In italiano lo chiameremmo apprendimento automatico, e suonerebbe molto meglio del suo inglesismo molto più diffuso, machine learning. L’apprendimento automatico è una branca dell'intelligenza artificiale che raccoglie metodi multidisciplinari che negli anni sono stati presentati sotto diversi nomi quali: statistica computazionale, riconoscimento di pattern, reti neurali artificiali, filtraggio adattivo, teoria dei sistemi dinamici, elaborazione delle immagini, data mining, algoritmi adattivi, ecc.
Il machine learning utilizza metodi statistici per migliorare la performance di un algoritmo nell'identificare pattern nei dati. Nell'ambito dell'informatica, l'apprendimento automatico è una variante alla programmazione tradizionale nella quale si allena e si “istruisce” una macchina facendole “apprendere” qualcosa dai dati storici in maniera autonoma.
Gli algoritmi di apprendimento automatico sono ormai entrati nell’utilizzo di approcci anche pionieristici come la medicina, il filtraggio delle e-mail, il riconoscimento vocale e la visione artificiale, e dove è difficile o non fattibile sviluppare algoritmi convenzionali. Così anche il mondo della simulazione numerica nell’ultimo decennio ha visto crescere l’impiego di tecniche di machine learning. In particolare l’ingegneria dei sistemi (o systems engineering) ne ha fatto un vero proprio trend tecnologico mettendoli alla base della creazione di tecnologie pionieristiche come il digital twin. In questo articolo vedremo quali sono le sfide, come la simulazione numerica utilizza queste tecniche e quali sono i vantaggi derivanti dall’apprendimento automatico per gli ingegneri di oggi e di domani.
Le sfide ingegneristiche e il Machine Learning
Le tecniche di Machine Learning applicate alla simulazione di sistema hanno lo scopo di modellare\predire il comportamento di un sistema specifico in determinate condizioni. Una simulazione di sistema risponde quindi alla domanda “e se?”;
Sistemi fisici sempre più complessi e integrati tra loro producono un volume e una varietà di dati in constante crescita, sempre più difficile da gestire, interpretare e quindi sfruttare a proprio vantaggio.
In alcuni contesti esiste la necessità di fare delle previsioni, anche «real time», con il fine di prendere decisioni, anch’esse «real time», sfruttando e interpretando i dati che possono essere di natura sia sperimentale, sia numerica;
Le tecniche di ML possono essere utilizzate in una grande varietà di contesti applicativi. Si passa dai classici problemi ingegneristici come analisi CFD o lo studio predittivo del comportamento meccanico di un componente, fino all’indagine e alla gestione in caso di disastro naturale.
La nuova simulazione di sistema con l'apprendimento automatico
Le tecniche di Machine Learning possono essere impiegate per la generazione delle Response Surface Methodology (RSMs) e delle Reduced Order Models (ROM), strumenti molto utili per la modellazione del sistema analizzato;
Con gli algoritmi di ML si possono calcolare le RSM che sono dei modelli basati su analisi statistica e numerica che approssimano il comportamento del sistema, analizzando il legame tra input e out del sistema stesso. Partendo da un dataset, ottenuto ad esempio tramite prove sperimentali, gli algoritmi di RSM stimano il valore delle funzioni. Le RSM quindi permettono di rappresentare il comportamento del sistema partendo da un set finito di dati disponibili;
Il ML può essere applicato per la generazione delle ROM che sono delle semplificazioni di modelli complessi. Il loro compito è quello di definire il comportamento dei modelli con il fine di studiare rapidamente gli effetti dominanti sul sistema con il minimo impiego computazionale. Esistono sia le Static ROM, sia le Dynamic ROM e la differenza principale tra le due è la presenza o meno della variabile tempo.
I vantaggi del machine learning per gli ingegneri di sistema
Gli algoritmi di ML consentono di ridurre notevolmente i tempi e le risorse computazionali necessarie, evitando così la simulazione di dettaglio del sistema in esame.
Sfruttare gli algoritmi di ML consente di ottenere una predizione del comportamento del sistema, anche in condizioni non testate in fase sperimentale.
Con gli algoritmi di ML è possibile ridurre il time-to-market, ad esempio, in fase preliminare per migliorare le indagini di mercato; in fase di produzione per l’ottimizzazione del processo produttivo e per la sua gestione «real time».
Gli algoritmi di ML possono essere utilizzati per la generazione di meta-modelli da cui partire per una serie di analisi come ottimizzazione virtuale, integrazione tra sistemi complessi, analisi di scenario (what if analysis) e il system modeling (Digital Twin).
Se ti interessa avere maggiori informazioni su questa metodologia e scoprire i vantaggi che la tua azienda avrebbe nell'integrarla all'interno dei suoi processi di progettazione e produzione, contattaci, uno dei nostri esperti risponderà a tutte le tue domande.