Simulazioni in tempo reale mediante Intelligenza Artificiale
ANTHONY MASSOBRIO
Il Deep Learning è destinato a cambiare, nell’immediato futuro, il modo in cui i componenti e i sistemi verranno progettati, consentendo di esplorare nuove configurazioni di forma in tempo reale.
Una Rete Neurale Convoluzionale Geometrica è un sistema computazionale in grado di produrre risultati con contenuti del tutto analoghi al CAE, ma in frazioni di secondo. Questo nuovo tipo di capacità, dalle importanti implicazioni per l’interazione CAD/CAE, discende da recenti evoluzioni di un ramo specifico dell’Intelligenza Artificiale denominato Deep Learning.
I modelli surrogati prodotti mediante Reti Neurali vengono costruiti a partire dalla lettura di database di simulazioni CAE ad alta fedeltà e relative geometrie. L’obiettivo non è quindi quello di avere un solutore CAE semplificato. Piuttosto, si tratta di tarare una Rete Neurale come sistema predittivo in grado di reagire ai cambiamenti di forma, sulla base di un processo di apprendimento ben strutturato (vedi Box 1).
Date le tempistiche di risposta inferiori a quelle del CAE per diversi ordini di grandezza (da 4 a 6), è naturale pensare alla seguente evoluzione, che non tratteremo nel contesto del presente articolo. Grazie agli strumenti di ottimizzazione, si possono modellare nuove forme che soddisfino obiettivi di ottimizzazione e rispettino i vincoli imposti, con tempi molto ridotti rispetto alle classiche campagne di ottimizzazione [1].
Articolo completo da pagina 14 dello sfogliabile o, se abbonato, scarica il pdf