Secondmind sulla convalida della tecnologia avanzata dei motori

I metodi emergenti consentono agli ingegneri di visualizzare la fattibilità e i vincoli del progetto in alta dimensionalità (Foto: Secondmind)

La complessità dei sistemi di propulsione è il prezzo che gli OEM hanno dovuto pagare per ridurre le emissioni dei veicoli commerciali e delle macchine off-highway. Non si tratta solo dei filtri antiparticolato diesel (DPF), del ricircolo dei gas di scarico (EGR), della riduzione catalitica selettiva (SCR) e dei sistemi di turbocompressione sempre più sofisticati. La vera sfida risiede nel modo in cui questi sistemi interagiscono, moltiplicando esponenzialmente il lavoro di progettazione e calibrazione.

Sebbene le pressioni normative si siano temporaneamente allentate, l'agenda tecnica è tutt'altro che completa. Per raggiungere tali obiettivi, c'è ancora margine per bilanciare emissioni e consumi di carburante con potenza e coppia. Ad esempio, il downsizing del motore può ancora contribuire ad affrontare questi problemi, con un impatto positivo su costi, dimensioni e peso della macchina, a condizione che la potenza possa essere erogata in modo affidabile in condizioni operative reali.

Nick Appleyard, Seconda Mente

Allo stesso tempo, gli OEM si trovano ad affrontare una crescente domanda di molteplici varianti di propulsori, studiate appositamente per mercati, applicazioni e cicli di lavoro specifici. Con l'aumentare della complessità del sistema, la progettazione, la convalida e il supporto di queste varianti diventano più problematici.

Tuttavia, il settore energetico ha compiuto progressi notevoli: gli inquinanti regolamentati sono stati ridotti di oltre il 95%, mentre la densità di potenza ha registrato aumenti significativi. Ma questo non è stato privo di conseguenze.

I problemi che ne derivano, tra cui valvole EGR sottoposte a stress termico, depositi di ammoniaca nei sistemi SCR o guasti alla rigenerazione del DPF, evidenziano difficoltà nella gestione di più parametri. Questi problemi sono spesso inquadrati come rischi intrinseci per l'affidabilità, ma più comunemente possono essere ricondotti a decisioni di progettazione e calibrazione prese in condizioni di tempo e risorse molto limitate.

Il potere e i limiti della simulazione

La progettazione basata sulla simulazione è ormai una prassi comune tra i produttori di motori e le loro catene di fornitura. La fluidodinamica computazionale (CFD), l'analisi agli elementi finiti (FEA) e i modelli a livello di sistema supportano la progettazione e la convalida ben prima che l'hardware fisico esista. Questo approccio ingegneristico basato su modelli consente iterazioni più rapide, costi di sviluppo inferiori e un processo decisionale più informato rispetto ai tradizionali metodi test-first.

Eppure, poche organizzazioni di ingegneria si sentono meno limitate. Qualsiasi guadagno derivante da uno sviluppo virtuale più rapido viene rapidamente reinvestito in obiettivi prestazionali più elevati, margini di emissione più ristretti e ambiti operativi più ampi. La capacità di simulazione non crea inerzia, ma semplicemente aumenta le aspettative.

Anche la simulazione è tutt'altro che economica. Una singola esecuzione richiede risorse di calcolo costose e tempo di progettazione specialistica, mentre le licenze software possono costare decine di migliaia di dollari a postazione. Le singole simulazioni possono richiedere ore e un singolo studio di progettazione può richiedere centinaia di esecuzioni. In questo contesto, il vantaggio non deriva dall'esecuzione di più simulazioni, ma dal decidere quali siano realmente importanti.

Quando l'intuizione umana raggiunge i suoi limiti

Gli ingegneri meccanici e prestazionali esperti sanno ragionare su molteplici parametri interagenti, spesso destreggiandosi tra cinque o sei variabili con sicurezza e intuito. Ma i più recenti propulsori a basse emissioni operano ben oltre questa zona di comfort, con decine di variabili strettamente interconnesse che influenzano simultaneamente il comportamento. Molte di queste relazioni sono non lineari, il che le rende particolarmente difficili da assimilare senza l'ausilio di alcuno strumento.

L'intelligenza artificiale di livello ingegneristico fornisce agli ingegneri informazioni su possibili combinazioni di parametri (Foto: Secondmind)

La combustione ne è un chiaro esempio. Le scelte geometriche relative a valvole, camere dei pistoni, ugelli degli iniettori, alesaggio e corsa, rapporto di compressione e turbolenza interagiscono con parametri di controllo come fasatura dell'iniezione, pressione, rate shaping e strategie multi-shot. Ogni parametro è importante, ma i loro effetti combinati raramente sono intuitivi.

Le soluzioni ottimali sono spesso controintuitive. Un'analogia utile viene dal ciclismo professionistico, dove per decenni i team hanno dato per scontato che pneumatici più stretti a pressioni più elevate riducessero al minimo la resistenza al rotolamento. Questa strategia apparentemente ottimizzata ha dominato il pensiero per oltre quarant'anni ed è stato solo dopo un'attenta sperimentazione che gli analisti hanno scoperto che pneumatici più larghi a pressioni inferiori erano spesso più veloci in condizioni reali. La vera soluzione ottimale era nascosta in bella vista.

Non è una questione di abilità o esperienza. La formazione ingegneristica insegna, a ragione, la semplificazione come tecnica di sopravvivenza. Ma quando i sistemi diventano realmente multidimensionali, questa abitudine può restringere il campo troppo presto, lasciando inesplorate soluzioni credibili semplicemente perché si collocano al di fuori del territorio familiare.

Apprendimento automatico di livello ingegneristico

La recente attenzione all'intelligenza artificiale, in particolare ai modelli linguistici di grandi dimensioni, ha suscitato entusiasmo e preoccupazione all'interno delle comunità ingegneristiche. Una preoccupazione comune è che gli strumenti di intelligenza artificiale possano sostituire i ruoli più qualificati. Nel contesto dello sviluppo di gruppi propulsori, questa preoccupazione non coglie il punto.

Sviluppo di calibrazioni robuste per motori complessi nel minor tempo possibile in cella di prova (Foto: Secondmind)

Secondmind è un'azienda che sviluppa soluzioni di machine learning specificamente per casi d'uso ingegneristici, anziché adattare strumenti di intelligenza artificiale generici. I metodi sono probabilistici, non generativi, e sono progettati per situazioni in cui i dati sono scarsi, costosi e lenti da produrre. Questo corpus di lavori nasce dalla ricerca dell'Università di Cambridge guidata dal Professor Carl Rasmussen, che è anche Chief Science Officer di Secondmind, e si concentra sul processo decisionale in condizioni di incertezza piuttosto che sulla previsione su larga scala.

L'obiettivo non è automatizzare il giudizio ingegneristico. Si tratta di esporre un problema più ampio di quanto tempo e budget consentirebbero altrimenti. Il machine learning stabilisce le priorità dove concentrare gli sforzi di simulazione e dove l'incertezza rimane elevata. Gli ingegneri decidono quindi come rispondere. Il valore risiede in questa divisione del lavoro: calcolo per far emergere le opzioni, esperienza per scegliere tra esse.

Mantenere le opzioni aperte più a lungo

Invece di impegnarsi fin da subito in una direzione di progettazione ristretta, la tecnologia può consentire agli ingegneri di tenere aperte più opzioni praticabili per più tempo. Ciò significa che i compromessi possono essere valutati in modo esplicito, anziché essere bloccati da ipotesi iniziali che in seguito si rivelano difficili da superare. Costruendo un quadro più ampio di soluzioni accettabili e dei limiti che le definiscono, i team acquisiscono una visione più onesta sia delle opportunità che dei rischi.

Fondamentalmente, l'incertezza non è più nascosta. Le aree in cui la conoscenza è debole vengono rese visibili, consentendo indagini mirate anziché una copertura generalizzata. Questo porta a progetti più robusti e a meno sorprese quando l'hardware viene finalmente costruito.

L'economia della simulazione più intelligente

Per i responsabili dell'ingegneria, sottoposti a costanti pressioni di budget, la velocità del risolutore è solo una parte dell'equazione. Un impatto maggiore deriva dalla selezione delle aree in cui concentrare gli sforzi di simulazione. Identificando le aree di elevata incertezza e prendendo di mira tali aree, l'apprendimento automatico probabilistico guida ogni nuovo batch di simulazioni per fornire il massimo delle informazioni.

È stato dimostrato che questo approccio mirato riduce il numero di simulazioni necessarie di circa l'80%, contribuendo comunque ad aumentare l'affidabilità del risultato. I vantaggi non si limitano alla riduzione dei costi di elaborazione, ma anche a un cambiamento nel modo in cui viene impiegato il tempo di progettazione, passando dall'esecuzione ripetitiva all'interpretazione e al processo decisionale. I cicli di sviluppo si accorciano, la collaborazione migliora e le rielaborazioni in fase avanzata diventano meno probabili.

Progettazione e calibrazione

La stessa complessità di fondo caratterizza il programma, dalla progettazione iniziale fino alla cella di prova. In fase di calibrazione, gli ingegneri devono generare mappe di controllo che bilancino la fasatura di iniezione, la pressione del rail, la gestione dell'aria/percorso e le prestazioni in termini di emissioni nell'intero intervallo operativo. Ancora una volta, il problema è la scala: molte più combinazioni di quante un ingegnere possa ragionevolmente valutare senza l'ausilio di alcuno strumento.

L'applicazione delle stesse tecniche di apprendimento automatico probabilistico alla calibrazione consente ai team di ridurre i tempi di test in cella, il consumo di carburante e i cicli di iterazione, aumentando al contempo la certezza che aree operative critiche non siano state trascurate. Ciò che sembra gestibile su una lavagna diventa rapidamente insormontabile quando si entra in gioco con intervalli operativi reali.

Un cambiamento nella cultura ingegneristica

Il risultato non è la scomparsa dell'intuizione, ma il suo rafforzamento. Le decisioni passano dall'essere difendibili all'essere dimostrabili, mentre la simulazione si trasforma da un necessario collo di bottiglia a una fonte di leva competitiva. Gli ingegneri mantengono la responsabilità delle decisioni, ma con una visione più chiara di compromessi, rischi e opportunità.

Con la crescente complessità dei sistemi di propulsione, questo cambiamento è fondamentale. Norme sulle emissioni, carburanti alternativi, ibridazione ed elettrificazione alzano ulteriormente l'asticella. Le organizzazioni in grado di esplorare in modo ampio, decidere con sicurezza e gestire la complessità in modo efficace agiranno più rapidamente e con meno passi falsi rispetto a quelle che si affidano ancora esclusivamente a un'esplorazione ristretta e a un'intuizione duramente acquisita.

Questo articolo è stato scritto da Nick Appleyard, Country Manager per gli Stati Uniti di Secondmind. È anche direttore esecutivo dell'iniziativa NAFEMS ASSESS, che riunisce industria, governo e mondo accademico per ampliare l'impatto della simulazione nell'ingegneria digitale e nello sviluppo di prodotti.