Per inviarci segnalazioni, foto e video puoi contattarci su info@moto.it
Quando si parla di intelligenza artificiale applicata all’automobile, il pensiero corre quasi sempre alla guida autonoma, agli assistenti di bordo o ai software che gestiscono l’energia nelle vetture elettriche. Molto meno visibile, ma non meno importante, è invece il lavoro che l’AI sta svolgendo a monte, nello sviluppo dei singoli componenti.
È il caso degli pneumatici, prodotti apparentemente semplici ma in realtà costruiti attorno a equilibri estremamente complessi. Una gomma deve offrire aderenza sull’asciutto e sul bagnato, limitare la resistenza al rotolamento, contenere il rumore, sopportare carichi sempre maggiori, garantire durata e comfort e, allo stesso tempo, integrare una quota crescente di materiali di origine biologica o riciclata.
Per rispondere a questa complessità Pirelli ha sviluppato il Virtual Compounder, uno strumento basato sull’intelligenza artificiale che affianca i tecnici nella progettazione delle mescole. Non si tratta di un sistema che “inventa” autonomamente uno pneumatico, ma di una piattaforma capace di analizzare migliaia di combinazioni, prevederne il comportamento e restringere il campo delle soluzioni da portare realmente in laboratorio.
La mescola è uno degli elementi decisivi nella progettazione di una gomma. È composta da polimeri, silice, carbon black, oli, resine, zolfo, additivi e numerose altre sostanze che, una volta miscelate, non si limitano a convivere tra loro, ma reagiscono chimicamente.
Modificare la quantità o la tipologia di un singolo ingrediente può migliorare una prestazione e peggiorarne un’altra. Aumentare il grip può incidere sull’usura; ridurre la resistenza al rotolamento può rendere più difficile mantenere elevate prestazioni sul bagnato; incrementare la durata può alterare comfort o comportamento dinamico.
Il lavoro del compounder, lo specialista che sviluppa queste "ricette", consiste proprio nel governare questi compromessi. Tradizionalmente il processo partiva da una formulazione già esistente, modificata progressivamente attraverso una lunga sequenza di prototipi, prove di laboratorio, analisi e correzioni. Un metodo efficace, ma lento. E oggi il tempo è diventato una delle variabili più critiche.
Il ciclo di sviluppo delle automobili si è ridotto drasticamente. Una nuova generazione di vetture può essere progettata nell’arco di due o tre anni, mentre in alcuni mercati, in particolare quello cinese, i costruttori chiedono soluzioni specifiche nel giro di pochi mesi.
Parallelamente sono aumentati anche i requisiti richiesti agli pneumatici. Non si parla più soltanto di tenuta sull’asciutto, sul bagnato e di resistenza al rotolamento. Oggi i costruttori chiedono prestazioni precise in termini di rumorosità, comfort, aerodinamica, capacità di carico, frenata, usura ed efficienza.
Il peso crescente delle automobili, legato anche alla diffusione delle vetture elettriche, ha ulteriormente complicato lo scenario. Gli pneumatici devono sopportare masse superiori, garantire elevata percorrenza e contribuire all’autonomia senza penalizzare la sicurezza.
Con un processo esclusivamente fisico, la risposta rischierebbe di arrivare quando il progetto dell’auto è già avanzato o addirittura superato. Da qui la necessità di trasferire una parte crescente dello sviluppo in ambiente virtuale.
Il Virtual Compounder utilizza oltre dieci anni di risultati di laboratorio e più di 20.000 formulazioni sviluppate da Pirelli. Questa base di conoscenza consente al sistema di riconoscere le relazioni tra ingredienti, quantità e proprietà fisiche della mescola.
Il punto di partenza non è più necessariamente una ricetta esistente. Il compounder può impostare direttamente gli obiettivi richiesti al sistema virtuale: più grip, minore resistenza al rotolamento, maggiore durata, migliore comportamento alle basse temperature oppure una percentuale superiore di materiali bio-based e riciclati.
L’algoritmo genera e confronta numerose varianti, prevedendo le conseguenze delle modifiche prima ancora che la mescola venga prodotta. I risultati possono essere visualizzati attraverso grafici che mostrano l’effetto di ogni formulazione sulle diverse prestazioni.
Il tecnico può così selezionare le soluzioni più promettenti e portare in laboratorio soltanto un numero limitato di varianti. Il test fisico non scompare, ma cambia funzione: da strumento di esplorazione diventa soprattutto una verifica delle previsioni formulate digitalmente.
Il Virtual Compounder combina due famiglie di modelli. La prima è una forma di Generative AI, diversa dai modelli linguistici come ChatGPT. Pirelli utilizza reti neurali addestrate sulle formulazioni e sui risultati di laboratorio raccolti negli anni. Questi sistemi sono particolarmente efficaci quando lavorano con materiali e combinazioni già presenti nel patrimonio tecnico dell’azienda.
La seconda è la Physics-Informed AI, un’intelligenza artificiale che integra nei modelli le leggi della fisica e della chimica. È l’elemento che permette al sistema di spingersi oltre la semplice analisi dei dati storici e di formulare previsioni anche su ingredienti nuovi o ancora poco utilizzati.
La differenza è sostanziale. Un modello basato soltanto sui dati del passato rischierebbe di essere efficace nel perfezionare ciò che già esiste, ma meno capace di esplorare materiali completamente nuovi. La componente fisico-chimica aiuta invece l’algoritmo a comprendere come una nuova sostanza potrebbe interagire con gli altri ingredienti della mescola. L’unione dei due approcci consente quindi di combinare esperienza statistica e conoscenza scientifica.
Il Virtual Compounder non nasce, quindi, per sostituire il tecnico, ma per ampliarne le possibilità.
Formare un compunder richiede anni. Prima di poter lavorare su un componente così rilevante per la sicurezza di un’automobile servono esperienza, conoscenza dei materiali e capacità di interpretare fenomeni difficili da ridurre a una semplice formula.
Il sistema mette però a disposizione del tecnico un patrimonio di dati strutturato che in passato rimaneva in parte legato all’esperienza individuale. Questo può accorciare i tempi di formazione, facilitare il trasferimento della conoscenza aziendale e permettere ai compounder di lavorare contemporaneamente su un numero maggiore di progetti.
È sempre il tecnico a definire gli obiettivi, valutare la coerenza delle soluzioni proposte e decidere quali formulazioni testare. Inoltre, i risultati ottenuti in laboratorio vengono nuovamente restituiti all’algoritmo, che può così correggersi e migliorare progressivamente le previsioni.
Il processo diventa quindi circolare: l’intelligenza artificiale apprende dai dati prodotti dai tecnici, mentre i tecnici utilizzano l’AI per esplorare più rapidamente nuove soluzioni.
Pirelli non ha indicato una percentuale precisa di formulazioni virtuali poi arrivate alla produzione, perché il numero non rappresenterebbe correttamente il funzionamento del sistema. Molte varianti vengono generate deliberatamente per essere confrontate e scartate, senza che questo significhi un fallimento dell’algoritmo.
L’azienda parla comunque di migliaia di mescole già progettate con il supporto del Virtual Compounder, alcune delle quali sono effettivamente entrate in produzione.
Il vantaggio della simulazione consiste proprio nella possibilità di esplorare un numero molto elevato di combinazioni senza dover produrre fisicamente ogni variante. Un’ipotesi esclusa virtualmente non comporta consumo di materie prime, utilizzo di macchinari o tempi di laboratorio.
La virtualizzazione può accelerare il processo di sviluppo di circa il 30%. Il beneficio è rilevante sia per le nuove famiglie di prodotto, che richiedono normalmente due o tre anni di lavoro, sia soprattutto per le versioni sviluppate su misura per un singolo costruttore, per le quali il tempo disponibile può ridursi a pochi mesi.
Interessante il nesso con il motorsport. Le prime applicazioni della virtualizzazione, infatti, sono nate nelle corse, dove la disponibilità di test fisici è spesso limitata e molte condizioni devono essere previste prima dell’ingresso in pista.
Quando non è possibile provare liberamente pneumatici, materiali e configurazioni, la simulazione diventa una necessità. Le competenze maturate in questo ambito sono state progressivamente trasferite ai prodotti di serie, nei quali la pressione sui tempi di sviluppo e la moltiplicazione degli obiettivi hanno reso altrettanto importante il ricorso agli strumenti virtuali.
La logica è la stessa: arrivare al test reale con una soluzione già molto vicina a quella definitiva, riducendo il numero di prototipi e utilizzando le prove fisiche soprattutto come validazione.
Uno dei terreni di applicazione più interessanti riguarda l'attività di R&D relativa all'impiego di materiali bio-based e riciclati.
La lignina, ad esempio, è uno dei polimeri naturali più abbondanti al mondo. È presente nelle piante ed è normalmente considerata un sottoprodotto dell’industria della cellulosa e della carta. Pirelli ha lavorato per utilizzarla come sostituto parziale del carbon black, materiale tradizionalmente ottenuto da fonti fossili.
Un altro esempio è la silice ricavata dalla lolla di riso, ossia il rivestimento esterno del chicco. Attraverso il trattamento delle ceneri prodotte dalla combustione della lolla è possibile ottenere silice da impiegare nelle mescole al posto di una parte di quella convenzionale.
A questi materiali si aggiungono il poliestere riciclato proveniente dalle bottiglie in PET, oli di origine biologica, resine vegetali e nuovi polimeri bio-based.
L’intelligenza artificiale consente di valutare più rapidamente l’effetto di questi ingredienti sulla mescola, riducendo il rischio che l’aumento della componente sostenibile comprometta sicurezza o prestazioni.
Il Virtual Compounder è parte di un programma di trasformazione digitale iniziato da Pirelli nel 2019. L’azienda ha costruito una piattaforma comune per raccogliere dati interni ed esterni e ha sviluppato oltre 120 algoritmi di intelligenza artificiale destinati a diverse funzioni.
L’AI viene impiegata nella produzione per prevedere anomalie e necessità di manutenzione, nella supply chain per migliorare previsioni e posizionamento commerciale, nei processi aziendali e nella progettazione.
Nel caso delle mescole, però, l’impatto va oltre l’automazione di un’attività. Cambia il modo stesso in cui viene affrontato il problema.
Il laboratorio non è più il luogo in cui provare indiscriminatamente tutte le possibilità, ma quello in cui convalidare le ipotesi più promettenti. Il tecnico non perde la propria esperienza, ma può utilizzarla su una base informativa più ampia. I materiali nuovi non vengono valutati soltanto attraverso tentativi successivi, ma anche attraverso modelli capaci di prevederne il comportamento chimico e fisico.
L’intelligenza artificiale, in questo caso, non produce direttamente lo pneumatico. Serve piuttosto a ridurre lo spazio dell’incertezza, arrivando più velocemente a quelle poche formulazioni che meritano davvero di diventare reali.
