Dettagli sull'Insegnamento per l'A.A. 2018/2019
Le informazioni che state leggendo si riferiscono all'anno accademico 2018/2019.
Per questo molti collegamenti non sono disponibili e i dati potrebbero essere incompleti.
Per leggere le informazioni correnti sul corso, se ancora erogato, consulta il catalogo corsi di ateneo.
Per consultare le informazioni relative ad altri anni accademici, usa la lista in fondo a questa pagina.
A. Accademico:
2018/2019
Nome:
Modellistica E Simulazione / Modelling and Simulation
Tipo:
Corso singolo
Informazioni
Codice:
I2I036
SSD:
ING-INF/04
Crediti:
: Laurea Magistrale in Ingegneria Informatica e Automatica 9 CFU (b)
Periodo:
1st semester
Erogazione:
Laurea Magistrale in Ingegneria Informatica e Automatica 2nd anno curriculum Generale Elective
Laurea Magistrale in Ingegneria Informatica e Automatica 2nd anno curriculum Automatica Compulsory
Laurea Magistrale in Ingegneria Informatica e Automatica 2nd anno curriculum Automatica Compulsory
Lingua:
Italiano
![[info]](img/info16.png)
Docenti:
Prerequisiti
Concetti di base dell'algebra lineare e dell' analisi matematica. Concetti di base di teoria dei sistemi, controlli automatici e di informatica.
Obiettivi
Capacità di progettare modelli matematici di diversa natura per la rappresentazione di realtà fisiche di interesse, a scopi di previsione e controllo. Capacità di implementazione al calcolatore e di simulazione software dei modelli studiati.
Sillabo
- Introduzione alla modellistica e alla simulazione. Classificazioni dei sistemi. Esempi elementari. Modellistica black box, grey box e white box. Procedura iterativa di progettazione dei modelli: definizione struttura modello, calibrazione, validazione e implementazione. Ruolo dei dati. Simulazione in Matlab-Simulink ed Excel: comandi base.
- Modelli statici lineari, deterministici e stocastici. Esempi. Introduzione alla teoria della stima. Soluzione generalizzata di sistemi algebrici lineari. Stima ai minimi quadrati (pesati). Interpretazione geometrica. Modelli lineari e linearizzabili nei parametri. Regressione multipla. Esercizi e implementazione in Matlab ed Excel. Richiami su variabili aleatorie continue. Introduzione alla stima parametrica stocastica. Proprietà degli stimatori. Stima di massima verosimiglianza. Esempi. Stima di Gauss-Markov. Cenni di stima bayesiana. Stima a minima varianza dell’errore. Stima lineare ottima nel caso gaussiano.
- Modelli statici non lineari, ottimizzazione e data fitting. Fenomeni non lineari tipici: polinomiale, trigonometrica, esponenziale, saturazione, dead band, quantizzazione, magic formula, esempi. Cenno all’isteresi. Stimatore di massima verosimiglianza ai minimi quadrati pesati nel caso non lineare. Cenni di algoritmi di ottimizzazione numerica: metodi iterativi, discesa del gradiente, metodi di tipo Newton e quasi-Newton, trust-region, Gauss-Newton. Fitting di curve mediante ottimizzazione in Matlab: fminsearch e fminunc. Risoluzione di problemi non lineari ai minimi quadrati: lsqnonlin. Fitting in Matlab e analisi grafica degli errori.
- Modelli dinamici lineari. Rappresentazioni nello spazio di stato. Richiami: forme esplicite ed implicite, modi naturali, approccio in frequenza, risposta a regime permanente, teoria della stabilità, con estensione al caso non lineare. Cenni di teoria della realizzazione. Discretizzazione esatta e approssimata di sistemi a tempo continuo.
- Modeling, analisi qualitativa e quantitativa di sistemi dinamici lineari. Modello di inquinamento fluviale, modello massa-molla-smorzatore, modello di inquinamento autovetture, modello sistema lavorativo e pensionistico, modelli di popolazione, cenni di matrici stocastiche e loro proprietà, conservazione della massa, unicità dell’equilibrio fissata la condizione iniziale. Modelli di decadimento radioattivo. Interconnessioni di sistemi dinamici lineari. Schemi a blocchi. Calcolo delle costanti di tempo per sistemi a tempo discreto e a tempo continuo.
- Simulazione di sistemi dinamici lineari. Rappresentazioni nello spazio di stato di sistemi lineari in Matlab: ss, tf, zpk. Conversioni tra modelli, interconnessioni. Test di stabilità, raggiungibilità e osservabilità. Realizzazione raggiungibile e osservabile. Realizzazione minima. Decomposizione di Kalman. Diagrammi di Bode. Richiami di tecniche di sintesi: assegnazione degli autovalori con feedback statico dallo stato, osservatore dello stato e teorema di separazione, stabilizzazione mediante il criterio di Nyquist, stabilizzazione mediante il luogo delle radici. Simulazione di sistemi a tempo continuo mediante discretizzazione esatta. Simulazione di sistemi a tempo discreto. Simulazione a tempo continuo in Simulink.
- Teoria della stima per sistemi dinamici lineari. Stimatore di massima verosimiglianza e di minima varianza. Stima parametrica: identificazione di sistemi lineari a tempo continuo. Identificabilità. Stima bayesiana: il filtro di Kalman. Identificazione dei parametri per sistemi lineari con osservazioni a tempo discreto in Matlab. Implementazione del filtro di Kalman per sistemi a tempo discreto, stazionari, filtro asintoticamente ottimo, filtro di Kalman per sistemi non stazionari.
- Modeling, analisi qualitativa e quantitativa di sistemi dinamici non lineari. Studio della stabilità locale mediante linearizzazione. Sistemi planari: analisi qualitativa, piano delle fasi, caratterizzazione degli equilibri (nodi, selle, fuochi, centri). Stabilità strutturale. Comportamenti oscillatori e cicli limite, criterio di Bendixon. Esempi: modello massa-molla-smorzatore non lineare; modello di mutuo bancario e interpretazione del numero di Nepero. Criterio di Poincarè-Bendixon per sistemi planari. Modello preda-predatore di Lotka-Volterra. Teorema di Poincarè sull’esistenza di cicli. Biforcazioni e transizioni catastrofiche. Modelli epidemiologici. Modello di evoluzione di un bosco sottoposto a sfruttamento. Equazione di crescita logistica. Esempi di applicazione congiunta del teorema di Poincarè e del criterio di Bendixon per lo studio del comportamento all’equilibrio di sistemi planari. Modello ibrido di accumulo di pioggia nel terreno.
- Simulazione di sistemi dinamici non lineari. Metodi numerici per la risoluzione di equazioni differenziali ordinarie. Metodi espliciti/impliciti, a un passo e a più passi, adattativi, a passo fisso/variabile, a stadi. Metodi Eulero e Runge Kutta. Integrazione di equazioni non rigide in Matlab mediante ode45 (Dormand-Prince). Simulazione e integrazione numerica (Eulero e Runge-Kutta 4° ordine a passo fisso) in Excel di esempi già trattati. Implementazione del filtro di Kalman esteso in Matlab mediante l’utilizzo di funzioni di calcolo simbolico. Case study: modello monotraccia di veicolo con pneumatici non lineari e sua implementazione in Simulink. Utilizzo delle librerie in Simulink: modeling del sistema di sterzo, calcolo della traiettoria spaziale. Implementazione di un sistema di controllo di assetto di veicolo in Simulink mediante Control Lyapunov Functions.
- Modelli a stati discreti, deterministici e stocastici, time-driven ed event-driven. Sistemi a stati discreti stocastici. Catene di Markov a tempo discreto (DTMC) e continuo (CTMC). Master Equation. Estrazione di campioni con distribuzioni arbitrarie nel caso di variabili aleatorie discrete e continue. Inverse sampling theorem. Caratterizzazione geometrica delle soluzioni di equilibrio delle CTMC. Interpretazione in termini di teoria dei grafi. CTMC ergodiche. L’algoritmo di Gillespie (SSA) e sua implementazione in Matlab, in versione Monte Carlo, ergodica e in doppia scala dei tempi (cenni).
- Advanced topics. Modelli di previsione black box di tipo [N]AR[MA][X], a tempo discreto e continuo, con esempi. Cenni di machine learning e reti neurali artificiali: aspetti modellistici. Identità di Sherman-Morrison. I minimi quadrati ricorsivi. Modellistica e simulazione mediante reti neurali di un processo di automazione di un’azienda agricola. Equazioni differenziali stocastiche (cenni) e loro integrazione Eulero-Maruyama. Equazioni alle derivate parziali, equazione di continuità (cenni). Soluzione dell’equazione del trasporto unidimensionale. Modelli e simulazione di sistemi multi-agente cooperativi (cenni): problemi di consensus/agreement. Cenni di algoritmi randomizzati: calcolo randomizzato di pi greco; consenso randomizzato via gossiping.
- Seminari: Systems/Synthetic Biology; modelli del sistema glucosio-insulina; modellistica, simulazione e controllo del traffico stradale; modellistica e controllo di processi nucleari.
Descrittori di Dublino
Alla fine del corso, lo studente dovrebbe
- saper affrontare la modellizzazione e l'analisi quantitativa e qualitativa di fenomeni complessi mediante l'utilizzo di una varietà di formalismi matematici, e saper implementare e simulare tali modelli al calcolatore.
Testi di riferimento
- C. Cassandras, S. Lafortune, Introduction to discrete event systems , Springer. 2008.
- M. Dalla Mora, A. Germani, C. Manes, Introduzione alla teoria dell'identificazione dei sistemi , EURoma-La Goliardica. 1997.
- J. P. Hespanha, Linear Systems Theory , Princeton University Press. 2009.
- G. Guariso, E. Weber, Modellistica e simulazione. Esercizi svolti e laboratorio in excel , Esculapio. 2016.
- H. K. Khalil, Nonlinear Systems , Prentice Hall. 2001.
- A. Ruberti, A. Isidori, Teoria della stabilità - appunti dalle lezioni , Siderea. 1977.
Modalità d'esame
Orale con l'ausilio del pc, mediante il quale gli studenti discuteranno i programmi scritti durante il corso.
Note
- Pagina web: http://www.ing.univaq.it/cdl/scheda_corso.php?codice=I2I036
Risorse Internet
Aggiornamenti alla pagina del corso
Le informazioni sulle editioni passate di questo corso sono disponibili per i seguenti anni accademici:- A.A. 2012/2013
- A.A. 2013/2014
- A.A. 2014/2015
- A.A. 2015/2016
- A.A. 2016/2017
- A.A. 2017/2018
- A.A. 2018/2019
- A.A. 2019/2020
Ultimo aggiornamento delle informazioni sul corso: 03 gennaio 2018, 19:14