Quanto fiducia merita una simulazione?

Quanto è affidabile un risultato di simulazione? Già le variazioni nelle condizioni al contorno, nei parametri dei materiali o nei parametri di esercizio possono modificare la valutazione di un progetto. Le analisi di sensibilità aiutano a rendere visibili le variabili di influenza decisiva.

Dipl.-Ing. (TU) Stefan Merkle, Amministratore Delegato della Merkle CAE Solutions GmbH.

Un risultato di simulazione di 78 °C con una temperatura consentita del componente di 80 °C appare chiaramente accettabile. Ma il componente è davvero progettato in modo sicuro in questo modo? Cosa succede se la potenza dissipata, le caratteristiche dei materiali, il flusso volumetrico o il trasferimento di calore variano all’interno della loro reale dispersione? Quanto più i modelli virtuali influenzano le decisioni di sviluppo, tanto più diventa importante una domanda spesso sottovalutata: Quanto è affidabile davvero il risultato?

La pertinenza si manifesta anche nella standardizzazione. A febbraio 2026, la NASA ha pubblicato con NASA-HDBK-7009B una nuova guida per le buone pratiche di modellazione e simulazione. Anche l’ASME amplia il suo quadro normativo su Verification, Validation and Uncertainty Quantification (VVUQ). Dietro c’è un cambiamento fondamentale: non è più il risultato di simulazione il più preciso a determinare la qualità di un modello, ma la sua credibilità dimostrata per il caso d’uso previsto.

Calcolare con precisione non significa automaticamente essere affidabili

“Il risultato di simulazione più pericoloso non è necessariamente uno sbagliato, ma uno che sembra preciso e quindi non viene più messo in discussione”, afferma Dipl.-Ing. (TU) Stefan Merkle, amministratore delegato di Merkle CAE Solutions GmbH. “L’esperienza si manifesta anche nel riconoscere quali assunzioni dominano un risultato e dove una riserva di sicurezza apparentemente confortevole può improvvisamente diventare critica.”

Nei modelli multiphysics, questa domanda acquista ulteriore importanza. Le incertezze possono propagarsi attraverso diverse discipline fisiche: ad esempio, una potenza dissipata diversa modifica il campo di temperatura, che a sua volta influenza le proprietà dei materiali e la dilatazione termica, e quindi tensioni o deformazioni.

Da 78 °C a una decisione affidabile

Per lo sviluppatore ciò significa un cambio di prospettiva. Invece di calcolare semplicemente un valore nominale, si variano sistematicamente le grandezze di ingresso rilevanti. Analisi parametriche e di sensibilità mostrano, ad esempio, se il flusso di refrigerante, la resistenza di contatto o la potenza dissipata influenzano significativamente il risultato.

Da questa affermazione “78 °C” deriva quindi un’informazione molto più preziosa dal punto di vista tecnico: sotto quali condizioni il concetto mantiene il suo limite e quando no? Da ciò possono derivare decisioni immediate: modificare il canale di raffreddamento, adattare la potenza delle pompe, restringere le tolleranze, cambiare materiale o approvare consapevolmente il design esistente.

Più simulazioni richiedono più competenze ingegneristiche

La verification verifica se il modello matematico viene risolto correttamente dal punto di vista numerico. La validation esamina quanto bene rappresenta l’applicazione reale. La Uncertainty Quantification valuta infine come le incertezze delle grandezze di ingresso e del modello influenzano il risultato. Questa distinzione diventa più importante quando le simulazioni fisiche vengono sempre più integrate con esperimenti.

Vale il principio: un modello più complesso non è automaticamente un modello migliore. Soprattutto nelle simulazioni multiphysics accoppiate, la scelta corretta di condizioni al contorno, modelli dei materiali, metodi di accoppiamento e semplificazioni sensate determina la validità. Non è la massima complessità del modello a contare, ma la conoscenza delle sue precisioni e dei suoi limiti per la decisione di sviluppo concreta.

Per i reparti di sviluppo, questo si traduce in un approccio pragmatico: prima definire la decisione che si vuole prendere con la simulazione. Poi identificare le incertezze e le influenze rilevanti. Infine, verificare specificamente quelle grandezze che effettivamente dominano il risultato attraverso esperimenti. La simulazione e i test fisici non sono più considerati alternative, ma un processo iterativo: i dati sperimentali validano e migliorano il modello; il modello a sua volta indica quali esperimenti forniscono le maggiori informazioni.

Proprio questa corrispondenza tra modello virtuale e realtà è decisiva. Nella pratica di Merkle CAE, le metodologie di simulazione vengono quindi confrontate e sviluppate specificamente con dati sperimentali. Così si ottiene una base decisionale affidabile a partire da un risultato di calcolo.

Perché alla fine conta solo una grandezza: “Il mio modello è stato validato per la decisione che voglio prendere con esso?”