Jimmy Chien – Technical Director (Moldex3D)
In seguito al mio precedente post su:
Programmazione tradizionale → Programmazione assistita dall’IA → Vibe Coding
Questa settimana diverse persone mi hanno chiesto:
“Anche le grandi aziende e i team che si occupano di sistemi centrali sono adatti all’adozione della programmazione assistita dall’IA?”
La mia osservazione è:
La vera domanda non è più se i team debbano utilizzare l’IA.
Le vere domande sono:
Credo che il settore si stia muovendo verso una chiara tendenza:
E tutto questo coinvolge:
-Grandi aziende
-Sistemi finanziari
-Industria dei semiconduttori
-Sistemi di controllo industriale
L’IA è già integrata nei flussi di lavoro di sviluppo quotidiani.
Ad esempio:
La differenza è semplicemente questa:
“Più critico è il sistema, maggiori sono i requisiti per la validazione umana e la governance ingegneristica.”
Le grandi aziende non evitano l’adozione dell’IA, al contrario, stanno ponendo maggiore enfasi su:
“I limiti di utilizzo dell’IA, i processi di validazione e i meccanismi di governance.”
Credo che la programmazione assistita dall’IA non sia più solo un’opzione per alcuni team.
Sta gradualmente diventando il nuovo standard di riferimento per l’ingegneria del software.
Il tuo team ha già iniziato ad adottare ampiamente la programmazione assistita dall’IA?
Qualcuno ha già iniziato a sperimentare Vibe Coding in progetti reali?
vedi anche articolo sul Vibe Coding
Jimmy Chien – Technical director (Moldex3D)
Nel flusso di lavoro CAE, l’analisi raramente rappresenta la parte più dispendiosa in termini di tempo.
Ciò che effettivamente richiede tempo è
l’interpretazione dei risultati, l’organizzazione delle informazioni e la comunicazione dei risultati.
Nelle simulazioni strutturali, termiche, fluidodinamiche e multifisiche, gli ingegneri si trovano costantemente a dover gestire:
👉 È qui che i modelli di apprendimento per rinforzo (LLM) possono iniziare a fornire un valore reale.
I modelli di apprendimento rinforzati non sono pensati per sostituire le simulazioni.
Migliorano il modo in cui gli ingegneri comprendono e spiegano i risultati.
Il loro ruolo può essere visto attraverso diverse sfaccettature:
Trasformare gli output delle simulazioni in linguaggio ingegneristico
I risultati della CAE sono intrinsecamente numerici e visivi,, ma le decisioni ingegneristiche richiedono informazioni interpretabili.
Organizzando metriche chiave e modelli di distribuzione (ad esempio, estremi, gradienti, regioni non uniformi),
i modelli di apprendimento lineare (LLM) possono aiutare a trasformare gli output grezzi in:
👉 Convertire i “grafici dei risultati” in “linguaggio ingegneristico”
In pratica, i problemi raramente derivano da un singolo valore, ma da un insieme di valori: emergono da modelli.
Ad esempio:
I modelli lineari di logica (LLM) possono aiutare gli ingegneri a:
👉 Convertire i “segnali di dati” in “giudizio ingegneristico”
L’interpretazione CAE è fortemente basata sull’esperienza e spesso difficile da scalare.
Integrando:
I modelli lineari di logica (LLM) consentono ai sistemi di fare riferimento alla conoscenza accumulata durante l’analisi.
👉 Passare da un’ingegneria dipendente dall’esperienza a un’ingegneria basata sulla conoscenza
Anche dopo l’interpretazione, la redazione dei report rimane un’attività che richiede molto tempo.
I modelli lineari di apprendimento (LLM) possono generare report strutturati e coerenti che includono:
Questo permette agli ingegneri di spostare l’attenzione dalla documentazione al processo decisionale e al miglioramento della progettazione.
👉 I modelli lineari di apprendimento (LLM) amplificano la comprensione dei risultati da parte degli ingegneri, rendendo l’interpretazione scalabile e ripetibile
Quando l’interpretazione dei risultati non è più limitata dall’esperienza individuale, il valore stesso della CAE può finalmente essere scalato e amplificato.
Jimmy Chien – Technical Director – Moldex3D (CoreTech System Co, Ltd)
Quando si parla di IA agenteica, una reazione comune è: “La maggior parte degli strumenti CAE non ha già delle API?”
È vero.
Ma il vero problema è:
Avere delle API non significa che un sistema sia pronto per l’IA agenteica.
La maggior parte dei sistemi CAE odierni è ancora fondamentalmente progettata per essere:
→ incentrata sull’uomo
piuttosto che:
→ incentrata sull’agente
Anche con le API, questi sistemi sono tipicamente:
Ma l’IA agenteica richiede qualcosa di fondamentalmente diverso.
La differenza fondamentale è:
Automazione ≠ Autonomia
Programmabile ≠ Predisposto per agenti
Un sistema che supporti veramente l’IA agentica necessita di funzionalità quali:
Queste funzionalità sono ancora assenti nella maggior parte dei sistemi CAE attuali.
In altre parole, i sistemi attuali sono per lo più:
→ Gli ingegneri definiscono il processo → i sistemi lo eseguono
Ma l’IA agentica richiede:
→ I sistemi comprendono l’obiettivo → e guidano il processo in avanti
Questo evidenzia un punto critico:
Il fatto che gli strumenti siano pronti per le API non significa che il sistema sia pronto per gli agenti.
La vera sfida non è rendere gli strumenti utilizzabili.
La vera sfida è: Rendere l’intero sistema di ingegneria utilizzabile dagli agenti.
Questo si collega anche a un cambiamento più ampio:
Dai flussi di lavoro guidati dall’uomo ai sistemi di ingegneria orientati agli obiettivi
E questo cambiamento non riguarda solo l’aggiunta dell’intelligenza artificiale.
Riguarda il ripensare il modo in cui vengono progettati i sistemi di ingegneria.
Jimmy Chien – Technical Director – Moldex3D (CoreTech System Co. LTD)
Nei miei post precedenti ho discusso di:
In molti sistemi di ingegneria esistenti, l’IA viene introdotta come una funzionalità:
Ma fondamentalmente, si tratta ancora di:
→ IA sovrapposta a sistemi esistenti
Se l’obiettivo è costruire sistemi di IA agentica, questo approccio non è sufficiente.
La chiave non è aggiungere un altro agente.
Si tratta di:
Se la piattaforma stessa è progettata per supportare agenti autonomi.
Da una prospettiva ingegneristica, una direzione più appropriata è:
→ Progettare una piattaforma di ingegneria agentica
invece di costruire applicazioni che contengono semplicemente agenti.
Una piattaforma di questo tipo potrebbe essere strutturata in questo modo:
Livello applicativo
↓
Livello agente
↓
Livello strumenti
↓
Livello conoscenza
↓
Livello dati
↓
Livello infrastrutturale
Il punto cruciale non sono i livelli in sé, ma il fatto che ciascun livello sia progettato per il funzionamento degli agenti.
Ad esempio:
Livello agente
In questa architettura, l’IA non è più solo una funzionalità, ma diventa parte integrante del funzionamento della piattaforma.
Questo porta a un cambiamento fondamentale:
Da “strumenti abilitati all’IA” a “piattaforme ingegneristiche native per l’IA”
L’attenzione non è più rivolta al numero di funzionalità di IA presenti in un sistema,
ma alla sua capacità di consentire agli agenti di far avanzare continuamente le attività ingegneristiche.
Ciò significa anche che l’IA agenteica non è solo un problema di capacità del modello.
È un problema di progettazione della piattaforma.
I sistemi di ingegneria del futuro non si limiteranno a fornire strumenti, ma parteciperanno attivamente al progresso delle attività di ingegneria.
Questo cambiamento di prospettiva sulla piattaforma potrebbe ridefinire il modo in cui progettiamo il software di ingegneria.
Ing. Alex Anghilieri – Senior Technical Support – Moldex3D ITALIA
Un utilizzo consapevole delle tecnologie odierne
Più scorre il tempo e meno competenze vengono trattenute all’interno delle realtà imprenditoriali che hanno fatto la storia del settore manifatturiero che il mondo ci invidia.
Anni fa era possibile sbagliare, riprovare, sbagliare ancora ed infine giungere al risultato atteso, mettendoci passione, costanza, dedizione, ma soprattutto conoscenza e intelligenza. Direi anche un po’ della cosiddetta fame di cui i guru oltreoceano ci hanno riempito di slogan.
Oggi ahimè non abbiamo più le risorse di tempo ed economiche per giocare al trial and error, siamo in un mondo in cui si vuole tutto e subito, sia nella sfera privata che in quella industriale, che ci sia un bottone che se premuto ci dia il risultato migliore.
Lo stampaggio plastico non è esente da queste considerazioni: manca personale altamente formato e conoscitore del processo, formatosi a fatica sul campo oppure con un bagaglio di conoscenze ampio e preciso.
Moldex3D come può sopperire a queste criticità?
La simulazione, lo dice anche il nome, permette di avere una previsione di cosa accadrà nel processo, quali potranno essere i risultati di una progettazione. Con la digitalizzazione di tutte le informazioni:
Tutto questo si trasforma in un grande calcolo, complesso sì, ma pur sempre un calcolo che genera un numero elevato di risultati, che vanno interpretati, capiti e utilizzati per chiudere il cerchio e validare un processo nella sua interezza.
ED E’ QUI CHE SI VUOLE AVERE IL BOTTONE MAGICO
Moldex3D non ha ancora uno strumento che letteralmente con uno schiocco di dita mi fornisce il mondo, altrimenti al posto di fare software di simulazione probabilmente saremo su Marte a berci un cocktail!
MA…
Sono stati sviluppati strumenti che possono guidare in questa direzione, fornendo un percorso di acquisizione competenze e capacità di individuazione dei fattori chiave per ogni singola problematica.
Le prime basi di questo sono le conoscenze riposte nel mitico Moldiverse, il portale web di Moldex3D in cui ci sono approfondimenti su ogni aspetto del processo di stampaggio.
Un secondo capitolo riguarda il Supporto Tecnico, nato per aiutare nella configurazione del software, nella sua gestione e nella trasmissione di informazioni inerenti il suo utilizzo ma sempre più volto ad aiutare nell’analisi dei progetti.
Il capitolo più grande e con possibilità di maggiori sviluppi ricade tuttavia sotto il cappello definito AI, Intelligenza Artificiale.
Nel mondo questo termine è ormai diventato d’uso comune e si vuole pensare ad esso come ad un sostituto della capacità di ragionamento umana. Per fortuna o purtroppo non è così. Essa, almeno a livello standard con cui comunemente viene utilizzata, è uno strumento, nulla di più, un elaboratore molto, ma molto potente.
Ma come allora in Moldex3D possiamo sfruttarla per tentare di avvicinarci a quel mitico bottone tuttofare?
All’interno di Moldex3D sono presenti alcuni tool specifici che ci permettono di esplorare il “cosa succederà se…?”
Il primo è il DOE, un classico in ambito scientifico, mi permette di osservare se un determinato parametro influenza o meno dei risultati.
Questo tool permette dapire quali fattori possono influenzare uno specifico risultato e come la combinazione di più fattori possa portare al risultato desiderato.
Il secondo si chiama OTTIMIZZAZIONE AI, anche in questo caso il software permette di verificare l’influenza di uno o più parametri. In questo caso l’algoritmo è più smart… imposta in modo automatico i livelli dei fattori e li combina di volta in volta a seconda dei risultati che ottiene man mano che viene portato avanti il calcolo
La scelta di uno o dell’altro strumento si rifà alla tabella mostrata, a seconda che alla persona sia già nota o meno la possibile influenza del fattore
Il terzo è il MWA, Molding Windows Advisor
Questo strumento permette, dopo aver impostato la simulazione standard, con mesh e materiale, di eseguire una serie di calcoli volti a trovare delle finestre di stampaggio in cui i principali parametri possono essere considerati validi per ottenere determinati risultati.
Il quarto è l’iMolding Adviser
Questo strumento permette di farci suggerire dal software in automatico quali parametri sarebbero da cambiare e in quale misura, al fine di ridurre determinati errori che riscontriamo nelle prove stampo.
Lo strumento abbina più calcoli e la risposta del processo reale per guidare l’operatore verso la soluzione del o dei problemi.
Infine abbiamo il mondo dell’ iSLM al cui interno ci sono alcuni strumenti accattivanti, che si basano però sullo storico dei vostri progetti.
Esso permette infatti di sviluppare suggerimenti sul posizionamento dei punti di iniezione e sui parametri di processo basandosi sul database aziendale caricato.
La simulazione nasce come un supporto per aiutare ed avere più informazioni utili per prendere decisioni, oltre che poter intercettare in fase preliminare eventuali possibili problematiche.
Questi strumenti si spingono ancora più in là, fornendo dei percorsi di ragionamento ed analisi più completi volti sempre ad ottenere il meglio. Nulla è esente dal ragionamento delle persone, serve sempre avere una persona alla guida… o che abbia progettato un sistema di guida automatica consistente (devo dire in qualche modo alla macchina dove voglio andare…altrimenti sta ferma….!)
Jimmy Chien – Moldex3D ( CoreTech System Co., Ltd) Director
La scorsa settimana ho condiviso una prospettiva:
Gli agenti IA non sostituiranno i solutori CAE, ma probabilmente rimodelleranno i flussi di lavoro ingegneristici (workflow).
In molti team di ingegneri, una parte significativa del lavoro CAE è dedicata ad attività legate ai processi, come:
Queste attività sono essenziali, ma anche altamente ripetitive.
Gli agenti IA possono svolgere un ruolo importante in questo contesto come orchestratori di flussi di lavoro:
gestendo i processi, monitorando i progressi e coordinando i diversi strumenti.
Ma se facciamo un ulteriore passo avanti, emerge una nuova domanda:
Cosa succederebbe se l’IA non si limitasse a eseguire attività, ma fosse in grado di comprendere gli obiettivi ingegneristici, scomporre i problemi e decidere autonomamente le azioni successive? ovvero diventi predittiva.
È qui che entra in gioco il concetto di IA agentica.
Rispetto a un singolo agente IA, l’IA agentica si comporta più come un sistema di ingegneria autonomo.
Non si limita a richiamare strumenti; può:
Se applichiamo questo concetto ai flussi di lavoro CAE, il processo futuro potrebbe essere simile a questo:
L’ingegnere definisce il problema di progettazione e gli obiettivi
↓
L’IA agentica pianifica la strategia di analisi
↓
Il sistema crea il flusso di lavoro di simulazione
↓
Le simulazioni vengono eseguite automaticamente con monitoraggio e regolazioni
↓
I risultati vengono consolidati in informazioni pronte per il processo decisionale
…….. A prima vista, potrebbe sembrare che gli ingegneri saranno meno coinvolti nel processo di analisi.
In realtà, potrebbe essere vero il contrario.
Con l’automazione crescente dei flussi di lavoro, l’esperienza CAE diventa ancora più cruciale.
L’IA può eseguire processi, ma definire le giuste domande ingegneristiche, comprendere la fisica alla base del problema e interpretare i risultati richiede ancora una profonda conoscenza ingegneristica.
In un ambiente di IA agente, il ruolo degli ingegneri si sposta gradualmente da:
“utilizzo di strumenti di simulazione”
a
“progettazione di strategie di analisi e framework decisionali”.
In altre parole, il focus del lavoro ingegneristico si sposta dall’utilizzo degli strumenti al giudizio ingegneristico.
Con l’evoluzione dei flussi di lavoro ingegneristici, è probabile che si passi da processi guidati dagli strumenti a sistemi orientati agli obiettivi.
E in questa transizione, un aspetto importante diventa chiaro:
L’IA agente non riduce l’importanza delle competenze ingegneristiche.
Le amplifica.
Perché quando l’esecuzione viene automatizzata, la vera differenza non sta più in chi sa usare gli strumenti, ma in chi comprende il problema ingegneristico
“Utilizzo dello strumento, accompagnato dal’esperienza e dalla competenza ingegneristica, produce la soluzione attesa”.
Jimmy Chien – Moldex3D ( CoreTech System Co., Ltd) Director
Recentemente, i termini “Agenti di IA” e “IA agentica” vengono spesso usati insieme nelle discussioni sui sistemi di IA.
Dal punto di vista di un sistema di ingegneria, la differenza può essere compresa come segue:
Agenti di IA
Agentica IA
Oggi, molti sistemi includono già Agenti di IA in grado di eseguire attività o automatizzare fasi del flusso di lavoro.
Ma il passaggio all’IA agentica non significa semplicemente aggiungere più agenti.
Una domanda più importante è:
Il sistema di ingegneria possiede le capacità necessarie per supportare agenti autonomi?
Dal punto di vista della piattaforma, tre elementi fondamentali sono particolarmente importanti.
1️⃣ Strumenti: Strumenti che l’IA può orchestrare
L’IA agentica richiede strumenti che possano essere richiamati e coordinati a livello di programmazione.
Esempi includono:
2️⃣ Conoscenza: Conoscenza ingegneristica strutturata
Le decisioni ingegneristiche spesso si basano su competenze specifiche del settore, come ad esempio:
3️⃣ Dati: Infrastruttura dati ingegneristici
I sistemi agenti si basano anche su dati ingegneristici storici, tra cui:
Molte organizzazioni adottano l’IA aggiungendo funzionalità di IA isolate.
Ma supportare l’IA agentica richiede un cambiamento più ampio.
Non si tratta più solo di aggiungere l’IA, ma di ripensare la piattaforma ingegneristica stessa.
Perché in fin dei conti:
L’IA agente non è solo un problema di capacità dell’IA. È anche un problema di architettura di sistema.
Jimmy Chien – Moldex3D ( CoreTech System Co., Ltd) Director
Come i modelli linguistici e l’apprendimento automatico tradizionale (ML/DL) collaborano
La scorsa settimana ho condiviso un post in cui spiegavo perché i modelli linguistici e l’apprendimento automatico tradizionale (ML/DL) risolvono i problemi a livelli diversi.
La risposta ha suscitato un’interessante domanda di approfondimento:
👉 Se non dovessero sostituirsi a vicenda, come dovrebbero coesistere nei sistemi reali?
Una questione ingegneristica da tenere a mente:
In pratica, i sistemi che scalano bene tendono a seguire un principio semplice:
I modelli linguistici non dovrebbero essere responsabili delle decisioni numeriche e l’apprendimento automatico non dovrebbe essere responsabile della comprensione del linguaggio.
L’obiettivo dell’integrazione non è quello di accumulare funzionalità, ma di permettere a ciascun modello di concentrarsi su ciò che sa fare meglio.
Riflessioni sull’integrazione:
A livello architetturale, un’integrazione efficace si riduce solitamente a tre concetti:
Governance e scalabilità
Con la crescita dei sistemi, l’integrazione deve rimanere controllabile ed estensibile.
Una nota su Skills e MCP:
Nei sistemi reali, l’integrazione si manifesta spesso a due livelli complementari:
Skills
Un modo pratico e intuitivo per i modelli di apprendimento basati su logica (LLM) di accedere alle funzionalità esistenti di ML/DL.
MCP (Model Coordination / Context Protocol)
Un livello architetturale di livello superiore che governa quali funzionalità un LLM può utilizzare e come vengono esposte.
Non credo che i futuri sistemi di IA saranno “solo LLM”.
Una direzione più realistica potrebbe essere questa:
ML/DL costituiscono le fondamenta computazionali e decisionali,
i modelli LLM forniscono comprensione e interazione,
e Skills e MCP fungono da collante che consente la collaborazione.
Non si tratta di schierarsi pro o contro AI, ma di definire una disciplina ingegneristica.
Nei vostri sistemi attuali, i modelli LLM sono ancora un livello di supporto o stanno iniziando a spostarsi verso il nucleo centrale di interesse aziendale?
Vi rimandiamo ad un prossimo articolo
#MachineLearning #DeepLearning #LargeLanguageModels AIEngineering #AIArchitecture #AppliedAI
Jimmy Chien – Moldex3D ( CoreTech System Co., Ltd) Director
⚙️
Abbiamo discusso di come il CAE possa essere integrato con l’IA attraverso approcci come:
Questa settimana, vorrei approfondire ulteriormente l’argomento 👇
👉 E se l’IA non fosse solo un assistente per l’ottimizzazione, ma l’ottimizzatore stesso?
🔹 L’IA non è più solo un acceleratore, ma un decisore
L’ottimizzazione CAE tradizionale segue solitamente questo schema:
Variabili di progettazione → Algoritmo di ottimizzazione (GA / PSO / Gradiente) → CAE → Feedback → Iterazione
Nell’ottimizzazione nativa dell’IA, l’IA assume direttamente il ruolo di ricerca, presa di decisioni e apprendimento strategico.
1️⃣ Apprendimento per rinforzo (RL): Trattare l’ottimizzazione come un problema decisionale
L’IA non si limita a minimizzare o massimizzare una funzione. Piuttosto, apprende:
👉 Quali azioni portano ai migliori risultati a lungo termine in base ai diversi stati di progettazioneQuesto approccio è particolarmente adatto per:
📌 Differenza chiave: l’RL non ottimizza per una singola soluzione finale, ma apprende una strategia di progettazione riutilizzabile.
2️⃣ Il Deep Learning come ottimizzatore a scatola nera
Un altro approccio consiste nel lasciare che l’IA apprenda direttamente la mappatura tra:
Progettazione → Risultato → Qualità
Input: geometria, parametri, condizioni
Output: punteggi, fattibilità o persino proposte di progettazione
Obiettivo dell’addestramento: generare progetti progressivamente migliori
In questa configurazione:
Non esiste un algoritmo di ottimizzazione esplicito
Non ci sono regole di ricerca definite manualmente
La logica di ottimizzazione è integrata nel modello stesso
📌 In sostanza: il modello sta imparando cosa significa “buona progettazione”.
3️⃣ I modelli lineari di apprendimento (LLM) come orchestratori di progettazione e ottimizzazione
Oggi, i modelli lineari di apprendimento stanno entrando nell’ottimizzazione ingegneristica, non come chatbot, ma come coordinatori.
I modelli di apprendimento per rinforzo (LLM) possono:
In questo contesto, i modelli di apprendimento per rinforzo agiscono come:
👉 Controllori di ottimizzazione di alto livello o gestori di strategie di progettazione
Potrebbero non calcolare direttamente i numeri, ma decidono cosa ottimizzare successivamente e come.
🔍 Un cambiamento fondamentale
Questi sviluppi indicano una transizione importante:
❌ L’ottimizzazione non è solo una ricerca numerica
✅ L’ottimizzazione è un processo di apprendimento, presa di decisioni ed evoluzione strategica
e quindi l’IA può:
Imparare dai progetti passati, Ricordare successi e fallimenti, Trasferire strategie tra progetti
L’ottimizzazione CAE diventa più di una semplice attività computazionale una tantum.
👉 Hai mai sperimentato con l’RL, l’ottimizzazione end-to-end basata sull’IA o flussi di lavoro guidati da modelli di apprendimento per rinforzo (LLM)?
👉 Consideri l’IA come un motore di ottimizzazione o principalmente come uno strumento di supporto?
Parliamone 👇
Moldex3D integra simulazione e produzione per creare l’ecosistema cloud che ti aiuta a stabilire, conservare e gestire le risorse di conoscenza per portare avanti la trasformazione digitale.
Accedi a Moldiverse in qualsiasi momento, ovunque e su qualsiasi dispositivo per velocizzare il tuo flusso di lavoro di simulazione dello stampaggio.
Ottieni materiali alternativi, parametri stimati del design del prodotto (come la velocità di taglio del canale) e impostazioni macchina ottimizzate per i collaudi dello stampo, tutto con un solo account Moldiverse.
I servizi basati sul cloud permettono un accesso facile in qualsiasi momento, ovunque e da qualsiasi dispositivo
Prendi decisioni informate grazie a una gestione centralizzata e intelligente dei dati
Accelera la trasformazione digitale abbattendo i ritardi nel flusso di lavoro
clicca qui e accedi a Moldiverse
iModing Hub – Connetti la tua simulazione alla pressa di stampaggio
Tradizionalmente, la simulazione del processo di stampaggio a iniezione mediante software CAE come Moldex3D è stata utilizzata prevalentemente in fase di progettazione, con l’obiettivo di validare la geometria del pezzo e dello stampo prima della produzione.
In questo contesto, la simulazione assume un ruolo prevalentemente “preventivo”, scollegato dal processo produttivo reale.
L’evoluzione dei sistemi di acquisizione dati, della capacità di calcolo e delle tecniche di intelligenza artificiale ha tuttavia permesso di superare questo approccio “statico”, trasformando la simulazione in un modello dinamico e continuamente modificabile (morphing) e aggiornabile.
In tale prospettiva, Moldex3D rappresenta il nucleo fondamentale del modello digitale del processo di stampaggio, costituendo la base per la realizzazione di un digital twin.
La simulazione con Moldex3D permette quindi di avviare i processi reali solo quando ho la Totale Confidenza Digitale (Total Digital Confidence) di quello che si andrà a fare ed ottenere nella realtà fisica.
Nel contesto del digital twin, Moldex3D fornisce la descrizione fluidodinamica e termomeccanica del processo di stampaggio, consentendo di correlare parametri dimensionali (parte, sistema di alimentazione, sistema di condizionamento, ecc.), parametri di processo, condizioni al contorno e proprietà del materiale per una migliore qualità finale del pezzo.
Il modello di simulazione può essere calibrato mediante dati sperimentali e successivamente aggiornato utilizzando informazioni provenienti dal processo reale, quali temperature, pressioni e tempi ciclo.
In questo modo, il digital twin non si limita a replicare il comportamento del sistema reale, ma ne consente anche l’analisi predittiva, permettendo di valutare in anticipo gli effetti di variazioni di processo o di materiale sulla qualità del prodotto.
Discorso simile vale anche quando si passa da una tipologia di analisi e simulazione di tipo ingegneristico (CAE) and una di tipo Machine.Mode, coinvolgendo il modello matematico virtuale della macchina di stampaggio verso la quale si vuole indirizzare l’attività reale
Con Moldex3D è possibile impostare i parametri di processo considerando la pressa su cui si andrà a stampare, inserendo i dati come se si fosse in macchina
In questo caso, coinvolgendo anche il produttore di presse di stampaggio è stato possibile definire un protocollo di collegamento e modalità appropriate, per scambiare direttamente dati verso la macchina di stampaggio,e , in modo bi-direzionale, riportare i parametri reali di stampaggio verso il sistema di analisi Moldex3D per una simulazione finale.
Di seguito un esempio di Machine Twin (FANUC)
L’integrazione di tecniche di intelligenza artificiale (AIG Artificial Intelligence Generative) consente di superare i limiti computazionali e operativi delle simulazioni “tradizionali”.
L’AIG utilizza lo stesso linguaggio di programmazione utilizzati nell’ambiente di sviluppo di Moldex3D API (Application Programming Interface), ovvero Phyton.
Gli algoritmi di machine learning possono essere addestrati utilizzando sia i risultati delle simulazioni Moldex3D sia i dati raccolti durante la produzione reale, creando modelli ibridi fisico–data-driven.
L’ambiente in cui convergono tutte queste applicazioni si chiama iSLM, ovvero Intelligent Simulation Lifecycle Managemet system, costituito da un portale per la gestione dei progetti nel loro insieme, la condivisione e la raccolta delle conoscenze e delle regole utilizzate in azienda, sia per l’ufficio tecnico sia per il reparto produzione.
Questi modelli permettono di:
• accelerare la valutazione di scenari di processo complessi;
• individuare relazioni non lineari tra parametri di processo e difetti di stampaggio;
• supportare l’ottimizzazione automatica dei parametri operativi.
In tale contesto, l’Intelligent Solver Learning Method integrato in Moldex3D rappresenta un primo esempio di applicazione dell’intelligenza artificiale direttamente all’interno dell’ambiente di simulazione.
Moldex3D, integrato con AIG, fornisce quindi nuovi modelli decisionali come il concetto di similarità tra modelli e processi, il concetto di modello surrogato, un percorso completo modello/processo di tipo predittivo, e sistemi correlati di tipo esperto (DOE Design Of Experiment) estremamente efficaci.
Combinando il modello virtuale fornito da Moldex3D con modelli predittivi basati su intelligenza artificiale, il digital twin diventa uno strumento operativo a supporto del controllo di processo. Attraverso il confronto continuo tra dati simulati e dati reali, è possibile individuare pericolose derive di processo e prevedere il verificarsi problematiche o difettosità potenziali prima che questi si manifestino sul prodotto finito.
Questo approccio consente di passare da una logica di controllo reattivo a una logica di controllo predittivo, migliorando la stabilità del processo di stampaggio e riducendo la variabilità della qualità del prodotto.
L’integrazione tra Moldex3D, intelligenza artificiale e digital twin rappresenta un passo fondamentale verso l’implementazione dei paradigmi di Industria 4.0 nel settore dello stampaggio delle materie plastiche.
La simulazione non è più un semplice strumento di supporto alla progettazione, ma diventa parte integrante del sistema produttivo, contribuendo in modo attivo all’ottimizzazione continua del processo, in un’ottica di raggiungimento dell’obiettivo T0, ovvero di fare la cosa giusta al primo colpo.
In un capitolo successivo verranno approfonditi i principi dell’intelligenza artificiale applicata ai processi industriali e le architetture tipiche dei digital twin, con particolare riferimento al loro impiego in ambiente di simulazione (Moldex3D) e nel controllo e nell’ottimizzazione dello stampaggio a iniezione.
Moldex3D Viewer è un potente strumento gratuito per la lettura dei progetti di analisi sviluppati nella piattaforma Moldex3D di nuova generazione, Studio. Offre una varietà di strumenti di post-elaborazione per visualizzare le proprietà chiave e analizzare in dettaglio le simulazioni di stampaggio.
Moldex3D Viewer offre una piattaforma di comunicazione completa che aiuta gli utenti a migliorare l’efficienza nella verifica e nell’ottimizzazione della progettazione. È ideale per la discussione e la collaborazione interfunzionale, consentendo di visualizzare i pro e i contro di tutte le simulazioni e di condividere informazioni più specifiche, ad esempio tra progettisti di componenti, costruttori di stampi, ingegneri di attrezzaggio o clienti in tutto il mondo.
Se desideri provare tutte le funzionalità di Moldex3D, non perderti la nostra prova gratuita.
| Platform | Windows 10, Windows 11, Windows Server 2019, Windows Server 2022 |
| Hardware | CPU speed 2 Ghz, Main memory 16 GB, 20GB free disk space (at least 2 GB for installation) OpenGL 4.3 or higher, 512 MB or larger DRAM graphic cards Screen Resolution: 1920 x 1080 |
Iscriviti alla nostra newsletter
