Verso la simulazione in tempo reale: utilizzo di modelli AI per la risoluzione accelerata di problemi CFD complessi

L’evoluzione dei modelli di Deep Learning e il costante incremento della potenza computazionale hanno rivoluzionato i processi di progettazione e analisi in ambito ingegneristico. Nel contesto della fluidodinamica computazionale (CFD), le reti neurali a grafo (Graph Neural Networks - GNN) rappresentano una tecnologia emergente di grande potenziale: fornendo predizioni pressoché istantanee, permettono di superare i limiti temporali dei solutori tradizionali, che spesso richiedono tempi di elaborazione nell’ordine di ore o giorni. Il presente elaborato si pone l’obiettivo di analizzare i vantaggi e le eventuali limitazioni dell’applicazione delle reti neurali a grafo in ambito CFD. Nello specifico, viene descritta la procedura di generazione del dataset sintetico, successivamente impiegato per l’addestramento di un’architettura neurale basata sulla metodologia X-MeshgraphNet, e la relativa fase di predizione. Per valutare l’efficacia del modello, i risultati ottenuti sono stati confrontati con una simulazione CFD tradizionale al fine di individuarne gli scostamenti. Il caso applicativo in esame consiste nell’analisi termofluidodinamica di un cabinato elettrico, al cui interno un trasformatore dissipa calore per convezione naturale con l’ambiente circostante. I risultati dimostrano che l’integrazione delle reti neurali nella CFD abbatte significativamente il tempo computazionale. A fronte di un errore di predizione estremamente contenuto, la drastica contrazione delle risorse temporali richieste conferma la validità di questo approccio, che si configura come un nuovo e potente strumento di supporto alle decisioni in tempo reale e alla progettazione interattiva.