Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | SurMoDeL: Modelli Surrogati con apprendimento automatico per la caratterizzazione di giacimenti |
|---|---|
| Titolo del progetto di ricerca in inglese | SurMoDeL: Deep Leaning Surrogate Models for reservoir characterization |
| Campo principale della ricerca | Mathematics |
| Sottocampo della ricerca | Other |
| Settore Concorsuale | 01 - Scienze matematiche e informatiche |
| S.S.D | MAT/08 - ANALISI NUMERICA |
| Descrizione sintetica in italiano | La gestione dei giacimenti in problemi di approvvigionamento energetico è fondamentale per la transizione verso economie a basso o zero impatto di carbonio mediante l’implementazione di siti di stoccaggio di CO2 o H2. La modellazione poromeccanica è uno strumento computazionale essenziale per garantire la sicurezza sociale e ambientale di applicazioni industriali, insieme a un monitoraggio del sito. Tuttavia, algoritmi ensemble-based con modelli tradizionali hanno costi computazionali troppo elevati per consentire simulazioni real-time. Per questo, l’uso di modelli surrogati che approssimano la propagazione dell’incertezza dell’input all’output è fondamentale. L’obiettivo di questo progetto è lo sviluppo, implementazione e applicazione di nuovi modelli surrogati basati sull’apprendimento automatico con reti neurali Physics-Informed per applicazioni poromeccaniche. |
| Descrizione sintetica in inglese | The safe management of deep reservoirs in energy resources applications is a basic requirement towards the transition to a low or zero-carbon economy through the implementation of CO2 or Hydrogen underground storage sites. Poromechanical modeling is a fundamental computational tool for the social and environmental safety of industrial implementations, along with a continuous monitoring of the ongoing occurrences. However, ensemble-based algorithms with traditional high-fidelity models have a computational cost that may become unaffordable for real-time model updates. To this aim, the use of surrogate models approximating the propagation of the input uncertainty to the output is fundamental. The objective of this project is the development, implementation and application of novel Deep Learning- based surrogate models for poromechanical applications based on Physics-Informed Neural Networks. |
| Data del bando | 31/10/2023 |
| Numero di assegnazioni per anno | 1 |
| Stanziamento annuale (indicativo) | 19367 |
| Periodicità | 12 mesi |
| E' richiesta mobilità internazionale? | no |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://protocollo.unipd.it/albo/viewer |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|
| Nome dell'Ente finanziatore | Università degli Studi di Padova - Dipartimento di Ingegneria Civile, edile e ambientale - ICEA |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Padova |
| Codice postale | 35131 |
| Indirizzo | Via F. Marzolo, 9 |
| Sito web | https://www.dicea.unipd.it/ |
| ricerca@dicea.unipd.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 21/11/2023 - alle ore 00:00 |
|---|---|
| Come candidarsi | https://protocollo.unipd.it/albo/viewer |