Una panca in calcestruzzo gettato in opera ridisegnata con la topology optimization pesa il 46% in meno dell’originale: da 258,3 a 139,4 kg, con freccia massima contenuta sotto i 2 mm e tensione di compressione massima di 15,5 MPa, entro il limite ammissibile del calcestruzzo C20/25. Sono i risultati dichiarati in uno studio pubblicato su CivilEng (doi: 10.3390/civileng6040068), a firma di Mohamed Gindy, Moutaman M. Abbas, Radu Muntean e Silviu Butnariu, in cui un framework di ottimizzazione topologica density-based implementato in ANSYS Mechanical è integrato con un modello surrogato basato su deep learning per contenere i tempi di calcolo, ridotti di oltre 105 volte rispetto all’ottimizzazione con analisi agli elementi finiti completa.
Contesto: efficienza del materiale ed emissioni
L’industria del cemento contribuisce in modo significativo alle emissioni globali di CO2 e, su questa premessa, gli autori collocano l’efficienza del materiale nelle strutture in calcestruzzo come obiettivo di sostenibilità. Il bersaglio dello studio è l’uso eccessivo di cemento tipico della progettazione tradizionale in calcestruzzo, affrontato su un caso applicativo concreto: una panca gettata in opera, dimensionata per condizioni di carico realistiche da uso pubblico.
Il framework: ottimizzazione topologica e surrogato deep learning
Il cuore del metodo è una formulazione density-based della topology optimization implementata in ANSYS Mechanical. In questo tipo di approccio il dominio strutturale è descritto da una variabile di densità che, convergendo verso i valori estremi, definisce le zone da svuotare e quelle da mantenere, conducendo a una geometria a minimo massa. L’obiettivo dello studio è proprio la minimizzazione della massa strutturale nel rispetto di vincoli di servizio e di resistenza, con limiti sugli spostamenti e sulla tensione di compressione valutati sotto i carichi d’uso previsti.
Il secondo componente è il modello surrogato basato su deep learning, introdotto per accelerare le prestazioni computazionali del processo. Nel caso studiato il surrogato raggiunge una strong accuratezza predittiva, quantificata con due metriche di sovrapposizione: IoU (Intersection over Union) pari a 0,75 e coefficiente di Dice pari a 0,73, indicatori comunemente utilizzati per misurare l’accordo tra una configurazione spaziale predetta e quella di riferimento. La riduzione dei tempi di calcolo dichiarata è superiore a 105 volte rispetto all’ottimizzazione condotta con analisi FEM complete.
Completa il flusso la fase di visualizzazione: la geometria ottimizzata è stata ricostruita e renderizzata in Blender.
Risultati dichiarati
- Massa: riduzione del 46%, da 258,3 a 139,4 kg;
- Convergenza: raggiunta in 62 iterazioni;
- Servizzabilità: freccia massima inferiore a 2 mm;
- Resistenza: tensione di compressione massima di 15,5 MPa, entro il limite ammissibile del C20/25;
- Accuratezza del surrogato: IoU = 0,75, Dice = 0,73;
- Efficienza computazionale: tempi ridotti di oltre 105 volte rispetto all’ottimizzazione FEM completa.
Rilevanza per la progettazione
Gli autori leggono i risultati come evidenza del potenziale della combinazione tra topology optimization e machine learning per ridurre il consumo di materiale, migliorare l’efficienza strutturale e sostenere pratiche costruttive più sostenibili nel calcestruzzo. Per il progettista strutturale, l’aspetto operativo più diretto è il costo computazionale: il surrogato deep learning dimostra, nel caso esaminato, che l’onere dell’ottimizzazione topologica basata su analisi FEM complete può essere contenuto di oltre due ordini di grandezza, mantenendo al contempo il rispetto dei vincoli di deformabilità e tensione.
Perimetro dei risultati
I valori riportati si riferiscono al caso studiato: una panca in calcestruzzo gettato in opera, classe C20/25, sottoposta a carichi da uso pubblico, con prestazioni come dichiarate dagli autori. La riduzione di massa del 46%, il guadagno di velocità oltre 105 volte e le metriche IoU/Dice del surrogato sono specifici di questo caso e non costituiscono prestazioni generali della metodologia: estensioni ad altri elementi, materiali o condizioni di carico richiederebbero verifiche dedicate.
Il caso documenta comunque un flusso di lavoro completo, dall’ottimizzazione topologica con vincoli normativi di servizio e resistenza alla visualizzazione della geometria finale, in cui il deep learning interviene in modo circoscritto sul costo computazionale, senza sostituire la modellazione agli elementi finiti come riferimento dell’ottimizzazione completa.
Lascia un commento