Descripción del proyecto
Las redes neuronales artificiales y el aprendizaje automático son el cerebro detrás de los nuevos modelos de procesos
Los modelos matemáticos tienen un gran valor en muchos ámbitos, que van desde la ciencia básica y el desarrollo de materiales hasta el procesamiento industrial. Ayudan a los usuarios a predecir los resultados asociados con el cambio de determinados parámetros reales al integrar teoría básica y datos experimentales, por lo que permiten ahorrar enormes cantidades de tiempo, dinero y recursos en comparación con un método de prueba y error. El proyecto DataProMat, financiado con fondos europeos, desarrolla métodos matemáticos novedosos que permitirán a los ingenieros vincular cambios en los parámetros y las condiciones de procesos a macroescala con sus efectos sobre las propiedades de materiales complejos. Los modelos no solo mejorarán la eficiencia y la sostenibilidad de los procesos, sino que además ayudarán a las empresas a desarrollar metodologías de procesamiento fácilmente ampliables desde el laboratorio hasta la producción en masa.
Objetivo
The ambition of this fellowship, hosted by Professor S.P.A. Bordas (UL), is to propose a nonlinear manifold learning framework, in particular to implement the Diffusion Maps methodology, enabled by “equation-free” calculations and Artificial Neural Networks, in the context of multi-scale materials and process modeling and design. The goal is to push the boundaries of the “Digital Twins” paradigm beyond the current-state-of-the-art and to establish a methodological framework that links macro-scale process parameters and conditions to properties of complex materials, in an effort to meet the current market-driven demands for efficiency, scalability, safety, sustainability and innovation. The proposed approach is based on the current trends in materials and process modeling, on which the host is in the best possible position to advise as a world leading expert. Effectively, the fellowship sets the stage for interdisciplinary integration: Starting from the requirement for a specific set of properties, we must be able to predict the appropriate material structure, its capabilities and limitations and to propose ideal processing steps that will enable large-scale production. In this context, machine learning in the form of Diffusion Maps will be implemented for dimensionality reduction aiming to the reach the maximum possible size compression. The equation-free approach will be integrated with Diffusion Maps, in order to efficiently explore the, typically large, parameter space and Artificial Neural Networks will be applied as a means of leveraging the abundantly available digitized images to “learn” the long-term dynamics of the material behavior.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automático
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialinteligencia computacional
Para utilizar esta función, debe iniciar sesión o registrarse
Programa(s)
Régimen de financiación
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinador
4365 ESCH-SUR-ALZETTE
Luxemburgo