Sviluppo di una metodologia iterativa per la risoluzione di problemi di ottimizzazione tramite reti neurali = Development of an iterative methodology for solving optimization problems using neural networks

Nell'ambito della progettazione meccanica assume un ruolo fondamentale l'ottimizzazione strutturale: infatti è sempre più richiesto il miglioramento delle prestazioni nel rispetto dei vincoli di progetto. Gli applicativi commerciali non sempre garantiscono la risoluzione di problemi complessi. Sono un esempio quelli caratterizzati da variabili discrete e funzioni obiettivo discontinue, oppure dall’interazione tra diverse discipline (MDO). Con l’obiettivo di venire incontro a questa richiesta del mercato, è stata concepita una metodologia che accoppia il processo di ottimizzazione alle tecniche di intelligenza artificiale. Nello specifico, questa si avvale delle reti neurali per predire con precisione gli output dell’analisi in sostituzione del solutore commerciale. Le reti, una volta addestrate, vengono integrate all'interno di un algoritmo di ottimizzazione euristico, ispirato alla selezione naturale e alla teoria dell'evoluzione. L’intero procedimento è stato reso automatico e l’intervento dell’utente è necessario solamente per la definizione di alcuni parametri iniziali. Nel capitolo introduttivo vengono illustrati i problemi di ottimizzazione, la loro classificazione e i driver fondamentali per la scelta dell'algoritmo. I metodi sono suddivisi principalmente in due grandi gruppi, quelli basati sul calcolo del gradiente e quelli che invece utilizzano altre tecniche. Successivamente vengono presentate le reti neurali, ovvero modelli di calcolo matematico-informatici che apprendono seguendo meccanismi tipici dell'intelligenza umana. Si prosegue con la presentazione del problema oggetto dell'ottimizzazione, impiegato come caso di studio per lo sviluppo del codice. Il modello è stato realizzato in Altair Hypermesh, utilizzando Altair Optistruct come solutore per risolvere l’analisi strutturale. Optistruct fornisce anche la possibilità di risolvere il problema di ottimizzazione proposto, permettendo la validazione dell’intera metodologia sviluppata. Il corpo centrale dell'elaborato è dedicato alla spiegazione delle sezioni in cui è articolato il codice, suddiviso in 3 step. Il primo è relativo alla creazione del database, contenente gli input e gli output delle analisi. La seconda fase è dedicata alla definizione dei parametri caratteristici della rete neurale e al successivo addestramento. Il terzo step riguarda il settaggio dell'algoritmo di ottimizzazione, stabilendo la funzione da minimizzare e i vincoli di progetto. Al fine di migliorare l’affidabilità delle reti addestrate e, contestualmente, del processo di ottimizzazione implementato, il codice è stato sviluppato in tre versioni di complessità graduale. Tutti i risultati ottenuti durante il processo di raffinamento del codice vengono presentati e confrontati tra loro, basando le valutazioni sui tempi di processo e sulla precisione della soluzione. La tesi procede con la risoluzione di due problemi di ottimizzazione non risolvibili con software commerciali. Il primo è caratterizzato da variabili di progetto discrete, mentre il secondo abbina un’analisi economica alla verifica strutturale. La metodologia sviluppata ha permesso di far fronte ad entrambe le casistiche. In conclusione, sono riassunti i principali punti di forza della metodologia proposta, correlandoli con i limiti riscontrati nell’utilizzo dei tool commerciali per la risoluzione di problemi complessi e con i risultati ottenuti. Infine, vengono presentate alcune proposte di sviluppo del codice, che permettano di migliorare l’efficienza del processo.