Aramix (3rdPlace srl) è alla guida del progetto CAusal Modeling and Bayesian Optimization for predictive DIAgnostics (CAMBODIA), nato dalla collaborazione con TekRevolution e l’Università di Messina per sviluppare soluzioni innovative basate sull’Intelligenza Artificiale a supporto della sicurezza industriale, della gestione del rischio e della sostenibilità dei processi produttivi.

La soluzione: intelligenza artificiale, data science e know-how multidisciplinare

Questo progetto è stato creato per sviluppare metodologie avanzate e distintive in due aree chiave dell’Industry 5.0:

• Diagnostica Predittiva (FP2)
• Dinamica dei Fluidi Computazionale (CFD) (FP3)

La nostra strategia si basa sull’utilizzo di un innovativo framework di causal modeling per identificare le relazioni causa-effetto e sull’applicazione di tecniche di progettazione ottimale di esperimenti per minimizzare il numero di test di laboratorio e CFD necessari a raggiungere il livello di conoscenza desiderato.

In qualità di azienda deep-tech, Aramix applicherà queste soluzioni a supporto dello sviluppo di sistemi ingegneristici avanzati, migliorandone sicurezza, efficienza e affidabilità.

Partner ed expertise

3rdPlace: Leader nell’applicazione dell’Intelligenza Artificiale ai processi industriali e manageriali, con consolidata esperienza in data governance, machine learning e predictive analytics.

TekRevolution: Azienda tecnologica specializzata in soluzioni digitali high-tech. Grazie a un’ampia esperienza nella Dinamica dei Fluidi Computazionale, apporta competenze chiave nello sviluppo e ottimizzazione di componenti, utilizzando materiali e processi produttivi innovativi per applicazioni industriali avanzate.

Università di Messina: Centro di eccellenza per la ricerca con un team esperto in sicurezza chimica industriale, gestione del rischio, catalisi e processi innovativi, che arricchisce il progetto con conoscenze scientifiche e avanzate capacità analitiche.

Risultati e attività svolte

Ad oggi, le nostre attività hanno validato i pilastri metodologici del progetto attraverso applicazioni concrete, dimostrando la fattibilità e l’efficacia dell’approccio proposto.

Causal Modeling per Root Cause Analysis

Il causal modeling è stato impiegato con successo per analizzare i dati operativi di un sistema FPSO (Floating Production Storage and Offloading). L’analisi ci ha permesso di identificare e quantificare i fattori produttivi e ambientali con maggior impatto causale sui processi di corrosione delle tubazioni, affrontando problematiche di grande incertezza di misura, limitata disponibilità di dati e forte correlazione tra i fattori ambientali. Questo caso d’uso valida l’efficacia del nostro approccio nell’ambito della diagnostica, consentendo di passare dall’analisi predittiva (stimare quando si verificherà un guasto) all’analisi prescrittiva (comprendere perché si verifica e come affrontare le cause alla radice).

Bayesian Design of Experiments (BOED) per efficienza sperimentale e computazionale 

Abbiamo applicato con successo il Bayesian Design of Experiments (BOED) per ridurre drasticamente il costo dell’acquisizione di informazioni sia in contesti di sperimentazione fisica che di simulazione computazionale. Sono stati utilizzati due approcci tecnici distinti a seconda del dominio:

• Nel dominio Affidabilità: per ottimizzare un test di affidabilità accelerato, è stato utilizzato un modello di guasto diretto tramite il noto modello peck-arrhenius. Il framework BOED ha selezionato le impostazioni sperimentali ottimali massimizzando il Expected Information Gain (EIG), calcolato direttamente sul modello statistico che descrive il processo di guasto. Questo approccio è ideale quando è disponibile un modello del fenomeno esplicito e affidabile.
• Nel dominio CFD: per mappare l’impatto della variazione delle condizioni operative, è stato costruito un modello surrogato basato su Deep Gaussian Processes per modellare l’incertezza epistemica nella semplificazione di una complessa simulazione CFD. Il DoE è stato quindi applicato a questo metamodello computazionalmente meno oneroso per scegliere i punti di simulazione successivi con il maggiore atteso incremento di informazioni, minimizzando così il numero totale di simulazioni CFD necessarie, con grande risparmio di tempo umano e computazionale.

Vuoi saperne di più?

Scrivi a info@aramix.ai per maggiori informazioni.

Segui gli aggiornamenti sulla pagina LinkedIn di Aramix.