Relatore
Descrizione
Nel settore automotive, le ruote dei veicoli rivestono un ruolo cruciale nella sicurezza complessiva del mezzo. Un malfunzionamento o una progettazione inadeguata possono compromettere non solo la stabilità e la manovrabilità del veicolo, ma anche mettere in serio pericolo l'incolumità degli occupanti, con conseguenze potenzialmente anche gravi.
Un elemento centrale nella progettazione di una ruota è la sua resistenza a fatica, ovvero la capacità di sopportare carichi ciclici ripetuti senza subire danni. Garantire una resistenza a fatica adeguata è essenziale per assicurare che la ruota possa mantenere il suo livello di sicurezza per tutta la durata del veicolo, senza compromettere la performance.
Tuttavia, la progettazione di una ruota non è limitata solo alla sicurezza: le case automobilistiche impongono, infatti, tutta una serie di requisiti aggiuntivi che devono essere soddisfatti, come la riduzione del peso, la manovrabilità del veicolo, la compatibilità con i sistemi frenanti, le coppe e le valvole, il design estetico e, non meno importante, l’impatto ambientale, come ad esempio la riduzione delle emissioni di CO2 in tutte le fasi di vita del prodotto.
La progettazione di una ruota diventa quindi un delicato processo di ottimizzazione, dove diversi fattori devono essere bilanciati tra loro. Spesso, questo processo richiede numerose iterazioni (normalmente più di 50) prima di arrivare alla soluzione ottimale. Ogni iterazione viene solitamente supportata da calcoli strutturali avanzati basati su metodi agli elementi finiti (FEM), e l’intero processo di ottimizzazione può richiedere diverse settimane.
L’obiettivo di questo lavoro è accelerare questo processo, riducendo drasticamente i tempi di sviluppo e garantendo soluzioni ottimali in pochi minuti, grazie all’impiego delle tecnologie di Deep Learning. La metodologia proposta per ottimizzare il processo di progettazione delle ruote sfrutta la potenza delle reti neurali e del Deep Learning per ridurre drasticamente i tempi di calcolo, senza compromettere l’accuratezza dei risultati. L’approccio si articola in due fasi principali: l'addestramento e la verifica.
1. Fase di Addestramento:
La prima fase prevede l’addestramento di una rete neurale, alimentata con dati provenienti dai calcoli strutturali FEM. In questa fase, i parametri dimensionali della ruota (le varie quote che definiscono la geometria della ruota) vengono utilizzati come input per la rete neurale. Gli output, invece, sono i risultati ottenuti dai calcoli FEM relativi agli stress, a cui la ruota è sottoposta.
Durante questa fase di addestramento, il modello impara a riconoscere le relazioni complesse tra i parametri geometrici e le risposte meccaniche (stress) della ruota, attraverso l’elaborazione di grandi quantità di dati. Questo processo di apprendimento permette alla rete neurale di acquisire una "comprensione" delle dinamiche strutturali della ruota, che consente di fare previsioni accurate senza dover ripetere le molteplici iterazioni di calcolo FEM.
2. Fase di Verifica:
Una volta addestrata, la rete neurale viene testata e validata attraverso un processo di verifica, dove i risultati predetti dalla rete vengono confrontati con quelli ottenuti tramite metodi FEM tradizionali. I risultati ottenuti dalla rete neurale sono confrontati per verificarne la coerenza e l’affidabilità rispetto ai dati provenienti dai calcoli FEM, con una ottima correlazione tra i due metodi.
Un vantaggio significativo di questa metodologia è che, una volta addestrato, il modello è in grado di generare previsioni in pochi minuti, anziché richiedere settimane per completare iterazioni FEM su decine o centinaia di configurazioni. La rete neurale è in grado di esplorare rapidamente lo spazio di progettazione, generando decine di migliaia di combinazioni di input e di output in tempi estremamente brevi. Questo consente una ricerca molto più efficiente della soluzione ottimale, permettendo al team di progettazione di concentrarsi su aspetti più creativi e innovativi, piuttosto che su iterazioni computazionali ripetitive.
Il lavoro non si limita alla descrizione della metodologia, ma include anche alcuni risultati basati su un'attività esplorativa che evidenziano l'efficacia del modello proposto. In particolare, verrà presentato un esempio pratico in cui la rete neurale è stata utilizzata per esplorare diverse configurazioni geometriche della ruota, ottimizzando simultaneamente le performance strutturali e riducendo i tempi di calcolo.
La velocità e la precisione del Deep Learning, quindi, non solo accelerano il processo di progettazione, ma offrono anche un enorme vantaggio competitivo. La possibilità di esplorare rapidamente diverse configurazioni e di ottenere soluzioni ottimali con una frequenza molto più alta rispetto ai metodi tradizionali consente di rispondere in modo più agile alle necessità del mercato e di ridurre il time-to-market del prodotto finale.
