IMPIANTI INDUSTRIALI 2

IMPIANTI INDUSTRIALI 2

_
iten
Codice
72402
ANNO ACCADEMICO
2021/2022
CFU
6 cfu al 1° anno di 8734 INGEGNERIA GESTIONALE (LM-31) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE
ING-IND/17
LINGUA
Italiano
SEDE
GENOVA (INGEGNERIA GESTIONALE )
periodo
2° Semestre
moduli
materiale didattico

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Il corso si propone di fornire agli allievi ingegneri gestionali le cognizioni di base per la progettazione e l'esercizio degli impianti industriali con particolare riferimento alle tematiche inerenti l'impiantistica di servizio.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine del corso lo studente avrà acquisito le seguenti competenze e risultati:

- Conoscenza e comprensione delle tecniche di simulazione degli impianti industriali e dei sistemi complessi

- Costruzione e validazione statistica dei modelli di simulazione di tipo DES in regime stocastico

- Conoscenza e comprensione dei principi della regressione lineare 

- Conoscenza, comprensione e applicazione delle tecniche RSM alla simuazione di impianti industriali

- Conoscenza e comprensione delle tecniche di ottimizzazione applicate alla simulazione in regime stocastico

- Valutazione delle prestazioni degli impianti industriali tramite l'applicazione di tecniche di simulazione e metodologia RSM

Modalità didattiche

Lezioni frontali  (e/o a distanza in modalità sincrona) e esercitazioni in laboratorio informatico con utilizzo di tools specifici

PROGRAMMA/CONTENUTO

Tecniche di simulazione

Metodi di validazione statistica dei modelli di simulazione DES e Monte Carlo

  1. - Sistemi tempo evolventi
  2. - Sistemi run evolventi

L'Experimental Design applicato alla simulazione

  1. Teoria della regressione
  2. Response Surface Methodology (RSM)

Tecniche di ricerca dell'ottimo in sistemi simulati

  1. Steepest Ascent/Descent
  2. Simplex Method e varianti
  3. Nature Inspired Heuristic
  4. AFO

TESTI/BIBLIOGRAFIA

L. Cassettari, R. Mosca and R. Revetria, Experimental Error Measurement in Monte Carlo Simulation, Handbook of reasearch on Discrete Event Simulation Enviroments, Chapter 6, pp 92-141, Evon M. O. Abu-Taieh & Asim Abdel Rahman El Sheikh, Information Science Reference, 2010.

R. Mosca, R. Revetria and L. Cassettari, Monte Carlo simulation models evolving in replicated runs: a methodology to choose the optimal experimental sample size, in press in Mathematical Problems in Engineering, Hindawi Publishing Corporation, ISSN: 1024123X.

Bendato, I., Cassettari, L., Giribone, P.G., Fioribello, S.
Attraction Force Optimization (AFO): A deterministic nature-inspired heuristic for solving optimization problems in stochastic simulation
(2016) Applied Mathematical Sciences, 10 (17-20), pp. 989-1011. 

 

DOCENTI E COMMISSIONI

Ricevimento: Si riceve su appuntamento da concordarsi via email. 

LEZIONI

Modalità didattiche

Lezioni frontali  (e/o a distanza in modalità sincrona) e esercitazioni in laboratorio informatico con utilizzo di tools specifici

ORARI

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

ESAMI

Modalità d'esame

L'esame prevede un prova orale. Tale prova viene svolta in presenza o a distanza qualora non ci fosse la possibilità di effettuarla in presenza o i vincoli imposti per la prova in presenza  non siano compatibili con un'efficace svolgimento della stessa.

La prova orale prevede domande sugli argomenti trattati a lezione.

Può essere richiesto anche di rispondere ad alcune domande relative alle esercitazioni pratiche svolte durante il corso. 

Modalità di accertamento

Nella prova orale saranno considerati i seguenti parametri di valutazione:

- la conoscenza approfondita dei temi trattati

- la capacità di ragionamento critico 

- la capacità di valutare quali strumenti e metodologie utilizzare per la soluzione di problematiche inerenti la gestione di impianti industriali reali 

-  l'utilizzo del lessico specialistico

- la qualità dell'esposizione