In un contesto in continua evoluzione esponenziale della tecnologia, l’analisi CAE (Computer-aided engineering) ci viene incontro e ci aiuta ad affrontare l’enorme sfida cognitiva che ne consegue. Attraverso le tre fasi di pre-processing, solution e post-processing è possibile intuire, identificare, risolvere o, se vogliamo, immaginare, il futuro imminente dello sviluppo di un prodotto arrivando alla sua concreta creazione con una base più solida.

I metodi di calcolo entrano dunque nel vivo della concretezza ingegneristica portando benefici, sviluppo e tecnologia, fino a qualche decennio fa neanche pensabili.

Si pensi ad esempio alla riduzione di emissioni di CO2 da parte dei veicoli: quale soluzione per un problema così preponderante, in un mondo in cui i cambiamenti climatici sono sempre più evidenti? Una prima risposta è stata fornita dal passaggio graduale all’elettrico, ma non solo: la riduzione del peso del veicolo e dei suoi componenti meccanici è divenuto nel tempo un ‘must’ nell’industria dell’automotive e dell’aerospazio. A tali richieste l’ingegneria ha risposto con metodi di ottimizzazione progettuale, come quella topologica, sviluppati sempre in ambito CAE.

Quando si parla di ottimizzazione, non si può non pensare alle nuove frontiere di machine learning, (in italiano tradotto come “apprendimento automatico”).

Grazie al machine learning si sta rivoluzionando ulteriormente il modo di programmare, con la generazione di algoritmi estremamente performanti e capaci di identificare in maniera quasi del tutto autonoma i pattern di dati da seguire per ottenere i risultati finali.  

Un esempio proattivo di machine learning è dato dalle reti neurali. Cos’è una rete neurale? Siamo abituati a pensarla in chiave puramente biologica ma in realtà, dal punto di vista matematico, una rete neurale è un insieme di semplici elementi chiamati neuroni, in grado sia di svolgere operazioni elementari che comunicare fra loro in modo sequenziale e parallelo, agendo proprio come delle piccole cellule: la risposta finale sarà il frutto della connessione fra questi neuroni. Con questo approccio è possibile generare funzioni, anche particolarmente complesse, basandosi sulla sovrapposizione delle molteplici operazioni elementari svolte in parallelo, con notevole velocità computazionale e flessibilità nella risposta. Nella fase preliminare di training (allenamento) della rete si presentano gli input e gli output del sistema da riprodurre: i parametri della rete si riadattano in modo da approssimare in maniera fedele ciò che si vuole simulare. All’interno del nostro gruppo stiamo investendo fortemente sullo sviluppo di tools che ci permetteranno di elaborare in maniera veloce ed efficiente risultati anche su larga scala.

All’interno del Mechanical Expertise Center di Altran possiamo contare sul know-how legato a tutto il processo progettuale: dal il design e l’idea di prodotto (CAD) fino alla validazione finale (CAE) sulla fattibilità della soluzione proposta. Ovviamente tenendo conto delle necessità di clienti di diverse linee di mercato (Aerospazio e difesa, Automotive, Industria del Bianco ecc), che da diversi anni si affidano a noi per assisterli nello sviluppo avanzato dei loro prodotti.

Cerchiamo gente preparata e soprattutto appassionata che abbia voglia di esplorare con noi le nuove frontiere della simulazione virtuale e che abbia voglia di entrare a far parte di un gruppo di lavoro proattivo che non si tira indietro di fronte alle sfide che il futuro dell’ingegneria ci mette davanti.

Ti piacerebbe entrare a far parte di Altran? Consulta le nostre offerte di lavoro e invia la tua candidatura cliccando qui