Descrizione del progetto
Le reti neurali artificiali e l’apprendimento automatico sono il cervello alla base dei nuovi modelli di processo
I modelli matematici hanno un valore inestimabile in campi che vanno dalla scienza di base e lo sviluppo dei materiali alla lavorazione industriale. Integrando teoria fondamentale e dati sperimentali, aiutano gli utenti a prevedere i risultati associati alla modifica di alcuni parametri della vita reale, risparmiando enormi quantità di tempo, denaro e risorse rispetto a un approccio per tentativi ed errori. Il progetto DataProMat, finanziato dall’UE, sta sviluppando nuovi metodi matematici che consentiranno agli ingegneri di collegare le variazioni dei parametri e delle condizioni di processo su macroscala ai loro effetti sulle proprietà dei materiali complessi. I modelli non solo aumenteranno l’efficienza e la sostenibilità dei processi, ma aiuteranno anche le aziende a sviluppare metodologie di elaborazione facilmente scalabili per passare dal laboratorio alla produzione in serie.
Obiettivo
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.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialeapprendimento automatico
- scienze naturaliinformatica e scienze dell'informazioneintelligenza artificialeintelligenza computazionale
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Programma(i)
Argomento(i)
Invito a presentare proposte
(si apre in una nuova finestra) H2020-MSCA-IF-2019
Vedi altri progetti per questo bandoMeccanismo di finanziamento
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinatore
4365 ESCH-SUR-ALZETTE
Lussemburgo