Recenti approcci alla valutazione delle performance degli scalpelli

Negli ultimi anni, i metodi fino ad ora descritti per la valutazione delle performance degli scalpelli [1-17] sono stati sostituiti dall’uso di strumenti di calcolo che , tramite l’utilizzo di database, cercano d’identificare correlazioni non facilmente riconoscibili tra i parametri registrati in pozzo.

Un primo studio [18] utilizza una composizione di reti neurali per identificare lo scalpello da utilizzare nell’intervallo successivo a quello perforato.

Le reti neurali rappresentano un approccio diverso rispetto a quello analizzato nei paragrafi precedenti e rientrano nel filone dell'intelligenza artificiale strutturale. L'idea di base è di riprodurre l'intelligenza e, in particolare, l'apprendimento simulando all'elaboratore la struttura neurale del cervello animale. L'idea di costruire una macchina intelligente a partire da neuroni artificiali si può fare risalire alla nascita dell'intelligenza artificiale, e già alcuni risultati furono ottenuti da McCulloch e Pitts nel 1943 quando nacque il primo modello neurale. Nel 1962 Rosenblat propose un nuovo modello di neurone, il “percettrone”, capace di apprendere mediante esempi. Un “percettrone” descrive il funzionamento di un neurone eseguendo una somma pesata dei suoi ingressi ed emettendo un'uscita “1” se la somma è maggiore di un certo valore di soglia modificabile, o “0” altrimenti. Più recentemente sono state proposte nuove architetture di reti neurali non più soggette alle limitazioni teoriche dei percettroni. Le reti neurali sono più adatte a compiti di classificazione e di percezione concettualmente di basso livello anche se tecnicamente ardui, quali il riconoscimento del parlato, il controllo di processi e il riconoscimento di immagini, mentre problemi concettualmente complessi quali progettazione, diagnosi, pianificazione, rimangono dominio della intelligenza artificiale simbolica.

47 Figura 36: Una rete neurale ricorrente, in cui le connessioni di alcuni neuroni sono in retroazione (http://www.scienzagiovane.unibo.it/intartificiale/intart-retineuro.html)

Le reti neurali si basano principalmente sulla simulazione di neuroni artificiali opportunamente collegati. I suddetti neuroni ricevono in ingresso degli stimoli e li elaborano. L'elaborazione può essere anche molto sofisticata ma in un caso semplice si può pensare che i singoli ingressi siano moltiplicati per un opportuno valore detto peso, il risultato delle moltiplicazioni è sommato e se la somma supera una certa soglia il neurone si attiva attivando la sua uscita. Il peso serve a quantificarne l'importanza, un ingresso molto importante avrà un peso elevato, mentre un ingresso poco utile all'elaborazione avrà un peso inferiore. Si può pensare che se due neuroni comunichino fra loro utilizzando maggiormente alcune connessioni allora tali connessioni avranno un peso maggiore.

Normalmente una rete neurale è formata da tre strati. Nel primo abbiamo gli ingressi (Input), costituito da tante unità elaborative quante sono le variabili indipendenti del problema da esaminare: questo strato si preoccupa di trattare gli ingressi in modo da adeguarli alle richieste dei neuroni. Il secondo strato è quello nascosto (Hidden), ha lo scopo di creare la rappresentazione del problema internamente alla rete, si preoccupa dell'elaborazione vera e propria e può essere composto anche da più colonne di neuroni. Il terzo strato è quello di uscita (Output), costituito da tante unità elaborative quante sono le variabili dipendenti che costituiscono la soluzione del problema e si preoccupa di raccogliere i risultati ed adattarli alle richieste del blocco successivo della rete neurale. Poiché non esiste alcuna regola per la determinazione del numero di unità

48 elaborative che devono comporre tale strato, si procede di solito per tentativi sulla base dell'esperienza. Queste reti possono essere anche molto complesse e coinvolgere migliaia di neuroni e decine di migliaia di connessioni.

Figura 37: Connessioni in una rete neurale (http://it.wikipedia.org/wiki/Rete_neurale)

La rete neurale utilizzata per la selezione dello scalpello [18] è costituita da due strati nascosti, mentre quella per la valutazione dei costi è composta da tre Hidden layer. Il concetto di multi-layer network è applicato nello studio di particolari fenomeni, generalmente complessi e non studiabili con un singolo strato nascosto (Figura 45).

Figura 38: La rete neurale utilizzata per la selezione dello scalpello (sinistra) e quella per la valutazione dei costi (destra).

Per il suo funzionamento, alla rete neurale deve essere “somministrata” una certa quantità di esempi rappresentativi del problema da affrontare, con (reti neurali supervisionate) o senza (reti neurali non supervisionate) le corrispondenti soluzioni. Le reti neurali non supervisionate esaminano gli esempi e creano dei raggruppamenti (clusters) in base al reciproco livello di affinità. La rete supervisionata esamina gli

49 esempi proposti e crea una serie di valori, detti pesi, la cui interazione con le variabili del problema, sulla base di determinate funzioni matematiche, produce delle ipotesi di soluzione; confronta quindi queste soluzioni teoriche con quelle effettive, ne misura lo scostamento e, se tale scostamento supera una soglia massima predefinita, torna indietro, modifica i pesi e ripete il ciclo. In sostanza, procede per approssimazioni successive finché non sono individuate soluzioni accettabilmente simili a quelle reali. Ultimata questa fase, detta di addestramento, si passa a quella di verifica con la somministrazione di alcuni esempi del problema, diversi da quelli già utilizzati, le cui soluzioni, questa volta, non sono comunicate. La rete, sulla base dei pesi elaborati durante l'addestramento, fornisce le proprie soluzioni la cui validità è strettamente dipendente dal livello di efficienza raggiunto. Se l'esito è soddisfacente, la rete è pronta per essere utilizzata nel settore di applicazione per la quale è stata creata, al fine di individuare delle soluzioni non conosciute. Le due reti neurali utilizzate per la selezione dello scalpello [18] usano il 60% dei dati in fase di addestramento ed il resto per la verifica. La funzione principale di queste due reti è quello di individuare lo scalpello da utilizzare in pozzo. I risultati dello studio sono presentati in forma grafica, comparando gli utensili previsti con quelli utilizzati in pozzo, sia per i dati utilizzati in fase di addestramento (test) che in fase di verifica (verification). Un esempio dei risultati è riportato nella figura seguente.

Figura 39: Confronto fra gli scalpelli utilizzati in pozzo e quelli selezionati tramite la rete neurale (NN) nella fasi di test (sinistra) e di verifica (destra).

50 La rete neurale è ottimizzata quando i punti dei grafici mostrati nella figura precedente (che rappresentano gli scalpelli) sono allineati sulla bisettrice del quadrante. Per una verifica dell’affidabilità della rete possono essere calcolati alcuni indici come i coefficienti di correlazione e di accuratezza.

51

PARTE IV: L’APPROCCIO DELL’INDUSTRIA ALLA VALUTAZIONE DELLE