{"id":23033,"date":"2024-02-23T04:00:59","date_gmt":"2024-02-23T03:00:59","guid":{"rendered":"https:\/\/test.cfdfeaservice.it\/index.php\/2024\/02\/23\/intelligenza-artificiale-e-simulazione\/"},"modified":"2024-02-23T04:00:59","modified_gmt":"2024-02-23T03:00:59","slug":"intelligenza-artificiale-e-simulazione","status":"publish","type":"post","link":"https:\/\/test.cfdfeaservice.it\/index.php\/2024\/02\/23\/intelligenza-artificiale-e-simulazione\/","title":{"rendered":"Intelligenza artificiale e simulazione"},"content":{"rendered":"
\n
\"Intelligenza<\/div>\n
\n

\"Intelligenza<\/p>\n

Il 2023 \u00e8 stato caratterizzato dalla diffusione dell\u2019Intelligenza Artificiale nelle nostre vite. Con la crescita della sua presenza nei mass media, si \u00e8 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 pi\u00f9 chiara riguardo a cosa sia l\u2019Intelligenza Artificiale e al ruolo che pu\u00f2 svolgere nel contesto della progettazione meccanica e in particolare della simulazione numerica.<\/strong><\/p>\n

di Carlo Augusto Pasquinucci<\/em><\/p>\n

L\u2019Intelligenza Artificiale (IA) si configura come la capacit\u00e0 di una macchina di esprimere competenze umane, quali il ragionamento, l\u2019apprendimento, la pianificazione e la creativit\u00e0 \u2013 attivit\u00e0 intrinsecamente umane. Nell\u2019ambito dell\u2019ingegneria, l\u2019IA consente ai sistemi di acquisire una migliore comprensione dei dati, interagire con essi, apprendere e sviluppare modelli per risolvere autonomamente problemi complessi.<\/p>\n

I sistemi di IA dimostrano la particolare abilit\u00e0 di adattare il loro comportamento mediante l\u2019analisi degli effetti delle azioni passate, operando in modo autonomo e apprendendo dalle previsioni errate commesse.<\/p>\n

Machine Learning<\/strong><\/p>\n

Il Machine Learning (ML), \u00e8 l\u2019algoritmo utilizzato dall\u2019Intelligenza 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.<\/p>\n

Esistono due approcci fondamentali: gli algoritmi supervisionati e quelli non supervisionati.<\/p>\n

    \n
  1. Nel supervisionato, il sistema \u00e8 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 \u00e8 stata disegnata.<\/li>\n
  2. Nel non supervisionato, l\u2019algoritmo 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<\/li>\n<\/ol>\n

    Deep Learning<\/strong><\/p>\n

    Il deep learning costituisce una forma di apprendimento automatico dell\u2019algortimo. Esso sfrutta reti strutturate tra i dati, come i neuroni del cervello. Praticamente, questo metodo utilizza \u201cstrati\u201d di neuroni artificiali per comprendere informazioni complesse dai dati di input, creando un approccio a pi\u00f9 livelli di \u201cintelligenza\u201d per affrontare compiti pi\u00f9 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\u2019addestramento di un animale.<\/p>\n

    Dove pu\u00f2 essere utilizzata l\u2019AI durante un processo di simulazione?<\/strong><\/p>\n

    Sebbene l\u2019intelligenza artificiale non abbia ancora raggiunto livelli superiori rispetto a un\u2019analisi numerica approfondita, essa pu\u00f2 essere sfruttata per affrontare molteplici problematiche e difficolt\u00e0 incontrate nel lavoro degli analisti.<\/p>\n

    A) Semplificazione della geometria e creazione del modello per il calcolo<\/em><\/p>\n

    Prendendo spunto da simulazioni precedenti, l\u2019IA potrebbe agevolare l\u2019eliminazione di parti inutili per la simulazione e delle varie features superflue (come fori, smussi, ecc.). Inoltre, pu\u00f2 automaticamente comprendere la tipologia dei vari corpi nel modello e sostituirli con modelli matematici utilizzati nelle analisi numeriche. Ad esempio, pu\u00f2 trasformare travi 3D in elementi di tipo \u201cbeam\u201d per analisi FEM o modellizzare numericamente ventole per analisi CFD. Inoltre, l\u2019IA pu\u00f2 aiutare nell\u2019identificazione dei componenti modificati in diverse versioni del progetto, consentendo di modificare solo la relativa geometria nel modello semplificato per l\u2019analisi.<\/p>\n

    B) Creazione della griglia di calcolo<\/em><\/p>\n

    Partendo dalle mesh esistenti, l\u2019IA pu\u00f2 generarne di nuove rispettando le regole e gli stili di meshatura. \u00c8 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 capacit\u00e0 di individuare pattern geometrici all\u2019interno della geometria consente di meshare componenti simili in modo simile, riducendo l\u2019errore numerico. Questa sua capacit\u00e0, inoltre, potrebbe permettere la divisione della geometria in volumi pi\u00f9 piccoli con geometrie predefinite (parallelepipedi o cilindri) meshabili con una qualit\u00e0 decisamente migliore.<\/p>\n

    C) Creazione automatica del setup dell\u2019analisi<\/em><\/p>\n

    L\u2019AI pu\u00f2 identificare automaticamente corpi solidi o fluidi all\u2019interno di una geometria complessa. Essa pu\u00f2 anche assegnare i materiali in maniera intelligente. Inoltre, dimostra un\u2019abilit\u00e0 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 cos\u00ec a velocizzare la simulazione fluidodinamica e riducendo gli errori.<\/p>\n

    Nel contesto della simulazione FEM, l\u2019IA 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 \u00e8 soggetto a un elevato numero di errori umani. La capacit\u00e0 dell\u2019intelligenza artificiale di intervenire in questa fase con efficienza e precisione pu\u00f2 contribuire significativamente a ridurre il rischio di errori, accelerando nel contempo il processo di simulazione e migliorando la qualit\u00e0 complessiva dei risultati ottenuti.<\/p>\n

    Inoltre, essa pu\u00f2 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.<\/p>\n

    D) Postprocessare i risultati<\/em><\/p>\n

    L\u2019AI ha una straordinaria capacit\u00e0 di analizzare immagini in modo avanzato. Questa competenza le consente di individuare non solo somiglianze e differenze evidenti, ma anche di compiere un\u2019analisi dettagliata, confrontando centinaia di immagini e isolando le parti con maggiore variabilit\u00e0. Attraverso algoritmi sofisticati, l\u2019IA \u00e8 in grado di identificare pattern significativi fra centinaia di immagini simili, contribuendo cos\u00ec a una comprensione pi\u00f9 approfondita dei risultati ottenuti nelle simulazioni.<\/p>\n

    E) Creazione dei report<\/em><\/p>\n

    Nella fase di elaborazione del report, fase che richiede spesso un grande dispendio di tempo e dove l\u2019esperienza dell\u2019operatore risulta essere non sempre un fattore determinante, l\u2019intelligenza artificiale pu\u00f2 fornirci un grande aiuto, creando delle presentazioni dei risultati in maniera autonoma. Tale capacit\u00e0 si pu\u00f2 basare sull\u2019utilizzo di report di passate simulazioni presenti nel database aziendale, quindi l\u2019IA pu\u00f2 incorporare informazioni e configurare il layout in maniera efficiente, mantenendone lo stesso stile aziendale. Questa funzionalit\u00e0 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.<\/p>\n

    Differenze con analisi dati e ottimizzazione<\/strong><\/p>\n

    Il calcolo dei valori di performance di un progetto, basata su analisi pregresse, pu\u00f2 essere gi\u00e0 effettuata attraverso l\u2019impiego dell\u2019analisi dati tradizionale, specialmente tramite l\u2019utilizzo delle cosiddette superfici surrogate. Concretamente, \u00e8 gi\u00e0<\/p>\n

    possibile sviluppare curve che interpolano o approssimano i dati di simulazioni passate, consentendo di predire con notevole precisione le performance di una nuova geometria.<\/p>\n

    Tuttavia, l\u2019approccio tradizionale presenta un ostacolo significativo: richiede l\u2019adozione della stessa parametrizzazione per ogni ottimizzazione. In pratica, se si vuole adottate una nuova parametrizzazione per effettuare delle modifiche differenti, \u00e8 necessario ripetere l\u2019intero processo di ottimizzazione. Diversamente, l\u2019intelligenza artificiale utilizza come input l\u2019intera geometria, spesso rappresentata in formato STL, indipendente quindi dal CAD con cui \u00e8 stata disegnata, e l\u2019intero risultato della simulazione, come ad esempio i campi di moto e pressione.<\/p>\n

    Ci\u00f2 significa che l\u2019algoritmo 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\u2019ambito della fase di ottimizzazione, la modifica della geometria avviene direttamente attraverso l\u2019ottimizzatore, evitando la necessit\u00e0 di creare effettivamente tutte le geometrie CAD da analizzare.<\/p>\n

    Tuttavia, questo pu\u00f2 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\u2019approccio all\u2019ottimizzazione. La geometria fornita dovr\u00e0 essere ridisegnata e riingegnerizzata per la produzione industriale.<\/p>\n

    Problematiche<\/strong><\/p>\n

    Quando ci si addentra nel discorso sull\u2019intelligenza artificiale, inevitabilmente emergono questioni etiche e legali di rilievo. \u00c8 certo che l\u2019IA non sostituir\u00e0 l\u2019ingegnere, proprio come il disegno CAD non ha cancellato la figura del disegnatore. Tuttavia, \u00e8 plausibile che la stessa quantit\u00e0 di lavoro potr\u00e0 essere svolta con un numero inferiore di persone. Questo scenario, per\u00f2, non implicher\u00e0 una riduzione di personale, ma porter\u00e0 ad avere simulazioni pi\u00f9 economiche e quindi accessibili a pi\u00f9 aziende e permettendo la realizzazione di simulazioni sempre pi\u00f9 complesse e dettagliate nello stesso arco di tempo.<\/p>\n

    Parallelamente, sorge l\u2019interrogativo sulla trasformazione del valore aziendale. Il know-how dei dipendenti potrebbe non essere pi\u00f9 il principale punto di forza, poich\u00e9 aumenta l\u2019importanza di possedere un vasto database aziendale. Da \u201cScientia potentia est\u201d si passa a \u201cData potentia est\u201d. Di conseguenza, le piccole imprese potrebbero trovarsi in una posizione svantaggiata nel confronto con le grandi e consolidate aziende che dispongono di database notevolmente pi\u00f9 estesi. Sar\u00e0 pi\u00f9 difficile la nascita e la sopravvivenza delle piccole aziende, tanto importanti nel panorama industriale italiano. Fortunatamente, i nuovi algoritmi, per\u00f2, non richiedono necessariamente migliaia di dati e non dipendono da potenze di calcolo al di l\u00e0 delle possibilit\u00e0 delle piccole imprese.<\/p>\n

    Nei prossimi anni, si ci dovr\u00e0 poi porre un\u2019altra importante domanda, soprattutto per le aziende di consulenza: \u00e8 etico e legale utilizzare i risultati di un\u2019analisi 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\u2019azienda \u201copenAI\u201d (la creatrice di chat-gpt) col New York Times sulla questione dei diritti d\u2019autore sugli articoli col quale l\u2019intelligenza artificiale \u00e8 stata addestrata. Penso che sia indubbiamente necessario che i professionisti legali e gli albi professionali rispondano presto e chiaramente a questa domanda, e bisogner\u00e0 tenerne conto nella stesura dei contratti e dei nuovi accordi di riservatezza. Il futuro \u00f2 pieno di opportunit\u00e0, ma anche di rischi. Bisogner\u00e0 riuscire ad approfittare delle prime, evitando i secondi.<\/p>\n<\/div>\n

    L’articolo <strong>Intelligenza artificiale e simulazione<\/strong><\/a> sembra essere il primo su Il Progettista Industriale<\/a>.<\/p>\n<\/div>\n

    Vai alla fonte.<\/a><\/p>\n

    Autore: Emanuela Bianchi<\/p>\n

    Powered by WPeMatico<\/a><\/small><\/p>\n

    _________________________________<\/strong><\/p>\n

    CFD FEA Service SRL<\/strong> è una società di servizi che offre consulenza<\/em> e formazione<\/em> in ambito ingegneria<\/strong> e IT<\/strong>. Se questo post\/prodotto ti è piaciuto ti invitiamo a:<\/p>\n