RBF Morph, società italiana specializzata in mesh morphing e simulazione numerica, ha presentato rbfCAE, una piattaforma che integra intelligenza artificiale, realtà virtuale e modellazione ridotta (reduced-order modelling) all’interno dei processi di progettazione ingegneristica. L’obiettivo dichiarato è ridurre i tempi della simulazione CAE, oggi spesso nell’ordine dei giorni per una singola analisi, e rendere i risultati accessibili anche a figure non specialistiche come designer e decision maker.
Il lancio arriva dopo circa vent’anni di attività dell’azienda nel mesh morphing, la tecnica che consente di modificare la geometria di un modello di calcolo senza ricostruirne la mesh da zero. Proprio la capacità di generare rapidamente varianti geometriche e dataset sintetici è, secondo RBF Morph, ciò che rende questa tecnologia una fonte di dati adatta ad addestrare modelli di AI per l’ingegneria.
Modelli predittivi al posto delle simulazioni complete
Il cuore di rbfCAE è la possibilità di creare, addestrare e utilizzare modelli ridotti basati su tecniche POD (Proper Orthogonal Decomposition) e deep learning. Una volta validati su simulazioni ad alta fedeltà, questi modelli stimano in pochi istanti le prestazioni aerodinamiche, strutturali o termiche di nuove geometrie. Anche per forme mai viste in fase di training, il sistema restituisce un indicatore di affidabilità della previsione, così che l’utente possa valutare quanto fidarsi del risultato.
Il vantaggio atteso è di processo: invece di attendere l’esito di una singola simulazione, i team possono esplorare in poco tempo un ampio ventaglio di alternative e concentrare le analisi complete solo sulle più promettenti.
Interoperabilità e workflow multisolver
La piattaforma parte da un principio: il controllo della geometria deve essere indipendente dal software e dal formato dei dati. Attraverso la suite di connettori rbfCONNECT, rbfCAE dialoga con i principali solver commerciali e open source e permette di sincronizzare fisiche e modelli diversi all’interno dello stesso workflow automatizzato. Secondo l’azienda, il passaggio da un approccio sequenziale a uno simultaneo consente di lavorare fino a cinque volte più velocemente rispetto ai flussi tradizionali.
È su questo fronte che si inserisce l’esperienza di Leonardo. Ivan Spisso, Senior HPC Specialist for CFD/CAE Applications, spiega che nel proof of concept sviluppato con il Digital Hub DAMAS nell’ambito del PNRR rbfCAE è stato impiegato per collegare simulazione avanzata e infrastrutture HPC, con l’obiettivo di costruire dimostratori industriali scalabili e ridurre i tempi di analisi.
I moduli di rbfAI
Le funzioni legate all’intelligenza artificiale sono raccolte nell’ambiente rbfAI, articolato in quattro moduli:
- rbfROM comprime grandi volumi di simulazioni in modelli ridotti che operano quasi in tempo reale, utili per esplorare configurazioni e prevederne il comportamento.
- rbfVR porta questi modelli in realtà virtuale: l’utente può entrare nella geometria, modificarla con gesti naturali e osservare subito l’effetto sulle prestazioni, anche in sessioni condivise tra sedi diverse.
- rbfADJOINT mostra in tempo reale se una modifica di forma migliora o peggiora un determinato KPI, sfruttando il metodo adjoint: con il costo computazionale di una sola simulazione è possibile valutare l’impatto di qualsiasi variazione.
- rbfROC collega le variazioni geometriche al CAD, adattando la mesh alle diverse configurazioni oppure aggiornando il modello CAD in base alla deformazione simulata.
Dall’aerospazio all’automotive
Le prime applicazioni riguardano settori in cui la simulazione pesa sul time-to-market. In ambito aerospaziale, nel progetto DigiPAD è stato generato un database aerodinamico ad alta fedeltà a partire da diverse configurazioni di velivolo, con simulazioni CFD eseguite con SU2, poi compresso in un modello rbfROM per esplorare le alternative progettuali in modo interattivo.
Nell’automotive, RBF Morph ha lavorato con Nissan Motor Corporation su un’ottimizzazione multifisica dei cerchi: rbfCAE ha generato e valutato automaticamente diverse geometrie con il duplice obiettivo di ridurre la massa e migliorare l’aerodinamica, coordinando NASTRAN per l’analisi strutturale ed ELEMENTS per la CFD. Per Claudio Ponzo, R&D Digital Lead di Nissan, l’approccio integrato risponde a esigenze concrete del settore come la riduzione del time-to-market e il superamento della dipendenza dai cosiddetti legacy tool.
La simulazione entra in sala operatoria
Il campo di applicazione più insolito è quello medicale. Nel progetto europeo ROMed2VR, dedicato alla cardiochirurgia pediatrica, sono state simulate diverse varianti dello shunt di Blalock-Taussig modificato su differenti anatomie neonatali. I risultati, convertiti in modelli ridotti e caricati in rbfVR, permettono di confrontare in realtà virtuale posizionamenti alternativi e di valutarne in tempo reale gli effetti emodinamici. Simona Celi, direttrice dell’Unità di Bioingegneria della Fondazione Toscana Gabriele Monasterio, sottolinea come la collaborazione, avviata con progetti europei come Meditate, Copernicus e DITAiD, apra la strada a una pianificazione dei trattamenti sempre più personalizzata.
Verso una simulazione più collaborativa
Per il fondatore Marco Evangelos Biancolini, rbfCAE segna il passaggio della simulazione «da strumento tecnico a esperienza immersiva e collaborativa». Resta da vedere quanto rapidamente le aziende adotteranno modelli predittivi e VR accanto ai tradizionali cicli CAE: la presenza di partner come Leonardo, Nissan e un centro clinico di riferimento indica però che l’approccio ha già superato la fase puramente sperimentale.
