Il 2023 è stato caratterizzato dalla diffusione dell’Intelligenza Artificiale nelle nostre vite. Con la crescita della sua presenza nei mass media, si è registrata purtroppo anche una maggiore confusione su cosa essa rappresenti e quali implicazioni possa avere sul nostro lavoro. In questo articolo, mi propongo di fornire una spiegazione più chiara riguardo a cosa sia l’Intelligenza Artificiale e al ruolo che può svolgere nel contesto della progettazione meccanica e in particolare della simulazione numerica.
di Carlo Augusto Pasquinucci
L’Intelligenza Artificiale (IA) si configura come la capacità di una macchina di esprimere competenze umane, quali il ragionamento, l’apprendimento, la pianificazione e la creatività – attività intrinsecamente umane. Nell’ambito dell’ingegneria, l’IA consente ai sistemi di acquisire una migliore comprensione dei dati, interagire con essi, apprendere e sviluppare modelli per risolvere autonomamente problemi complessi.
I sistemi di IA dimostrano la particolare abilità di adattare il loro comportamento mediante l’analisi degli effetti delle azioni passate, operando in modo autonomo e apprendendo dalle previsioni errate commesse.
Machine Learning
Il Machine Learning (ML), è l’algoritmo utilizzato dall’Intelligenza Artificiale per fornire dei risultati predittivi. Fondati su principi statistici, questi algoritmi consentono ai sistemi di apprendere e migliorare in modo autonomo, senza richiedere una programmazione esplicita. Fondamentalmente, il ML abilita le macchine a estrarre informazioni utili da dati complessi, apprendendo modelli e pattern difficilmente individuabili attraverso approcci di programmazione tradizionali.
Esistono due approcci fondamentali: gli algoritmi supervisionati e quelli non supervisionati.
- Nel supervisionato, il sistema è addestrato su un insieme di dati contenente coppie di input e output associati. Ad esempio, un algoritmo supervisionato potrebbe richiedere come input la geometria di un oggetto e le quote con cui è stata disegnata.
- Nel non supervisionato, l’algoritmo esplora dati senza etichette, cercando di identificare pattern o raggruppamenti naturali. Questo approccio si rivela utile, per esempio, nella scoperta di correlazioni geometriche in progetti di cui non si possiede il disegno nativo
Deep Learning
Il deep learning costituisce una forma di apprendimento automatico dell’algortimo. Esso sfrutta reti strutturate tra i dati, come i neuroni del cervello. Praticamente, questo metodo utilizza “strati” di neuroni artificiali per comprendere informazioni complesse dai dati di input, creando un approccio a più livelli di “intelligenza” per affrontare compiti più avanzati. Tuttavia, questa rete richiede numerosi parametri e iperparametri per operare in modo ottimale, e deve essere addestrata attraverso un sistema di pene e ricompense, noto come reinforcement learning, esattamente come se fosse l’addestramento di un animale.
Dove può essere utilizzata l’AI durante un processo di simulazione?
Sebbene l’intelligenza artificiale non abbia ancora raggiunto livelli superiori rispetto a un’analisi numerica approfondita, essa può essere sfruttata per affrontare molteplici problematiche e difficoltà incontrate nel lavoro degli analisti.
A) Semplificazione della geometria e creazione del modello per il calcolo
Prendendo spunto da simulazioni precedenti, l’IA potrebbe agevolare l’eliminazione di parti inutili per la simulazione e delle varie features superflue (come fori, smussi, ecc.). Inoltre, può automaticamente comprendere la tipologia dei vari corpi nel modello e sostituirli con modelli matematici utilizzati nelle analisi numeriche. Ad esempio, può trasformare travi 3D in elementi di tipo “beam” per analisi FEM o modellizzare numericamente ventole per analisi CFD. Inoltre, l’IA può aiutare nell’identificazione dei componenti modificati in diverse versioni del progetto, consentendo di modificare solo la relativa geometria nel modello semplificato per l’analisi.
B) Creazione della griglia di calcolo
Partendo dalle mesh esistenti, l’IA può generarne di nuove rispettando le regole e gli stili di meshatura. È interessante notare come essa possa riprodurre appunto lo stile di meshatura di uno specifico analista, incorporando quindi anche il know-how da esso acquisito durante la sua vita lavorativa. Inoltre, la sua capacità di individuare pattern geometrici all’interno della geometria consente di meshare componenti simili in modo simile, riducendo l’errore numerico. Questa sua capacità, inoltre, potrebbe permettere la divisione della geometria in volumi più piccoli con geometrie predefinite (parallelepipedi o cilindri) meshabili con una qualità decisamente migliore.
C) Creazione automatica del setup dell’analisi
L’AI può identificare automaticamente corpi solidi o fluidi all’interno di una geometria complessa. Essa può anche assegnare i materiali in maniera intelligente. Inoltre, dimostra un’abilità notevole nel comprendere il tipo di condizione al contorno da applicare alle facce, se quindi esse sono di inlet o outlet, pareti solide, o altro, contribuendo così a velocizzare la simulazione fluidodinamica e riducendo gli errori.
Nel contesto della simulazione FEM, l’IA si configura come un prezioso alleato nella creazione dei contatti tra i vari corpi. Questa fase richiede spesso un notevole dispendio di tempo e una precisione particolare ed è soggetto a un elevato numero di errori umani. La capacità dell’intelligenza artificiale di intervenire in questa fase con efficienza e precisione può contribuire significativamente a ridurre il rischio di errori, accelerando nel contempo il processo di simulazione e migliorando la qualità complessiva dei risultati ottenuti.
Inoltre, essa può essere di grande aiuto nel riadattare dei setup di vecchie simulazioni alle nuove versioni del progetto, anche se nel frattempo sono stati cambiati i nomi e il numero dei componenti.
D) Postprocessare i risultati
L’AI ha una straordinaria capacità di analizzare immagini in modo avanzato. Questa competenza le consente di individuare non solo somiglianze e differenze evidenti, ma anche di compiere un’analisi dettagliata, confrontando centinaia di immagini e isolando le parti con maggiore variabilità. Attraverso algoritmi sofisticati, l’IA è in grado di identificare pattern significativi fra centinaia di immagini simili, contribuendo così a una comprensione più approfondita dei risultati ottenuti nelle simulazioni.
E) Creazione dei report
Nella fase di elaborazione del report, fase che richiede spesso un grande dispendio di tempo e dove l’esperienza dell’operatore risulta essere non sempre un fattore determinante, l’intelligenza artificiale può fornirci un grande aiuto, creando delle presentazioni dei risultati in maniera autonoma. Tale capacità si può basare sull’utilizzo di report di passate simulazioni presenti nel database aziendale, quindi l’IA può incorporare informazioni e configurare il layout in maniera efficiente, mantenendone lo stesso stile aziendale. Questa funzionalità non solo ottimizza il processo di generazione del report, abbreviando i tempi necessari, ma contribuisce anche a mantenere uno standard qualitativo elevato e constante nel tempo.
Differenze con analisi dati e ottimizzazione
Il calcolo dei valori di performance di un progetto, basata su analisi pregresse, può essere già effettuata attraverso l’impiego dell’analisi dati tradizionale, specialmente tramite l’utilizzo delle cosiddette superfici surrogate. Concretamente, è già
possibile sviluppare curve che interpolano o approssimano i dati di simulazioni passate, consentendo di predire con notevole precisione le performance di una nuova geometria.
Tuttavia, l’approccio tradizionale presenta un ostacolo significativo: richiede l’adozione della stessa parametrizzazione per ogni ottimizzazione. In pratica, se si vuole adottate una nuova parametrizzazione per effettuare delle modifiche differenti, è necessario ripetere l’intero processo di ottimizzazione. Diversamente, l’intelligenza artificiale utilizza come input l’intera geometria, spesso rappresentata in formato STL, indipendente quindi dal CAD con cui è stata disegnata, e l’intero risultato della simulazione, come ad esempio i campi di moto e pressione.
Ciò significa che l’algoritmo non dipende dai parametri geometrici utilizzati. Questo consente il riutilizzo di geometrie diverse provenienti da progetti precedentemente analizzati senza dover effettuare grosso lavoro di catalogazione e sistemazione. Inoltre, nell’ambito della fase di ottimizzazione, la modifica della geometria avviene direttamente attraverso l’ottimizzatore, evitando la necessità di creare effettivamente tutte le geometrie CAD da analizzare.
Tuttavia, questo può essere un problema: la geometria ottima trovata, infatti, potrebbe non essere realizzabile tramite macchine utensili o presentare valori di dimensione non facilmente reperibili presenti sul mercato. Questa situazione modifica radicalmente l’approccio all’ottimizzazione. La geometria fornita dovrà essere ridisegnata e riingegnerizzata per la produzione industriale.
Problematiche
Quando ci si addentra nel discorso sull’intelligenza artificiale, inevitabilmente emergono questioni etiche e legali di rilievo. È certo che l’IA non sostituirà l’ingegnere, proprio come il disegno CAD non ha cancellato la figura del disegnatore. Tuttavia, è plausibile che la stessa quantità di lavoro potrà essere svolta con un numero inferiore di persone. Questo scenario, però, non implicherà una riduzione di personale, ma porterà ad avere simulazioni più economiche e quindi accessibili a più aziende e permettendo la realizzazione di simulazioni sempre più complesse e dettagliate nello stesso arco di tempo.
Parallelamente, sorge l’interrogativo sulla trasformazione del valore aziendale. Il know-how dei dipendenti potrebbe non essere più il principale punto di forza, poiché aumenta l’importanza di possedere un vasto database aziendale. Da “Scientia potentia est” si passa a “Data potentia est”. Di conseguenza, le piccole imprese potrebbero trovarsi in una posizione svantaggiata nel confronto con le grandi e consolidate aziende che dispongono di database notevolmente più estesi. Sarà più difficile la nascita e la sopravvivenza delle piccole aziende, tanto importanti nel panorama industriale italiano. Fortunatamente, i nuovi algoritmi, però, non richiedono necessariamente migliaia di dati e non dipendono da potenze di calcolo al di là delle possibilità delle piccole imprese.
Nei prossimi anni, si ci dovrà poi porre un’altra importante domanda, soprattutto per le aziende di consulenza: è etico e legale utilizzare i risultati di un’analisi effettuata per un cliente per addestrare un algoritmo che potrebbe essere impiegato da un suo concorrente? La risposta a questa questione non penso sia ad oggi chiara, basti pensare alle problematiche che sta avendo anche l’azienda “openAI” (la creatrice di chat-gpt) col New York Times sulla questione dei diritti d’autore sugli articoli col quale l’intelligenza artificiale è stata addestrata. Penso che sia indubbiamente necessario che i professionisti legali e gli albi professionali rispondano presto e chiaramente a questa domanda, e bisognerà tenerne conto nella stesura dei contratti e dei nuovi accordi di riservatezza. Il futuro ò pieno di opportunità, ma anche di rischi. Bisognerà riuscire ad approfittare delle prime, evitando i secondi.
