Sviluppo di modelli surrogati per analisi FEM mediante reti neurali = Development of surrogate models for FEM analysis using neural networks

Il presente lavoro propone un approccio avanzato nell’analisi strutturale, combinando i vantaggi dell’approccio assiomatico e asintotico per formulare modelli precisi del comportamento meccanico delle strutture. Affrontando le limitazioni degli approcci tradizionali, si introduce un metodo misto, noto come assiomatico/asintotico, che bilancia precisione e costo computazionale. La tesi si concentra sulla necessità di evitare un numero eccessivo di analisi, proponendo un approccio che ottimizza il processo decisionale e riduce il carico computazionale attraverso l’utilizzo delle reti neurali. L’obiettivo finale è fornire risultati accurati senza ricorrere a migliaia di simulazioni, rendendo il metodo più pratico ed efficiente per le applicazioni reali di progettazione strutturale. Inoltre, si sottolinea che la selezione del modello appropriato è cruciale e non può basarsi solo sull’aumento arbitrario dei gradi di libertà. L’elemento chiave di questa proposta è la creazione del Best Theory Diagram (BTD), derivato dal metodo assiomatico/asintotico. Questo diagramma offre una rappresentazione sintetica delle teorie applicate a una specifica struttura, indicando la relazione tra la complessità matematica del modello e la precisione ottenuta. Attraverso il BTD, è possibile identificare il modello ottimale in termini di numero di gradi di libertà e precisione, facilitando una progettazione strutturale efficiente.