Sviluppo di una metodologia per le applicazioni dell'IA nel processo di creazione di componenti meccanici. = Development of a methodology for applications of AI in the process of creation of mechanical components

I progressi nell’Intelligenza Artificiale (AI) hanno portato a miglioramenti significativi in molti settori, tra cui la progettazione meccanica e l’ottimizzazione di componenti. Le tecniche avanzate di machine learning e deep learning stanno trasformando il modo in cui affrontiamo i processi progettuali, permettendo di ottimizzare e velocizzare la progettazione di componenti meccanici complessi. Il processo di progettazione ingegneristica è altamente iterativo e comporta numerose fasi ripetitive. Tra queste, la definizione di parametri geometrici nei software CAD e l'impostazione di carichi, vincoli e materiali nei software di simulazione, come quelli basati sul metodo degli elementi finiti. L'analisi FEM suddivide la struttura in elementi più semplici e risolve iterativamente equazioni matematiche per simulare il comportamento del componente. Questo processo include fasi di pre-processing, soluzione e post-processing. Tuttavia, quando si effettuano modifiche frequenti o si eseguono molteplici simulazioni, i costi computazionali e i tempi necessari aumentano notevolmente, generando un significativo impegno in termini di risorse e tempo. Per affrontare queste difficoltà, l’utilizzo di modelli di Machine Learning e Deep Learning sta emergendo come una soluzione innovativa. Questi modelli, infatti, permettono di ridurre i costi computazionali e il tempo di simulazione, fornendo previsioni rapide e precise sui comportamenti dei componenti, senza necessitare di ripetuti calcoli FEM e ottimizzando il processo di progettazione. Il progetto di tesi, sviluppato in collaborazione con Dumarey Automotive Italia, ha come obiettivo principale la creazione di una metodologia AI, utilizzando il software PhysicsAI di Altair che mira a predire i risultati delle analisi statiche (stress e spostamento) in seguito a modifiche geometriche di un componente, il cover di un riduttore di velocità. A disposizione sono 112 file CAD del cover, suddivisi in famiglie che differiscono per macro-variazioni del design, come l’aggiunta di elementi. Ogni famiglia contiene configurazioni con minime differenze geometriche. Il modello di DL utilizzato da PhysicsAI è una Graph Neural Network (GNN), e per addestrarlo sono stati generati i risultati FEM per ogni configurazione. L’intero processo è stato automatizzato tramite un codice Python che esegue le seguenti operazioni: importa automaticamente i file CAD, crea il modello nel software SimLab (definendo mesh, carichi, vincoli, contatti) e avvia automaticamente le simulazioni su OptiStruct, ottenendo i risultati per ogni configurazione, utilizzati come dataset per l'addestramento del modello AI. L'addestramento della rete neurale ha previsto la suddivisione dei dati in due set: train data e test data, utilizzando due file per ogni famiglia di CAD. Questa scelta ha permesso di allenare il modello su una varietà di configurazioni e testarne la capacità di generalizzare su dati mai visti prima. Durante la fase di addestramento sono stati ottimizzati gli iperparametri, che definiscono la struttura della rete e influenzano l’accuratezza del modello. Una volta completato l’addestramento, il modello è stato validato confrontando le previsioni con i risultati FEM ottenuti da una simulazione con un CAD mai visto prima, non incluso nel dataset di addestramento. Questo ha consentito di testare la capacità del modello di predire correttamente i risultati per nuove configurazioni, non precedentemente esaminate.