Les sciences de l’ingénieur ont acquis une maturité prouvée en matière de modélisation, simulation et essais, les trois grands piliers de l’ingénierie, qui ont permis un développement technologique sans précédent dans tous les domaines : spatial, transports, énergie, machines, infrastructures civiles et industrielles, industrie, … 

Les modèles existants, héritage de fructueux siècles de science, validés et calibrés, se sont montrés précis et robustes, l’incertitude a été maîtrisée, les modèles vérifiés et validés, et les exploits technologiques accomplis en sont la preuve.

Les modèles ont « grandi » accompagnés par des techniques expérimentales de plus en plus avancées et performantes, permettant d’accéder à des échelles de plus en plus fines, de façon de plus en plus précise, pour observer, mesurer, interagir, … Les modèles ont profité également des avancées des techniques mathématiques de résolution, chaque fois plus précises et plus rapides, capables de résoudre des problèmes d’une taille sans précédent quand associés à des plateformes de calcul haute performance. Il a donc été possible de concevoir, optimiser, diagnostiquer, pronostiquer et prescrire (le métier de l’ingénieur !).

Le XXIe siècle est arrivé avec des défis revisités : le rêve ou le besoin de traiter des systèmes de plus en plus larges et/ou de façon de plus en plus fine, souvent incertains, presque toujours complexes, … et de ne pas seulement se contenter de concevoir, mais aussi accompagner les objets de l’ingénierie pendant leur vie (la facilité d’accéder à la donnée, de la transmettre, la stocker, la manipuler, … ont facilité et rendu possible cette tâche). Plus que jamais on s’attaque à des systèmes et comportements de plus en plus riches, où on souhaite décrire avec précision et prédire avec efficacité, … bref : faire vite et bien (le contrat de l’ingénieur !)

Dans ce cadre, les premières questions qu’il faut se poser sont :

• Quelles sont les limites ou difficultés auxquelles nous sommes confrontés ?

Ou encore :

• Existe-t-il un cadre nous permettant avec efficacité et pragmatisme d’ouvrir la possibilité de comprendre et d’expliquer (la source de connaissance), en mobilisant moyens et ressources adaptés ?  

Pour ensuite :

• Recenser les techniques existantes, s’accorder sur leur emploi, leurs domaines d’application, leurs limites, leurs pours et leurs contres, les opportunités qu’elles offrent, …

Pour enfin :

• Intégrer et démontrer, vérifier et valider avant de déployer.

Motivation

Revenant sur la première question ci-dessus, on constate :

• Dans différents cadres, les modèles existants ont une précision limitée pour de multiples raisons, pratiques et/ou épistémiques. La réalité est parfois plus riche que la première modélisation qui lui est associée, et de nombreux travaux (parfois pendant de longues années) sont nécessaires pour parvenir au degré de précision souhaité. C’est ainsi que la science s’est développée. Rien n’a changé dans l’absolu, sauf peut-être notre impatience pour aller vite, très vite, de plus en plus vite … impatience qui se marie mal avec les exigences habituelles d’accès à la connaissance, et plus encore de sa création. 
• Le diagnostic (où l’analyse porte sur l’identification des causes) semble souvent pouvoir se faire exclusivement avec la donnée : les symptômes suffisent pour établir le diagnostic, … en revanche le traitement à prescrire par rapport aux conséquences nécessite des connaissances plus approfondies (pronostic). 
• Parfois les modèles existent mais sont difficiles à résoudre avec la rapidité et précision souhaitée pour pouvoir les inclure dans des boucles d’optimisation, d’analyse inverse, de contrôle, … Les techniques de réduction de modèles (traitées pendant les 8 années d’activité du GdR 3587 AMORE, 2014-2021) sont venues en aide, mais pour atteindre des temps de réponse extrêmement courts leur précision doit parfois être sacrifiée, et en conséquence on fera vite, mais pas (suffisamment) bien ! 

Le GdR I-GAIA adressera ces trois scenarios avec comme principal but d’améliorer la précision et l’efficacité des modèles issus de l’ingénierie, principalement dans les domaines qui seront précisés ultérieurement.