Introduzione al corso. Motivazione, modalità e obiettivi del corso. Concetti fondamentali e applicazioni reali. Introduzione dei docenti, provenienti dalle principali università italiane e da aziende che implementano da anni soluzioni di digitalizzazione.
Fondamenti e step imprescindibili per la comprensione della digitalizzazione. Metodi e tecniche per un’implementazione graduale ed efficace.
Step 1 – La riconciliazione dati. Qual è il vero valore delle nostre misure di campo e come utilizzarlo al meglio? Revisione automatica e correzione di set di dati per una gestione operativa robusta.
Step 2 - La riconciliazione dati. Panoramica dei principali problemi ancora esistenti per il consumo e l'estrazione dei dati nell'industria di processo. Esempi applicativi di Industrial Data Science per produzioni a lotti discontinui
Step 3 – Introduzione al machine learning e potenziali applicazioni ai processi chimici.
Step 4 – Sviluppo e utilizzo dei dati operativi in tempo reale nell’industria (non solo chimica). Problemi tipici della digitalizzazione industriale, delle soluzioni nel cloud. Come costruire un modello dati di un intero impianto per migliorare il processo decisionale a tutti i livelli di un’impresa
Step 5 – Fondamenti di ottimizzazione numerica: definizione del
problema (variabili, funzione obiettivo, vincoli); cenni ai metodi risolutivi per problemi tipici in ambito ingegneristico (LP, QP, NLP). Real-Time Optimization: definizioni preliminari e applicabilità, tecniche principali, esempi applicativi
Step 6 – Applicazioni su formulati. ML-assisted Design of Experiment per l’ottimizzazione closed-loop di prodotti formulati. Casi di studio industriali, selezione degli ingredienti assistita da machine learning. Sfide hardware per la sperimentazione high-throughput e democratizzazione degli strumenti di ricerca. Conoscenza fondamentale da algoritmi.
