Neige, glace et algorithmes : l’IA au service de la sécurité aérienne

Un article de Valérie Levée, journaliste scientifique

En hiver, si le froid et la neige ne clouent pas les avions au sol, c’est parce qu’ils sont arrosés d’un mélange d’eau et de propylène glycol ou d’éthylène glycol pour les débarrasser de leur givre. La recette du mélange dépend des conditions météorologiques et le LIMA (Laboratoire international des matériaux antigivres) constitue l’une des rares plateformes au monde accréditées pour qualifier les fluides de dégivrage et d'antigivrage. Gélareh Momen est titulaire de la Chaire institutionnelle de recherche en matériaux antigivre innovants (CiMAGI), ancienne directrice du LIMA( 2020-2025) et professeure à l’École de technologie supérieure. Elle vient de publier dans la revue Aerospace Science and Technology une étude montrant comment l’apprentissage automatique peut aider à prédire l’efficacité de ces fluides.

En vue d’un prochain décollage, un premier fluide orangé est pulvérisé sur les avions. C’est le fluide dégivrage destiné à enlever la neige, la glace et le givre. Dans l’attente du décollage, un deuxième fluide, souvent vert, est envoyé sur l’avion pour créer un film protecteur qui empêche la formation de nouveau givre. L’efficacité de la protection antigivre est limitée dans le temps et on parle de temps d’endurance. Le pilote dispose donc d’une fenêtre de temps restreinte pour décoller. D’un autre côté, par sa nature visqueuse, le fluide antigivre est aussi susceptible de perturber l’aérodynamisme. 

« Le fluide doit s’éliminer efficacement lors de la phase de décollage afin de ne pas altérer les performances aérodynamiques», mentionne Gelareh Momen. 

C’est pourquoi les fluides doivent suivre des normes strictes autant pour le temps d’endurance que pour l’élimination du fluide à la surface de l’avion. Or le temps d’endurance dépend du type de fluide utilisé, du modèle d’avion et des conditions météorologiques comme la température, la nature et l’intensité des précipitations. Il faut donc les tester pour savoir dans quelles situations ils sont efficaces. Or ces tests sont coûteux et il est très difficile de reproduire la multitude de conditions météorologiques possibles. D’où le recours à l’intelligence artificielle.

L’IA fait son entrée au développement des matériaux antigivres 

Gelareh Momen le dit bien, son expertise, c’est le génie chimique, le génie des matériaux et non l’intelligence artificielle. Mais elle a suivi la vague de l’IA et commencé à l’intégrer à sa recherche avec une première étude parue en 2021 dans la revue Chemical engineering journal. Il s’agissait alors de prédire le comportement des gouttes d’eau qui arrivent sur une surface super-hydrophobe. Selon la nature de surface, ces gouttes vont-elles rebondir, s’étaler ou simplement glisser? L’IA permet de modéliser ce genre de phénomènes complexes non linéaires pour améliorer les prédictions. Depuis, Gelareh Momen a continué à explorer le potentiel de l’IA pour ses projets de recherche et appliquer l’IA à la prédiction du temps d’endurance des fluides antigivres s’inscrivait dans la continuité.

Des données pour entraîner l’IA

Pour entraîner un algorithme, il faut lui fournir des données et l’équipe de Gelareh Momen s’est attelée à tester des fluides antigivres conformément à la norme ARP5485B de la Society Automotive Engineering (SAE). Il s’agit d’une plaque d’aluminium inclinée avec un angle de 10 degrés pour simuler une aile d’avion. Un tel dispositif a été utilisé pour tester le temps d’endurance des fluides à l’intérieur en conditions contrôlées avec la machine à neige du LIMA et à l’extérieur en conditions de chutes de neige naturelle. L’équipe de recherche a utilisé ces données pour entraîner trois algorithmes d’apprentissage automatique et les comparer pour leur capacité à prédire le temps d’endurance des fluides en fonction des conditions de température et de neige. Les résultats ont montré que les modèles d’ensemble, en particulier XGBoost, permettent de capturer efficacement les relations non linéaires complexes entre les variables environnementales et la performance des fluides antigivrage. 

C’est déjà une belle performance, mais pour l’améliorer, il faudrait disposer d’un plus grand nombre de données d’entraînement reflétant mieux la grande variabilité des conditions météorologiques, en particulier les conditions extrêmes. Les tests, en conditions réelles ou artificielles, permettent difficilement de couvrir toute la gamme des conditions météorologiques, mais là encore l’IA peut venir à la rescousse avec un autre type d’algorithme utilisant un modèle génératif pour produire des données synthétiques qui pourront être ajoutées aux données d’entraînement. C’est la prochaine étape.

« L'objectif est de ne pas se limiter aux données expérimentales qui sont trop coûteuses et d’avoir un modèle d’IA qui permette de prédire le temps d’endurance d’un fluide, quelles que soient la température et le taux de précipitations », résume Gelareh Momen.

Recommandations de la chercheuse

• Dans un contexte de défense et de sécurité nationale, il y a besoin d’investissements en recherche pour assurer que les infrastructures soient opérationnelles en climat nordique. C’est vrai pour les avions, mais il faut penser aux éoliennes, aux hélicoptères et aux drones.
•  À l’heure actuelle, les méthodes actives, reposant sur un apport énergétique, sont largement utilisées pour contrôler le givrage des équipements. Toutefois, les approches hybrides, combinant de manière synergique des stratégies passives et actives, apparaissent comme une solution prometteuse. Les méthodes passives, fondées sur le développement de matériaux glaciophobes capables de limiter l’accumulation de neige et de glace, permettent de réduire les besoins énergétiques, tandis que les systèmes actifs assurent un contrôle ciblé lorsque nécessaire. Ainsi, cette combinaison optimise la performance globale des systèmes tout en diminuant significativement la consommation d’énergie et l’empreinte carbone des infrastructures opérant en conditions nordiques. L’intelligence artificielle est un bon outil pour faire de l’optimisation, mais il faut pouvoir valider les résultats.

Affiliations

Institut nordique du Québec

Centre québécois des matériaux fonctionnels

Centre de recherche sur les systèmes polymères et composites à haute performance

Pour aller plus loin

Cardona, A., Nakouri, H., Jean-Denis Brassard, J.-D., & Momen, G. (2026).
Machine learning prediction of aircraft anti-icing fluid endurance: A comparative study using natural and artificial snow data. Aerospace Science and Technology, 176, Part A, 112103. https://doi.org/10.1016/j.ast.2026.112103

Keshavarzi, S., Entezari, A., Maghsoudi, K., Momen, G., & Jafari, R. (2022). Ice nucleation on silicone rubber surfaces differing in roughness parameters and wettability: Experimental investigation and machine learning–based predictions.
Cold Regions Science and Technology, 203, 103659. https://doi.org/10.1016/j.coldregions.2022.103659

Azimi Yancheshme, A., Enayati, S., Kashcooli, Y., Jafari, R., Ezzaidi, H., & Momen, G. (2022). Dynamic behavior of impinging drops on water repellent surfaces: Machine learning-assisted approach to predict maximum spreading. Experimental Thermal and Fluid Science , 139, 110743. https://doi.org/10.1016/j.expthermflusci.2022.110743

Keshavarzi, S., Sourati, J., Momen, G., & Jafari, R. (2022).  Temperature-dependent droplet impact dynamics of a water droplet on hydrophobic and superhydrophobic surfaces: An experimental and predictive machine learning–based study,. International Journal of Heat and Mass Transfer, 195, 123190. https://doi.org/10.1016/j.ijheatmasstransfer.2022.123190

Azimi Yancheshme, A., Hassantabar, S., Maghsoudi, K., Keshavarzi,S., & Jafari, R. (2021) Integration of experimental analysis and machine learning to predict drop behavior on superhydrophobic surfaces. Chemical Engineering Journal, 417, 127898. https://doi.org/10.1016/j.cej.2020.127898