DESCRIZIONE DEL CORSO

La disciplina trattata è l’insieme accuratamente bilanciato delle conoscenze delle tecniche di analisi agli elementi finiti (FEA) e di machine learning (ML) e della loro integrazione finalizzata all’incremento delle capacità predittive degli studi ingegneristici.

DESTINATARI

Ingegneri, ricercatori e professionisti in settori come l’aerospaziale, l’automobile, l’ingegneria civile e la biomeccanica, che utilizzano strumenti di calcolo agli elementi finiti, interessati alla meccanica computazionale e alle applicazioni di machine learning in ingegneria, software engineer, data engineer, innovation manager, specialisti di AI, FEA e ML.

PREREQUISITI

Conoscenza delle nozioni base dell’analisi agli elementi finiti e dei principi ingegneristici e delle tecniche di machine learning; familiarità con la programmazione (ad esempio Python); accesso a strumenti software FEA e librerie ML.

COMPETENZE CHE SI ACQUISISCONO

Questo programma di formazione consente ai partecipanti di acquisire competenze relative alle discipline FEA e ML, di colmarne il divario per sfruttarne le sinergie al fine di una maggiore efficienza computazionale e accuratezza predittiva nelle analisi ingegneristiche.

PROGRAMMA

• Introduzione all’analisi agli elementi finiti (FEA):
  • Principi di base della FEA;
  • Descrizione della metodologia di calcolo;
  • Illustrazione di casi applicativi: benefici e limitazioni.
• Fondamenti di Machine Learning (ML):
  • Introduzione ai concetti di machine learning;
  • Apprendimento supervisionato, non supervisionato e con rinforzo;
  • Algoritmi di regressione, classificazione e clustering.
• Integrazione di FEA con ML:
  • Sfide e opportunità;
  • Panoramica delle ricerche e delle applicazioni recenti;
  • Illustrazione di casi applicativi.
• Ottimizzazione della generazione di mesh con ML:
  • Tecniche tradizionali di generazione di mesh;
  • Introduzione alla generazione di mesh basate su ML;
  • Esercitazioni pratiche con l’utilizzo di librerie ML (DMG. Gmsh, Netgen …).
• Riduzione dei costi computazionali con il ML:
  • Identificazione dei colli di bottiglia computazionali nella FEA e tecniche in uso per riduzione dei tempi di calcolo (solutori avanzati, metodo FEM generalizzato, calcolo parallelo);
  • Tecnica di calcolo FEM non lineare con modelli surrogati di ordine ridotto (MOR): Proper Orthogonal Decomposition-Galerkin e Discrete Empirical Interpolation Method (POD-DEIM);
  • Tecnica di Recurrent Neural Network (RNN) per il calcolo FEM multiscala;
  • Surrogato di calcolo FEM multifisico tramite Convolutional Neural Network (CNN);
  • Illustrazione di casi applicativi e riepilogo di vantaggi e svantaggi di ogni tecnica.
• Cenni alla definizione e all’utilizzo di ML per il miglioramento delle capacità predittive e dell’accuratezza dei risultati della FEA, calibrazione del modello di materiale, tecniche di validazione.