Description du projet
Des réseaux de neurones artificiels et l’apprentissage automatique sont les cerveaux de nouveaux modèles de processus
Les modèles mathématiques sont inestimables dans des domaines qui vont de la science fondamentale et du développement des matériaux au traitement industriel. Intégrant la théorie fondamentale et les données expérimentales, ils aident les utilisateurs à prédire les effets associés à la modification de certains paramètres de la vie réelle, permettant ainsi d’économiser énormément de temps, d’argent et de ressources par rapport à une approche par tâtonnements. Le projet DataProMat, financé par l’UE, élabore de nouvelles méthodes mathématiques qui permettront aux ingénieurs de faire le lien entre les changements des paramètres et des conditions des processus à l’échelle macro et leurs effets sur les propriétés des matériaux complexes. Ces modèles permettront non seulement d’accroître l’efficacité et la durabilité des procédés, mais ils aideront également les sociétés à mettre au point des méthodes de traitement aisément transposables du laboratoire à leur production en série.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatique
- sciences naturellesinformatique et science de l'informationintelligence artificielleintelligence de calcul
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) H2020-MSCA-IF-2019
Voir d’autres projets de cet appelRégime de financement
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinateur
4365 ESCH-SUR-ALZETTE
Luxembourg