Analisi degli effetti del transfer learning da simulazione numerica sull’addestramento di un digital twin del processo di stampaggio a iniezione

Per ridurre i tempi correlati al setup delle presse per stampaggio ad iniezione si possono impiegare degli algoritmi di machine learning. Tali algoritmi vanno a predire, a partire dai parametri di processo, una serie di output di interesse. Nel caso in esame si vuole realizzare una rete neurale che possa predire la presenza di linee di giunzione su di un componente industriale prodotto da Vimar Spa. Nella fattispecie si vuole analizzare la fattibilità dell’impiego dei concetti del Transfer Learning per ridurre l’onere sperimentale associato alla realizzazione della rete neurale stessa. A tale scopo si è valutata la possibilità di usare un primo dataset ottenuto mediante simulazioni numeriche di processo per pre-addestare il modello; quindi ri-allenare la rete sfruttando un ridotto dataset sperimentale per colmare il gap tra simulazioni numeriche e realtà sperimentale. Si è quindi valutata la possibilità di ridurre l’onere computazionale connesso alla realizzazione del dataset sintetico tramite l’utilizzo di reti neurali informate dalla fisica. Infine, si è valutata la possibilità di riutilizzare le simulazioni di processo realizzate nelle prime fasi per eseguire un Transfer Learning su di un secondo componente. Il miglioramento delle prestazioni ottenute mediante l’applicazione del Transfer Learning permette di facilitare l’implementazione in ambito industriale dei modelli di ML riducendo le spesse connesse alla loro implementazione.