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, analizzati con le tecniche di Intelligenza Artificiale per il monitoraggio, l’interpretazione e la predizione continua.

WHENK può essere utilizzato per avere: monitoraggio strutturale con capacità di early warning per eventi di rischio, assessment sulla sicurezza complessiva considerata sia in termini di monitoraggio sia di predizione di eventi, gestione intelligente per la pianificazione dei processi di manutenzione sia in termini di efficienza sia di riduzione dei costi. Whenk può essere applicato a molti domini applicativi: Monitoraggio strutturale e sicurezza predittiva di grandi opere (ponti, viadotti, dighe, etc.), beni culturali, edifici a 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 da sensori endogeni (temperatura, vibrazione, umidità, posizione, composizione dell’aria, sismico, rumore, luce, fuoco, acqua, infrarossi, immagini, attrezzature, strumenti), dati da sensori esogeni (temperatura, vibrazione, umidità, posizione, composizione dell’aria, Sismica, Rumore, 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. Per ogni tipo di dato 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 !!