BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Consorzio TCN - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Consorzio TCN
X-ORIGINAL-URL:https://www.consorziotcn.it
X-WR-CALDESC:Eventi per Consorzio TCN
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Rome
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Rome:20240611T090000
DTEND;TZID=Europe/Rome:20240614T170000
DTSTAMP:20260517T214335
CREATED:20240222T091555Z
LAST-MODIFIED:20240528T105315Z
UID:2962-1718096400-1718384400@www.consorziotcn.it
SUMMARY:Finite Element Analysis & Machine Learning
DESCRIPTION:[vc_row css=”.vc_custom_1706868882451{margin-left: 30px !important;padding-top: 30px !important;}”][vc_column width=”1/4″][/vc_column][vc_column width=”1/2″][vc_empty_space][vc_column_text] \nDocente:\nFederico Valente\nIng.\, MBA\, Six Sigma Black Belt\, amministratore unico ITACAe Srl\n \n[/vc_column_text][/vc_column][vc_column width=”1/4″][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nDESCRIZIONE DEL CORSO\nLa 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.[/vc_column_text][/vc_column][/vc_row][vc_row css=”.vc_custom_1704465057196{padding-right: 10px !important;padding-left: 10px !important;}”][vc_column][vc_column_text] \nOBIETTIVI DEL CORSO\nIl corso mira a trasmettere la conoscenza delle opportunità offerte dall’integrazione fra le due tecniche di calcolo numerico (FEA e ML)\, farne assimilare i concetti e i principi di base\, dare consapevolezza di alcuni casi applicativi e cominciare a impratichirsi in alcuni degli strumenti software disponibili.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nDESTINATARI\nIngegneri\, 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.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nPREREQUISITI\nConoscenza 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.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nCOMPETENZE CHE SI ACQUISISCONO\nQuesto 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.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text] \nPROGRAMMA\n\nIntroduzione all’analisi agli elementi finiti (FEA):\n\nPrincipi di base della FEA;\nDescrizione della metodologia di calcolo;\nIllustrazione di casi applicativi: benefici e limitazioni.\n\n\nFondamenti di Machine Learning (ML):\n\nIntroduzione ai concetti di machine learning;\nApprendimento supervisionato\, non supervisionato e con rinforzo;\nAlgoritmi di regressione\, classificazione e clustering.\n\n\nIntegrazione di FEA con ML:\n\nSfide e opportunità;\nPanoramica delle ricerche e delle applicazioni recenti;\nIllustrazione di casi applicativi.\n\n\nOttimizzazione della generazione di mesh con ML:\n\nTecniche tradizionali di generazione di mesh;\nIntroduzione alla generazione di mesh basate su ML;\nEsercitazioni pratiche con l’utilizzo di librerie ML (DMG. Gmsh\, Netgen …).\n\n\nRiduzione dei costi computazionali con il ML:\n\nIdentificazione dei colli di bottiglia computazionali nella FEA e tecniche in uso per riduzione dei tempi di calcolo (solutori avanzati\, metodo FEM generalizzato\, calcolo parallelo);\nTecnica di calcolo FEM non lineare con modelli surrogati di ordine ridotto (MOR): Proper Orthogonal Decomposition-Galerkin e Discrete Empirical Interpolation Method (POD-DEIM);\nTecnica di Recurrent Neural Network (RNN) per il calcolo FEM multiscala;\nSurrogato di calcolo FEM multifisico tramite Convolutional Neural Network (CNN);\nIllustrazione di casi applicativi e riepilogo di vantaggi e svantaggi di ogni tecnica.\n\n\nCenni 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.\n\n[/vc_column_text][/vc_column][/vc_row]
URL:https://www.consorziotcn.it/corso/finite-element-analysis-machine-learning/
ATTACH;FMTTYPE=image/png:https://www.consorziotcn.it/wp-content/uploads/2024/01/Tecnologia_piccolo.png
END:VEVENT
END:VCALENDAR