Tecniche di machine learning per l'analisi e la progettazione multiparametrica di strutture elicoidali non lineari considerando collisioni fra spire

Perché le molle delle auto contano più di quanto pensi

Nascoste all'interno dei motori ad alte prestazioni ci sono molle metalliche avvolte strettamente che aprono e chiudono le valvole migliaia di volte al secondo. Queste molle elicoidali non si limitano a rimbalzare; immagazzinano energia e attenuano vibrazioni violente. Ma a velocità estreme, le stesse molle possono improvvisamente generare picchi di forza acuti che danneggiano i componenti e accorciano la vita del motore. Questo studio spiega l'origine di quei picchi e mostra come simulazioni al computer moderne e il machine learning possano aiutare gli ingegneri a riprogettare le molle per renderle allo stesso tempo resistenti ed efficaci nell'assorbire le vibrazioni.

Molle sotto velocità estreme del motore

I ricercatori si sono concentrati su una molla a «alveare» usata in un motore di un'auto sportiva ad alta velocità. Diversamente da una molla semplice e uniforme, questa cambia diametro lungo la sua altezza e presenta spire più ravvicinate in alcune zone rispetto ad altre. Il team ha montato la molla in un motore V8 reale azionato da un motore elettrico e ha misurato le forze prodotte mentre il motore ruotava tra 6.500 e 16.000 giri al minuto. A velocità più basse, le forze di picco restavano intorno ai 900 newton e variavano in modo regolare, come ci si aspetta da vibrazioni ordinarie. Ma intorno a 7.800 giri al minuto e di nuovo a velocità più elevate, le forze misurate salivano improvvisamente oltre i 1.500–1.800 newton. Questi picchi inaspettati suggerivano un processo diverso e più violento che avveniva all'interno della molla.

Osservare l'interno della molla con test virtuali

Per capire cosa accadesse tra le spire, il team ha costruito un modello al computer altamente dettagliato della molla usando una tecnica ingegneristica standard chiamata analisi agli elementi finiti. Hanno ricreato la geometria e il materiale esatti della molla, incluso il contatto con attrito tra spire adiacenti, e hanno pilotato il modello con lo stesso moto dell'albero a camme presente nel motore. Quando hanno eseguito la simulazione a 7.800 giri al minuto, le forze previste corrispondevano molto da vicino alle misure in motore, incluso il picco acuto in un punto specifico del ciclo a camme. Tracciando il movimento delle singole spire, hanno scoperto che due spire adiacenti in una regione a gap ridotto si schiantarono brevemente l'una contro l'altra e poi si separarono nell'arco di pochi millesimi di secondo. Questa collisione rapida lanciò un'onda elastica intensa attraverso la molla, che si manifestò come il picco di forza osservato.

Come le collisioni fra spire possono aiutare e danneggiare

Queste collisioni si sono rivelate una lama a doppio taglio. Da un lato, quando le spire si urtano dissipano parte dell'energia vibratoria e possono ridurre le oscillazioni persistenti—utile per mantenere stabile il movimento della valvola. Dall'altro, gli stessi impatti generano forze molto elevate ma di breve durata che possono accelerare l'affaticamento e portare a guasti precoci. La sfida progettuale chiave non è quindi eliminare completamente il contatto, ma sintonizzare la geometria della molla in modo che le collisioni siano abbastanza lievi da evitare picchi dannosi pur contribuendo allo smorzamento. Poiché la forma della molla è definita da molte dimensioni correlate—come il diametro delle spire e l'«altezza» verticale in più punti—testare ogni possibile combinazione direttamente sul motore o con simulazioni complete sarebbe troppo dispendioso in termini di tempo.

Lasciare che gli algoritmi imparino le forme migliori

Per affrontare questo problema multiparametrico, i ricercatori hanno usato il machine learning. Hanno variato quattro caratteristiche geometriche chiave delle due spire strettamente ravvicinate, creato 60 differenti progetti virtuali della molla e simulato ciascuno alla velocità critica del motore. Per ogni progetto hanno registrato la forza dinamica massima. Questi dati sono stati poi inseriti in due tipi di algoritmi di apprendimento: una rete neurale profonda che funziona come una potente scatola nera di riconoscimento dei modelli, e un modello di programmazione genetica che produce formule matematiche esplicite. La rete neurale ha ottenuto la maggiore accuratezza predittiva, riproducendo fedelmente i picchi di forza simulati anche per progetti non visti in fase di addestramento. Usando questo modello addestrato, il team ha potuto analizzare migliaia di progetti virtuali quasi istantaneamente e mappare come variazioni di diametro e altezza delle spire influenzassero i picchi di forza risultanti.

Trovare progetti di molle più sicuri e più morbidi

Scansionando questo spazio di progetto appreso, gli autori hanno evidenziato regioni in cui i picchi di forza restavano al di sotto dei livelli associati al danneggiamento, pur mantenendo collisioni—e quindi smorzamento utile. In termini semplici, hanno mostrato come un aggiustamento accurato della dimensione e della posizione di un paio di spire possa trasformare una molla incline ai picchi in una che gestisce le vibrazioni del motore in modo più dolce. Il loro approccio combina simulazioni realistiche ad alta velocità con modelli guidati dai dati per orientare le scelte di progetto senza test fisici infiniti. Pur concentrandosi su una molla di valvola specifica, la stessa strategia potrebbe essere applicata a molti dispositivi elicoidali, dalle sospensioni ferroviarie agli esoscheletri indossabili, aiutando gli ingegneri a creare componenti sia robusti sia silenziosi in condizioni estreme.

Citazione: Gu, Z., Liu, Y., Kong, X. et al. Machine learning techniques based multi-parameter analysis and design of nonlinear helical structures considering internal structure collisions. Sci Rep 16, 8595 (2026). https://doi.org/10.1038/s41598-026-39953-y

Parole chiave: molle delle valvole, smorzamento delle vibrazioni, collisioni fra spire, progettazione con machine learning, motori ad alta velocità