Digital Twin: tecniche di modellazione fisica e approcci data driven

In ambito manifatturiero, gli approcci per ottimizzare i sistemi e i processi di produzione sono tradizionalmente basati, da un lato, sull’esperienza di progettisti e utenti finali e, dall’altro, sulla modellazione numerica. La crescente complessità dei processi e la natura multifisica dei sistemi comportano però la creazione di modelli spesso troppo complessi e dall’elevato costo computazionale.

Tuttavia, la progressiva digitalizzazione consente a produttori di macchine e utenti finali di avere accesso ad una enorme mole di dati operativi che possono essere usati al fine di alimentare la creazione di modelli che siano in grado di simulare realisticamente il funzionamento di un sistema complesso e di predirne l’evoluzione del tempo, con l’obiettivo di, ad esempio, migliorare i processi produttivi, ottimizzare le operazioni di manutenzione, controllare la qualità o minimizzare il consumo energetico.

In tale contesto, le più moderne tecniche di modellazione fisica, come Reduced Order Modeling (ROM), e l’analisi dei dati con approcci basati su Intelligenza Artificiale, come Machine Learning, possono essere implementate per realizzare Digital Twin sempre più performanti che possano replicare il comportamento di sistemi complessi in tempo reale.

Il tavolo di lavoro intende favorire un confronto tra le aziende sugli approcci implementati in ambito Digital Twin, con focus particolare sull’utilizzo di moderne tecniche di modellazione fisica e approcci data driven.

L’incontro si terrà via web. Gli iscritti riceveranno una comunicazione su come accedere alla virtual room.