Obiettivo 4: Sistemi intelligenti di gestione integrata per migliorare la resilienza e l’affidabilità delle infrastrutture intelligenti basate sull’idrogeno
REFERENTE/I
Saverio De Vito – ENEA
grazia.fattoruso@enea.it
Attività
Nell’ ultima fase del progetto le attività sono state mirate all’ ottimizzazione del deployment sensoriale.
A partire dagli algoritmi di tezione anomalie precedentemente sviluppati e pubblicati con contributo a rivista, si è implementato un algoritmo di ottimizzazione quantistica per analizzare il deployment ottimale. Oltre che focalizzarsi sulla soluzione ottimale dipendente ovviamente dai parametri di costo assegnati ai sensori e all’ importanza degli errori di detezione, si è analizzata al variare del budget sensoriale l’ incidenza nelle soluzioni possibili del singolo sensore stabilendo la centralità di alcuni di essi ai fini della detezione delle anomalie funzionali della rete.
Risultati
I risultati sono stati condensati nel rapporto tecnico previsto e nella pubblicazione, riportata nella documentazione in fondo alla pagina
Figura 1
Risultati dell’ integrazione del sistema Quantum Machine Learning nel framework delle attività di digital twinning per il deployment ottimale dei sensori su rete di trasporto
Team di ricerca
Saverio De Vito – ENEA
In collaborazione con
Documenti
Senese, A.; De Vito, S.; Esposito, E.; Acampora, G.; Di Francia, G.; Longobardi, A.; Monteleone, G.; Villari, M. A Weakly Supervised Framework for Anomaly Detection in Hydrogen Blend Transport Networks Using High-Fidelity Simulation Data. Processes 2026, 14, 2636. https://doi.org/10.3390/pr14162636
