AI-ROM: Dai dati CAE a modelli predittivi real-time

Categoria corso

Verticale

Tipologia

Advanced

Durata

8 ore [suddivise in 2 moduli - 1 modulo al giorno da 4h ognuno, in 2 giorni]

Orario

09:00 - 13:00 | 14.00 - 18.00

Lingua

Italiano

Tutor

Stefano Carrino

Descrizione

EnginSoft, all'interno del suo ampio portfolio di corsi di formazione, offre un corso teorico-pratico sulla creazione di modelli matematico – statistici a basso impatto computazionale basata sulle metodologie di Reduced Order Modeling (ROMs).

Il corso ha l'obiettivo di fornire una prospettiva sia teorica sia pratica sull'applicazione dei modelli di ordine ridotto nell’ambito del CAE, e, nello specifico, rispetto alla possibilità di generare dei modelli predittivi a partire da dati ottenuti per mezzo di analisi numeriche afferenti a molteplici discipline (analisi termo-strutturali, elettromagnetismo, CFD, …). Tali modelli predittivi saranno sviluppati applicando algoritmi ROM.

I ROM offrono numerosi vantaggi, tra cui una significativa riduzione del tempo di calcolo e dell’impatto computazionale, che li rendono facilmente integrabili nei workflow di design già esistenti. L’utilizzo di algoritmi di Intelligenza Artificiale (IA) rappresenta un approccio avanzato ed innovativo fondamentale per il miglioramento dell’accuratezza e dell’effort computazionale. L’integrazione di IA e ROM non solo migliora l’efficienza e l’efficacia da un punto di vista computazionale, ma trasforma il modo in cui i modelli CAE vengono utilizzati in tale contesto, aprendo nuove frontiere per applicazioni complesse e in tempo reale. L’utilizzo dei ROM nel contesto della CAE permette di rendere le simulazioni più accessibili (nell’ottica della democratizzazione dei software e degli strumenti aziendali) e di velocizzare l’intero processo di design, dalla fase si pre-design alla validazione finale, garantendo allo stesso tempo accuratezza e robustezza delle analisi. I ROM in ambito CAE trovano applicazione nei seguenti scenari:

• Analisi preliminare e ottimizzazione di design
• Analisi parametriche
• Prototipazione virtuale e riduzione dei costi relativi ad eventuali prove sperimentali
• Integrazione nei processi di ottimizzazione multi-disciplinare (MDO)
• Digital Twin per monitoraggio, diagnostica e manutenzione predittiva
• Supporto alle decisioni

Destinatari

Il corso è rivolto a utenti (ingegneri di tutte le specializzazioni, progettisti, ricercatori) per i quali è indispensabile:

• ridurre l’effort computazionale di modelli di dettaglio complessi
• predire l’output in real-time
• utilizzare i modelli ridotti nella modellazione di sistema

Propedeuticità

Conoscenza base della programmazione in Python

Agenda

Teoria: Descrizione dettagliata dei ROM Statici e Dinamici

• Preparazione dati (formattazione)
• Riduzione dimensionalità dati (Singular Value Decomposition - SVD - & Machine Learning)
• Costruzione ROM (ROM Statici, ROM Dinamici)
• Validazione ROM
• Export (creazione FMU) & Run

Pratica: Esercitazioni pratiche su test case applicativi con la generazione delle seguenti tipologie di ROM

• ROM LTI (State-Space Model di una trave incastrata)
• ROM statico
• ROM dinamico scalare

Per le metodologie di Reduced Order Modeling (ROMs) verrà utilizzato un codice commerciale.