient dans leur gamme réelle ? Plus les modèles virtuels influencent les décisions de développement, plus une question souvent sous-estimée devient cruciale : Quelle est la robustesse réelle du résultat ?

La pertinence se manifeste également dans la normalisation. En février 2026, la NASA a publié avec le NASA-HDBK-7009B un nouveau guide pour les bonnes pratiques de modélisation et de simulation. L'ASME étoffe également ses règlements concernant la Vérification, la Validation et la Quantification de l'Incertitude (VVUQ). Cela reflète un changement fondamental : ce n’est pas le résultat de simulation aussi précis que possible qui détermine la qualité d’un modèle, mais sa crédibilité démontrée pour le cas d’usage prévu.

Une précision de calcul ne garantit pas automatiquement la robustesse

« Le résultat de simulation le plus dangereux n’est pas nécessairement un faux, mais celui qui paraît précis et n’est donc plus remis en question », explique Dipl.-Ing. (TU) Stefan Merkle, associé gérant de Merkle CAE Solutions GmbH. « L’expérience consiste aussi à reconnaître quelles hypothèses dominent un résultat et où une réserve de sécurité apparemment confortable peut soudain devenir critique. »

Dans le cas des modèles multiphysiques, cette question prend une importance supplémentaire. Les incertitudes peuvent se propager à travers plusieurs disciplines physiques : une puissance dissipée différente modifie par exemple le champ de température, ce dernier influence les propriétés des matériaux et la déformation thermique, et donc finalement les contraintes ou déformations.

De 78 °C à une décision fiable

Pour le développeur, cela implique un changement de perspective. Au lieu de simplement calculer une valeur nominale, les paramètres d’entrée pertinents sont systématiquement variés. Les analyses paramétriques et de sensibilité montrent si, par exemple, le débit de liquide de refroidissement, la résistance de contact ou la puissance dissipée influencent significativement le résultat.

De la déclaration « 78 °C », on obtient ainsi une information beaucoup plus précieuse sur le plan technique : dans quelles conditions le concept atteint-il ses limites et quand pas ? Cela peut conduire directement à des décisions : modifier le canal de refroidissement, ajuster la puissance de la pompe, resserrer les tolérances, changer de matériau ou valider délibérément le design existant.

Plus de simulation exige plus de connaissances en ingénierie

La Vérification vérifie si le modèle mathématique est résolu de manière correcte sur le plan numérique. La Validation examine dans quelle mesure il décrit bien l’application réelle. La Quantification de l’Incertitude évalue enfin comment les incertitudes des paramètres d’entrée et du modèle influencent le résultat. Cette distinction devient d’autant plus importante lorsque la simulation complète de tests physiques est de plus en plus intégrée.

Il faut garder à l’esprit : un modèle plus complexe n’est pas automatiquement un meilleur modèle. Surtout dans le cas de simulations multiphysiques couplées, le choix approprié des conditions aux limites, des modèles de matériaux, des méthodes de couplage et des simplifications pertinentes détermine la fiabilité des résultats. Ce qui compte, ce n’est pas la complexité maximale du modèle, mais sa précision et la connaissance de ses limites pour la décision de développement concrète.

Pour les départements de développement, cela conduit à une approche pragmatique : premièrement, définir la décision à prendre avec la simulation. deuxièmement, identifier les incertitudes et influences pertinentes. troisièmement, sécuriser par des essais les paramètres qui dominent réellement le résultat. La simulation et les essais physiques ne sont pas considérés comme des alternatives, mais comme un processus itératif : valider et améliorer le modèle avec des données expérimentales ; le modèle indique à son tour quels essais apportent le plus de connaissances.

Ce contrôle précis entre modèle virtuel et réalité est crucial. Dans la pratique de Merkle CAE, les méthodes de simulation sont donc systématiquement comparées et affinées avec des données expérimentales. Cela permet de transformer un résultat de calcul en une base de décision fiable.

Car en fin de compte, une seule question compte : « Mon modèle est-il validé pour la décision précise que je souhaite prendre ? »