Una strategia robusta per l'aggiornamento del modello agli elementi finiti di pannelli compositi usando un quadro di ottimizzazione assistita da surrogati combinato ANN‑SMA

Perché è importante calibrare le strutture virtuali

Gli ingegneri fanno sempre più affidamento su modelli al calcolatore per prevedere come vibreranno e resisteranno in servizio ponti, componenti aeronautiche e pale eoliche. Ma questi modelli sono tanto validi quanto i dati che vi si inseriscono. Per i materiali compositi stratificati, oggi diffusi nelle strutture aerospaziali e marine, ottenere quei valori corretti è particolarmente difficile. Questo articolo mostra come prove di laboratorio, intelligenza artificiale e un metodo di ricerca ispirato alla natura possano essere combinati per calibrare un modello numerico di un pannello composito in modo che si comporti quasi esattamente come la struttura reale.

Dai test di laboratorio ai gemelli digitali

Lo studio parte da un pannello reale in composito con fibra di vetro, composto da dieci sottili strati di tessuto legati con epossidica. In laboratorio, il pannello è sostenuto ai bordi e percosso con un martello strumentato mentre microaccelerometri registrano le sue vibrazioni. Elaborando queste misure, i ricercatori estraggono caratteristiche vibrazionali chiave: le frequenze naturali del pannello (i toni a cui tende a vibrare) e le forme di deformazione associate. Queste impronte sperimentali fungono da riferimento di riferimento che il modello al calcolatore deve ricostruire.

Costruire e verificare il primo modello

In parallelo, il team crea una versione virtuale dettagliata dello stesso pannello usando uno strumento ingegneristico standard per la simulazione delle strutture. Il pannello virtuale è suddiviso in numerosi piccoli elementi shell in modo da rappresentarne la natura stratificata e la rigidità nelle diverse direzioni. Quando calcolano le sue frequenze naturali e le forme di vibrazione, scoprono che le previsioni sono vicine ma non perfette: alcuni toni differiscono dai risultati di laboratorio di oltre il 10 percento. Un confronto più attento delle forme mostra che, sebbene i motivi generali siano simili, non sono identici. Questo scostamento conferma che alcune delle proprietà assunte nel modello virtuale — come rigidezza, spessore o densità — sono leggermente errate.

Addestrare un sostituto veloce per imitare il modello

Regolare direttamente i parametri del modello e rieseguire simulazioni complete migliaia di volte sarebbe troppo lento, così gli autori introducono dei modelli «surrogati»: sostituti matematici rapidi che imparano a imitare la simulazione costosa. Campionano casualmente centinaia di combinazioni di spessore, rigidezza e densità entro limiti realistici, eseguono la simulazione completa per ciascuna e raccolgono le frequenze risultanti e i punteggi di corrispondenza delle forme. Tre tipi di surrogati vengono addestrati su questo insieme di dati: una semplice superficie polinomiale, un metodo statistico chiamato Kriging e una rete neurale artificiale. I test mostrano che la rete neurale cattura meglio le relazioni complesse tra ingressi e risposta vibrazionale pur rimanendo rapida da valutare, riducendo ogni previsione da secondi a frazioni di secondo.

Lasciare che i mucillaginosi esplorino lo spazio di progetto

Con la rete neurale che agisce da predittore quasi istantaneo, la sfida successiva è cercare nel mare delle possibili combinazioni di parametri quelle che allineano il pannello virtuale a quello reale. Per questo i ricercatori utilizzano un algoritmo ispirato al modo in cui gli organismi mucillaginosi si espandono per esplorare l’ambiente e poi si ritirano verso le sorgenti ricche di cibo. Nell’ottimizzazione, ogni «organismo» rappresenta un insieme candidato di proprietà del pannello. Guidati da una misura di scostamento tra frequenze predette e misurate, i mucillaginosi virtuali spostano le loro posizioni, bilanciando ampia esplorazione e raffinamento mirato. Questa ricerca artificiale viene eseguita interamente sul surrogato, così migliaia di prove possono essere completate rapidamente.

Maggiore accuratezza e calcolo più rapido

La strategia combinata rete neurale–mucillaginoso migliora nettamente il pannello digitale. Dopo l’aggiornamento, quattro delle prime cinque frequenze naturali differiscono dai valori di laboratorio di meno dell’1 percento, e persino la modalità a frequenza più alta, la più difficile, migliora notevolmente rispetto al modello originale. Gli aggiustamenti necessari sono fisicamente plausibili: una modesta riduzione della rigidezza efficace e lievi correzioni a spessore e densità, coerenti con le variazioni reali di produzione. Quando lo stesso surrogato a rete neurale viene accoppiato con metodi di ricerca più affermati che imitano stormi di uccelli o l’evoluzione genetica, il nuovo approccio ispirato ai mucillaginosi converge comunque in modo più affidabile e riduce i tempi di calcolo di circa il 7–30 percento. In termini pratici, questo significa che gli ingegneri possono ottenere «gemelli digitali» delle strutture composite più attendibili più rapidamente, supportando decisioni progettuali migliori e sistemi di monitoraggio della salute più sensibili.

Citazione: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Parole chiave: strutture composite, aggiornamento del modello agli elementi finiti, modellazione surrogata, reti neurali artificiali, ottimizzazione metaeuristica