MONDO ACCADEMICO

Alcune considerazioni su sistemi esperti e materiali compositi

Dall'Università di Bologna, la sintesi di una interessante ricerca su una 'molla in composito'

di CRISTIANO FRAGASSA e ANA PAVLOVIC*

I materiali compositi offrono diversi vantaggi, tra cui una elevata versatilità nella progettazione: è sufficiente, ad esempio, modificare una stratifica per ottenere proprietà molto diverse. Questo vantaggio rischia di essere poco utile se non è supportato da una adeguata tecnica di ottimizzazione progettuale. Allo scopo spesso si ricorre all’utilizzo di un software agli elementi finiti, potenziato da strumenti specifici di calcolo parametrico e ottimizzazione automatica. Ansys Workbench, per esempio, permette di scegliere in automatico persino la disposizione delle fibre.

Ma tutto questo significa anche che chiunque avesse necessità di ottimizzare dimensioni e stratifica di un componente in composito, avrebbe molto da imparare, compreso la necessità di dotarsi di codici avanzati di calcolo. Si è pensato quindi di valutare anche un approccio alternativo, basato su sistemi esperti e machine learning (ML).

Allo scopo abbiamo pensato di concentrarci su un componente specifico, molto interessante per complessità: una molla in composito. Questa molla, a sezione rettangolare, è definita da 5 parametri geometrici: larghezza e altezza della sezione, diametro e passo della spira, lunghezza complessiva.

Da questi parametri è possibile ricavare il suo volume e, conosciuta la densità (media) del materiale, la sua massa. Non è invece possibile ricavare la rigidezza che è funzione non solo dai materiali utilizzati, ma anche della stratifica (es. spessore strati, orientamento fibre, ecc.). La stessa dipendenza vale anche per altri aspetti importanti, quali tensioni, deformazioni e rispetto delle condizioni di rottura.

Cosa può fare un algoritmo di intelligenza artificiale una volta opportunamente istruito? La risposta breve è che può prevedere, con un certo margine di errore, un parametro quando sono conosciuti tutti gli altri. Consente quindi di valutare e comparare rapidamente diverse ipotesi di progetto (‘quale sarebbe il valore di questo parametro se gli altri assumessero i valori di…’).

Anche un simulatore parametrico può farlo. Tuttavia, con un algoritmo di ML si lavora in modo differente: 1. non più attraverso calcoli strutturali, utilizzati solo all’inizio per educare l’algoritmo, ma per ‘similitudine’ mediante ‘riconoscimento di pattern’; 2. con una maggiore precisione nelle stime grazie ad un miglior controllo sul lavoro dei ‘classificatori’.

L’impiego dei sistemi esperti nella progettazione dei compositi è ancora piuttosto marginale e non è possibile essere certi che offriranno mai un netto vantaggio, ma, a guardare altri ambiti tecnologici, sembra plausibile. Il nostro tentativo iniziale ha portato ad utilizzare un sistema esperto (di Orange Data Mining) che, ‘educato’ attraverso meno di 100 simulazioni, riconducibili a 4 parametri continui, discretizzati attraverso 12x26x19x15 valori per 88.000 possibili combinazioni, è stato in grado di individuare target progettuali con una precisione superiore al 94% nel caso di indicazione di ‘categoria’ (es. migliore stratifica tra diverse proposte) e all'88% nel caso di ‘valori’ (es. dimensioni).

Nella realtà la nostra molla è caratterizzata da non meno di 8 parametri di progetto per cui è necessario procedere attraverso una stratificazione delle decisioni. In questo l’algoritmo esperto non ha necessità di dati quanto di informazioni: è poco utile aggiungere dati se non portano con sé schemi nuovi.

Ad esempio, aggiungere un parametro collegato ad uno già presente, ha evidenziato un miglioramento trascurabile nella precisione delle previsioni (<1%). Invece informazioni che sembrerebbero solo consequenziali alle scelte progettuali, possano intervenire aiutando le stesse. Ad esempio, la tensione principale massima, che non rappresenta un parametro di progetto, ma solo un aspetto da verificare, rende l’algoritmo più preciso (+8%) dato che tali tensioni offrono comunque all’algoritmo esperto nuovi schemi di riconoscimento.

A questo punto, chiunque avesse bisogno di progettare una analoga molla in composito non avrebbe bisogno di nessuna particolare conoscenza, né di programmi di calcolo strutturale, ma solo del link al sistema esperto.


Ringraziamenti: Ricerca finanziata dal Ministero degli Affari Esteri e della Collaborazione Internazionale (MAECI) all’interno del progetto 'Two Seats for a Solar Car' e promossa sul territorio all’interno della Central European Initiative come parte delle azioni di trasferimento tecnologico ‘Composite for All’ e ‘ATC.EVO’.

Nella foto, prove di resistenza a fatica per molla in composito (cortesia E. Poodts, R. Palazzetti).

* Ingegneria Industriale, Università di Bologna

Archiviato in: Mondo accademico
Iscriviti alla newsletter
Diventa nostro Sponsor
Area Aziende

I nostri sponsor
I nostri partner
Partner istituzionali
Astrelia sviluppa siti internet e applicazioni mobile/desktop anche per iPhone iPad e Android a San Benedetto del Tronto, Roma, Ascoli Piceno, Marche