Bando 2024 del Collegio Ingegneri Venezia per l’assegnazione di tre Premi di Laurea:
Approcci machine learning per la modellazione del comportamento fisico- meccanico di miscele bituminose per infrastrutture viarie
- Autore: Ing. Fabio Rondinella
- Relatore: supervisori Prof. Nicola Baldo - Università degli Studi di Udine, Prof. Clara Celauro - Università degli Studi di Palermo
- Considerazioni generali valutative:
La tesi, di carattere interdisciplinare tra l’ingegneria geotecnica e l’ingegneria stradale, appare certamente innovativa, esplorando l'uso di tecniche avanzate di machine learning per analizzare e modellare il comportamento fisico-meccanico delle miscele bituminose utilizzate nelle pavimentazioni stradali e aeroportuali. La ricerca si inserisce nel contesto più ampio della trasformazione digitale nel campo dell'ingegneria delle pavimentazioni. L'obiettivo è stato quello di valutare l'efficacia degli algoritmi di apprendimento automatico nell'analisi di database di conglomerati bituminosi eterogenei, al fine di prevedere uno o più parametri relativi ai fenomeni studiati. I risultati mostrano che questi modelli possono migliorare significativamente l'efficacia e la sostenibilità delle tradizionali procedure di mix-design nel settore stradale e aeroportuale. Un vantaggio chiave di questo approccio è la drastica riduzione del carico di lavoro di laboratorio, rendendo il processo più efficiente e meno dispendioso in termini di tempo e risorse.
Modelli di Machine Learning basati su Support Vector Machines, Reti Neurali Artificiali e Alberi Decisionali sono stati sviluppati per esaminare le proprietà di 560 campioni e metterle in relazione a parametri prestazionali quali il Modulo Dinamico e l'Angolo di fase. Questi modelli hanno dimostrato la capacità di correlare efficacemente le proprietà fisiche e volumetriche delle miscele con le loro caratteristiche meccaniche, riuscendo a prevedere con accuratezza ed affidabilità entrambe le variabili prestazionali. In particolare, le Reti Neurali Artificiali e gli Alberi Decisionali hanno evidenziato prestazioni superiori, distinguendosi per la loro eccellente capacità predittiva. Un secondo lavoro di modellazione è stato condotto tramite reti neurali artificiali ed è stato focalizzato sulla previsione del modulo di rigidezza dello strato (solo) superficiale della pista di volo. Dichiara poi che la capacità portante dell’infrastruttura aeroportuale rappresenta un elemento critico nella gestione della pavimentazione stessa e dell’intero terminal, ma non approfondisce il diverso ruolo e significato del modulo di rigidezza dello strato superficiale rispetto alla capacità portante dell’infrastruttura.
In conclusione, il lavoro auspica un aumento degli investimenti in progetti che promuovano l'adozione e l'integrazione di tecnologie di machine learning nel campo dell'ingegneria delle pavimentazioni; questo approccio potrebbe portare a significativi progressi e innovazioni nel settore.
PREMIO DI LAUREA INGEGNERI ECCELLENTI: TESI VINCITRICE PER LA CATEGORIA INGEGNERIA CIVILE AMBIENTALE - DOTTORATO DI RICERCA
Approcci machine learning per la modellazione del comportamento fisico- meccanico di miscele bituminose per infrastrutture viarie
- Autore: Ing. Fabio Rondinella
- Relatore: supervisori Prof. Nicola Baldo - Università degli Studi di Udine, Prof. Clara Celauro - Università degli Studi di Palermo
- Considerazioni generali valutative:
La tesi, di carattere interdisciplinare tra l’ingegneria geotecnica e l’ingegneria stradale, appare certamente innovativa, esplorando l'uso di tecniche avanzate di machine learning per analizzare e modellare il comportamento fisico-meccanico delle miscele bituminose utilizzate nelle pavimentazioni stradali e aeroportuali. La ricerca si inserisce nel contesto più ampio della trasformazione digitale nel campo dell'ingegneria delle pavimentazioni. L'obiettivo è stato quello di valutare l'efficacia degli algoritmi di apprendimento automatico nell'analisi di database di conglomerati bituminosi eterogenei, al fine di prevedere uno o più parametri relativi ai fenomeni studiati. I risultati mostrano che questi modelli possono migliorare significativamente l'efficacia e la sostenibilità delle tradizionali procedure di mix-design nel settore stradale e aeroportuale. Un vantaggio chiave di questo approccio è la drastica riduzione del carico di lavoro di laboratorio, rendendo il processo più efficiente e meno dispendioso in termini di tempo e risorse.
Modelli di Machine Learning basati su Support Vector Machines, Reti Neurali Artificiali e Alberi Decisionali sono stati sviluppati per esaminare le proprietà di 560 campioni e metterle in relazione a parametri prestazionali quali il Modulo Dinamico e l'Angolo di fase. Questi modelli hanno dimostrato la capacità di correlare efficacemente le proprietà fisiche e volumetriche delle miscele con le loro caratteristiche meccaniche, riuscendo a prevedere con accuratezza ed affidabilità entrambe le variabili prestazionali. In particolare, le Reti Neurali Artificiali e gli Alberi Decisionali hanno evidenziato prestazioni superiori, distinguendosi per la loro eccellente capacità predittiva. Un secondo lavoro di modellazione è stato condotto tramite reti neurali artificiali ed è stato focalizzato sulla previsione del modulo di rigidezza dello strato (solo) superficiale della pista di volo. Dichiara poi che la capacità portante dell’infrastruttura aeroportuale rappresenta un elemento critico nella gestione della pavimentazione stessa e dell’intero terminal, ma non approfondisce il diverso ruolo e significato del modulo di rigidezza dello strato superficiale rispetto alla capacità portante dell’infrastruttura.
In conclusione, il lavoro auspica un aumento degli investimenti in progetti che promuovano l'adozione e l'integrazione di tecnologie di machine learning nel campo dell'ingegneria delle pavimentazioni; questo approccio potrebbe portare a significativi progressi e innovazioni nel settore.
