Simulation de fluxOPTIFLUX SAS

Machine learning appliqué à la simulation

Mis à jour le Également : Apprentissage automatique, Métamodèle, Surrogate model3 sources citées

Le machine learning appliqué à la simulation consiste à entraîner un modèle d’apprentissage — réseau de neurones, forêt aléatoire, XGBoost ou processus gaussien — sur les sorties d’un simulateur, afin de prédire ces résultats sans relancer la simulation. L’objectif est double : explorer beaucoup plus de scénarios en un temps réduit, et interpréter ce qui pilote les indicateurs de sortie.

La démarche suit un cycle : on échantillonne l’espace des paramètres par un plan d’expériences, on exécute la simulation sur cet échantillon, puis on entraîne le modèle sur les entrées-sorties collectées. Les gains peuvent être spectaculaires : sur un modèle de flux de batteries à événements discrets, chaque run durait environ dix minutes et le métamodèle l’a ramené à une fraction de seconde, avec un R² de 0,69 pour XGBoost en prédiction globale. L’exploration d’un grand espace de scénarios passe alors de plusieurs heures à quelques secondes.

Le modèle d’approximation n’est pas une copie du simulateur : son erreur doit être contrôlée sur des points non vus, et il reste moins fiable sur les sorties rares ou très variables. Il complète la simulation plutôt qu’il ne la remplace — la vérification et validation de l’un et de l’autre restent distinctes. Combiné à une analyse de sensibilité, il aide à classer les paramètres qui pèsent, et il est un des moteurs d’un jumeau numérique.

Usages

Usage Méthode Bénéfice
Prédire Modèle entraîné sur les sorties du simulateur Scénarios explorés en quelques secondes
Expliquer Importance des variables, explications de modèle Paramètres pilotes identifiés
Décider Apprentissage actif alimenté par les indicateurs simulés Politiques ajustées en continu

Le modèle doit être nourri par une simulation à événements discrets fidèlement construite : les données d’apprentissage héritent de ses approximations comme de sa variabilité.

Termes liés

  • Analyse de sensibilité — Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.
  • Simulation à événements discrets — Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.
  • Jumeau numérique — Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.
  • Vérification et validation — Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
  • Variabilité — Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.

Citer cette page

Simulation de flux — OPTIFLUX SAS. « Machine learning appliqué à la simulation ». Glossaire, mis à jour le 4 novembre 2026. https://www.simulation-de-flux.com/glossaire/machine-learning-simulation/

Sources