Uno studio dell’IMDEA Materials Institute e dell’Università Tecnica di Madrid introduce la simulazione in tempo reale nei processi di produzione di materiali compositi, attraverso un modello di AI.
Una ricerca dell’IMDEA Materials Institute e dell’Università Tecnica di Madrid (UPM) introduce la simulazione in tempo reale nei processi di produzione di materiali compositi, mediante un framework di intelligenza artificiale. Affrontando le principali limitazioni degli attuali modelli surrogati di deep learning per la simulazione del flusso di fluidi nei processi di produzione di compositi, questi risultati evidenziano il potenziale degli approcci basati sui dati per migliorare l’efficienza, l’adattabilità e la resilienza nei processi di produzione avanzati.
Le simulazioni di stampaggio di compositi liquidi (LCM) sono essenziali per ottimizzare i processi produttivi e ridurre difetti come la formazione di vuoti, ma il loro elevato costo computazionale ne ha tradizionalmente limitato l’utilizzo in applicazioni in tempo reale. Questo cerca di superare gli ostacoli introducendo un framework di modellazione surrogata basato sul deep learning, in grado di fornire previsioni accurate in millisecondi, che mostrano nuove possibilità per i gemelli digitali e il controllo adattivo dei processi.
“Un’innovazione chiave risiede nel superamento di uno dei principali colli di bottiglia in questo campo, raggiungendo efficienza computazionale, elevata precisione e robustezza rispetto alle mesh irregolari e non strutturate comunemente presenti negli ambienti industriali. Questi requisiti sono raramente soddisfatti simultaneamente dagli approcci basati su reti neurali esistenti” spiega Sofia Fernández-León.
Modello ad alte prestazioni
I ricercatori hanno inoltre introdotto un’architettura encoder-decoder multi-ramificata per modellare geometrie complesse, come i longheroni a T, suddividendole in regioni planari e garantendo la coerenza tra le interfacce.
Parallelamente, “la tecnica di mappatura a griglia proposta consente l’utilizzo di reti neurali convoluzionali su domini 3D non strutturati, preservando l’accuratezza ed estendendo al contempo l’applicabilità a scenari di produzione realistici” aggiunge Fernández-León.
I modelli surrogati risultanti dimostrano un’ottima concordanza sia con simulazioni ad alta fedeltà, siaA con dati sperimentali, raggiungendo al contempo un’accelerazione di quattro o cinque ordini di grandezza rispetto ai metodi convenzionali. Questo livello di prestazioni consente l’implementazione in tempo reale in ambienti di produzione digitale, supportando processi di produzione di materiali compositi più efficienti, adattivi e resilienti.
“Questo studio evidenzia il potenziale trasformativo della combinazione tra produzione avanzata e intelligenza artificiale, aprendo la strada a sistemi di produzione completamente integrati e basati sui dati” conclude Fernández-León.
Foto: IMDEA Materials Institute
