Valutazione di teorie strutturali multi-fidelity per lo sviluppo di modelli Machine Learning = Evaluation of multi-fidelity structural theories for the development of Machine Learning models

La produzione di componenti in materiale composito comporta fenomeni termomeccanici complessi, responsabili della generazione di tensioni residue e della comparsa di difetti geometrici, quali lo spring-in, in particolare nei componenti con sezione a L. La previsione accurata di tali effetti risulta cruciale per garantire l’affidabilità strutturale e per ridurre i costi derivanti da iterazioni sperimentali e progettuali. In questo lavoro di tesi si propone un approccio di Machine Learning basato su Gaussian Process Regression (GPR), sviluppato in Python ed applicato a modelli numerici di analisi strutturale e di curing. Il modello è stato inizialmente validato su casi di travi sottoposte ad analisi statica e successivamente impiegato per lo studio del processo di curing su componenti con sezione a L, con l’obiettivo di prevedere spostamenti, tensioni residue e angoli di spring-in a partire da caratteristiche geometriche e meccaniche. L’indagine si fonda sull’utilizzo di dati provenienti da simulazioni agli elementi finiti FEM-CUF di tipo multi-fidelity, dimostrando come un adeguato bilanciamento tra dati high-fidelity e low-fidelity consenta di ottenere previsioni ad elevata accuratezza, a fronte di una significativa riduzione dei costi computazionali. Il modello GPR sviluppato ha inoltre permesso di stimare l’incertezza predittiva, evidenziando il potenziale degli approcci di Machine Learning come strumenti complementari alle analisi numeriche tradizionali per la progettazione avanzata di strutture composite.