Data Driven Modelling for Forecasting and Control (D2M)

Data-Driven Modelling

Sviluppo e applicazione di tecniche di machine learning per la modellizzazione e la previsione di fenomeni complessi in ambito naturale e industriale.

Controllo Ottimo

Implementazione di tecniche di controllo ottimo per la risoluzione di problemi di controllo per sistemi complessi.

Fault Detection

Utilizzo di tecniche statistiche e di machine learning per la rilevazione e la previsione di guasti e la valutazione delle cause.

Modellizzazione, analisi e controllo di sistemi ambientali

Applicazione di tecniche deterministiche e data-driven, spesso integrate con tecniche di data-fusion anche con dati misurati sul campo al fine di analizzare la situazione ambientale su aree regionali e urbane.

Analisi e controllo Climate Change

Sviluppo di sistemi modellistici basati su modelli data-driven e tecniche di controllo ottimo per la selezione di strategie di controllo per l'anomalia di temperature. Valutazione degli effetti su agricoltura e oceani.

La realtà è più complessa di quanto si pensi. Difficilmente esistono soluzioni sempre a problemi complessi e quando ci sono la strada che porta alla soluzione è sempre accidentata e piena di sfide. Il gruppo D2M, attraverso le sue competenze modellistiche mira a trovare approcci comuni a problemi differenti. Capire il problema e averne una descrizione è il primo passo, ma non si può considerare più scollegato dalla finalità, sia essa previsionale e/o di controllo. Da un lato si devono sviluppare tecniche sempre più avanzate, dall'altro bisogna sempre trovare un compromesso tra il dettaglio, le prestazioni e la applicabilità delle scelte progettuali e implementative.

Sfida personale

Approcci comuni, problemi diversi. Ognuno con le sue peculiarità e necessità. Ogni problema da affrontare significa studio e comprensione di argomenti sempre differenti, nonché capacità di parlare e ricavare informazioni da persone dal background sempre differente e potenzialmente lontano da quello ingegneristico.

Principali collaborazioni scientifiche

CNR-IBBR: https://www.ibbr.cnr.it/ibbr/, food quality, sensor data integration e forecasting

NASYS: https://www.nasys.it/index.php, sensor data integration, tecniche di AI applicata alla sensoristica, forecasting

SFCOLAB: https://www.sfcolab.org, smart farming, data analysis, climate change

1. Devo saper programmare bene per iniziare un percorso di studio/ricerca con D2M?
   Di base, il D2M è un gruppo di modellistica. Una buona conoscenza delle tecniche di implementazione dei modelli da simulare è un punto di arrivo del percorso per uno studente/tesista/dottorando, non un punto di partenza. L'inserimento di personale invece già laureato con contratti "brevi" quali assegni di ricerca o borse di ricerca richiede invece qualche conoscenza in più.
2. Non so nulla di climate change e/o qualità dell'aria e/o processi industriali, ma mi interesserebbe approfondire l'argomento in una tesi. E' possibile o sono out?
   E' assolutamente possibile! Quando si parla di modellistica nessuno è L'esperto. Le tecniche di modellizzazione e controllo sono un'area ampissima dell'ingegneria. Il lavoro di tesi verrà quindi tarato sulla base delle conoscenze della persona, in modo che possa entrare nell'argomento riuscendo comunque in relativamente poco tempo a "produrre" qualche risultato.
3. Come è organizzato il lavoro di tesi a livello logistico?
   Di solito viene fissato un incontro settimanale, durante il quale si fa il punto del lavoro. Ci piace inserire le persone in un contesto "simil-ricerca", vedendo anche la tesi come l'occasione che lo studente ha per capire cosa si fa "dall'altra parte". L'incontro settimanale è un momento più di brainstorming che un momento in cui un lato da i compiti all'altro. L'incontro non è l'unico momento in cui D2M esiste per il tesista, ma è il momento in cui il gruppo sicuramente ha spazio per lui. Nessuno vieta di iniziare un giro mail per chiarire le cose o di vedersi al di là dell'incontro.