AI-based prediction of instability in stiffened panel structures

Thin-walled plate and panel buckling remains a critical design constraint in aerospace structure, and its accurate prediction is essential to achieve lightweight and efficient de signs. Classical analytical formulations provide reliable results for idealized configurations but fall short when extended to realistic boundary conditions, complex geometries and loading cases. In parallel, high-fidelity FEM offer accuracy at the cost of significant com putational effort, making large parametric studies impractical. This work addresses these limitations by exploring the capacity of machine learning models to predict buckling, bridging classical theory, numerical simulation, and data-driven approaches. Simple regression models, including decision trees and random forests, were first employed as interpretable baseline predictors. While accurate for known configurations, their lim ited ability to interpolate across unseen cases motivated the adoption of feed-forward neural networks capable of capturing continuous variations in geometry, boundary condi tions, and loading. The final neural network required a large amount of data from finite element analysis; therefore, a Python pipeline was developed to automate the workflow and sweep a wide range of geometric parameters and loading cases. The resulting neural network demon strated strong predictive capability, accurately estimating the buckling eigenvalue across a broad range of configurations within its training domain. The proposed methodology establishes a robust foundation for integrating machine learn ing into preliminary structural design workflows, significantly reducing computational cost while maintaining physical fidelity.

Il fenomeno dell’instabilità di piastre e pannelli parete sottile rappresenta tuttora un vincolo progettuale critico nelle strutture aeronautiche; una sua previsione accurata è essenziale per conseguire soluzioni leggere ed efficienti. Le formulazioni analitiche clas siche forniscono risultati affidabili per configurazioni idealizzate, ma risultano inadeguate quando estese a condizioni al contorno realistiche, geometrie complesse e casi di carico arti colati. Parallelamente, le analisi agli elementi finiti ad alta fedeltà garantiscono un’elevata accuratezza al costo di un significativo onere computazionale, rendendo impraticabili studi parametrici su larga scala. Il presente lavoro affronta tali limitazioni esplorando la capac ità dei modelli di apprendimento automatico di predire il fenomeno del buckling, fungendo da ponte tra teoria classica, simulazione numerica e approcci data-driven. In una prima fase sono stati impiegati modelli di regressione semplici, quali alberi deci sionali e foreste casuali, come predittori di riferimento interpretabili. Sebbene accurati per configurazioni note, la loro limitata capacità di interpolazione su casi non visti ha motivato l’adozione di reti neurali feed-forward, in grado di catturare variazioni continue della geometria, delle condizioni al contorno e dei carichi applicati. La rete neurale finale ha richiesto una grande quantità di dati derivanti da analisi agli elementi finiti; a tal fine è stata sviluppata una pipeline in Python per automatizzare il flusso di lavoro ed esplorare un ampio intervallo di parametri geometrici e casi di carico. La rete neurale risultante ha dimostrato elevate capacità predittive, stimando accuratamente l’autovalore di instabilità su un’ampia gamma di configurazioni all’interno del dominio di addestramento. La metodologia proposta stabilisce una base solida per l’integrazione dell’apprendimento automatico nei flussi di lavoro di progettazione strutturale preliminare, consentendo una significativa riduzione dei costi computazionali pur mantenendo un’elevata fedeltà fisica.