WHENK

La soluzione WHENK (WHole ENvironmental Knoledge) nasce nei Laboratori di Ricerca e Sviluppo di Project Consulting s.r.l..
L’approccio di data science è alla base della soluzione IoT WHENK. Dati multimodali e multimediali provenienti da una regione di interesse vengono raccolti, integrati e analizzati con le tecniche di Intelligenza Artificiale per il monitoraggio, l’interpretazione e la predizione continua.
WHENK è una soluzione innovativa per il monitoraggio strutturale di manufatti, con capacità predittiva e di early warning per la definizione di piani di manutenzione efficaci ed efficienti e per l’attuazione di piani di pronto intervento in caso di eventi ad alto impatto; la soluzione consente anche l’implementazione di assessment sulla sicurezza complessiva delle strutture, e la gestione intelligente dei processi di manutenzione, con un incremento dell’ efficienza operativa ed una sensibile riduzione dei costi. Whenk può essere applicata a molti domini applicativi: Monitoraggio strutturale e sicurezza predittiva di grandi opere (ponti, viadotti, dighe, etc.), beni culturali, edifici storici, strutture con grande affluenza di pubblico.

 

Gli output principali della soluzione WHENK sono: monitoraggio della RoI, estrazione della conoscenza predittiva e produzione di una action list per informare, allertare e mitigare rischi / danni.

WHENK è in grado di gestire i dati provenienti da sensori endogeni (temperatura, vibrazione, umidità, posizione, composizione dell’aria, sismico, acustico, luce, fuoco, acqua, infrarossi, immagini, attrezzature, strumenti), da sensori esogeni (temperatura, vibrazione, umidità, posizione, composizione dell’aria, sismico, acustico, Luce, Fuoco, Acqua, Infrarossi, Imaging), dati regionali (posizione, altitudine, terreno, strutturale, misurazione, geo-localizzazione), dati storici (età, ristrutturazione, variazione strutturale, danni).

La modalità operativa di WHENK è descritta nello schema seguente:

1)  A partire dalla collezione iniziale dei dati, provenienti da sensori e apparati, viene svolta una prima analisi specifica per ogni tipo di dato e viene applicato un particolare pre-processing che tiene conto di tutte le azioni necessarie per rendere il dato fruibile (pulizia, filtraggio, validazione, normalizzazione, consistenza, ecc);

2) Nella fase successiva avviene l’integrazione e la correlazione dei dati, che risultano essere multimodali ed eterogenei in natura (booleani, numerici, qualitativi, multimediali, descrittivi, ecc…). Tale eterogeneità introduce problemi di interoperabilità durante lo sviluppo di applicazioni interdominio e rende necessario costruire opportune ontologie per la integrazione semantica; in Whenk sono state implementate le ontologie più efficaci per definire il dataset significativo su cui applicare gli algoritmi di AI.

3) La conoscenza fornita dai motori di Machine Learning verrà utilizzata per definire un elenco di azioni (il tutto proposto in modo automatico dal motore di machine learning).

4) La base dati di ingresso al motore di Machine Learning si modifica man mano che il sistema nel suo complesso apprende dal funzionamento reale; ogni dato di uscita che genera variazioni nel sistema, diviene un ulteriore elemento in ingresso che accresce la conoscenza.

scheda-whenk
error: Content is protected !!