Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Physics-constrained adaptive learning for multi-physics optimization

Descrizione del progetto

Apprendimento automatico consapevole della fisica per la meccanica dei fluidi

La capacità della modellazione della meccanica dei fluidi di prevedere l’evoluzione di un flusso è attivata sia da principi fisici che da approcci empirici. Da un lato, i principi fisici (ad esempio le leggi di conservazione) sono estrapolativi, vale a dire che forniscono previsioni su fenomeni che non sono stati osservati. D’altra parte, la modellazione empirica fornisce funzioni di correlazione all’interno dei dati. L’intelligenza artificiale e l’apprendimento automatico sono eccellenti nella modellazione empirica. Il progetto PhyCo, finanziato dall’UE, combinerà i principi fisici e la modellazione empirica in un approccio unificato: metodi basati sui dati vincolati dalla fisica per l’ottimizzazione multifisica. Le soluzioni di apprendimento automatico non violeranno i vincoli fisici. Il modello computazionale sarà applicato per ricostruire immagini di flusso ad alta risoluzione da dati a bassa risoluzione, ridurre al minimo le emissioni dei motori aeronautici con flussi reagenti a base di idrogeno e massimizzare la raccolta di energia a emissioni zero dalle oscillazioni della struttura del fluido.

Obiettivo

About a hundred trillion bytes of data has been created in the world while reading this sentence. Central to big data is machine learning, which is an automated way of transforming information into empirical knowledge. Machine learning techniques have been applied to some fluid mechanics problems with success, but there are still three big open questions: Do machine learning algorithms scale to engineering configurations? (Are they robust?); Can we gain physical insight into the solutions? (Are they interpretable?); Can we extrapolate knowledge to other configurations, such as multi-physics problems? (Are they generalizable?).

Fluid mechanics modelling has been historically enabled by both empirical approaches and physical principles. Machine learning models may not be interpretable and robust, but they excel at empirical modelling. On the other hand, physical principles are governed by equations that do not adaptively change, but they are interpretable and robust. This project will combine physical principles and empirical modelling into a unified approach: physics-constrained adaptive learning for multi-physics optimization of unsteady, unpredictable and uncertain flows. The learned solutions will not violate physical constraints.

The technical objectives are to combine physical principles with machine learning; design adaptive multi-physics models by on-the-fly data assimilation; optimize turbulent flows; quantify the uncertainty; and develop a code that wraps around existing simulation software and experiments. This framework will be applied to maximize energy harvesting from aeroelastic systems to produce clean energy; optimize stable aeroengines with low emissions; and reconstruct high-resolution flow fields from low-resolution experimental measurements. We will rigorously interlace chaos theory, Bayesian inference and artificial intelligence. This project will benefit industries that work with multi-physics flows and artificial intelligence companies.

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.: Il Vocabolario Scientifico Europeo.

È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione

Programma(i)

Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.

Argomento(i)

Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.

Meccanismo di finanziamento

Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.

ERC-STG - Starting Grant

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.

(si apre in una nuova finestra) ERC-2020-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

POLITECNICO DI TORINO
Contributo netto dell'UE

Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.

€ 166 460,50
Indirizzo
CORSO DUCA DEGLI ABRUZZI 24
10129 Torino
Italia

Mostra sulla mappa

Regione
Nord-Ovest Piemonte Torino
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale

I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.

€ 166 460,50

Beneficiari (3)

Il mio fascicolo 0 0