Perché PRO-ARMOUR
Proteggere le nostre coste
Le dighe foranee a scogliera sono tra le strutture più diffuse per la protezione di porti, coste e infrastrutture critiche dall'azione del moto ondoso. Al centro delle loro prestazioni c'è la mantellata — lo strato esterno di massi naturali o artificiali di grandi dimensioni che dissipa l'energia del moto ondoso e ne garantisce la stabilità e la resilienza.
La sfida
Le strutture costiere sono progettate per un futuro intrinsecamente incerto. Tuttavia, la pratica progettuale attuale si basa ancora in larga misura su formule empiriche e fattori di sicurezza fissi, senza quantificare esplicitamente la probabilità di collasso. Con l'aumento dell'incertezza dovuto al cambiamento climatico e all'evoluzione delle condizioni meteomarine, ciò può portare a strutture eccessivamente conservative e inutilmente costose, oppure non sufficientemente robuste rispetto alle condizioni future.
L'approccio di PRO-ARMOUR
PRO-ARMOUR passa da fattori di sicurezza deterministici a una progettazione basata sulla probabilità. Il progetto combina esperimenti fisici su larga scala, modellazione probabilistica e intelligenza artificiale basata sulla fisica per tenere esplicitamente conto delle incertezze che governano la stabilità della mantellata. Un nuovo dataset sperimentale fornisce l'evidenza fisica. I modelli probabilistici quantificano il rischio. I modelli surrogati di IA traducono analisi computazionalmente onerose in strumenti ingegneristici rapidi e pratici.
L'obiettivo è colmare il divario tra una rigorosa quantificazione dell'incertezza e la pratica quotidiana dell'ingegneria costiera.
Dalla ricerca alla pratica ingegneristica
un framework probabilistico validato per la progettazione delle mantellate in massi naturali.
costruire un nuovo dataset fisico sulla stabilità della mantellata e sull'interazione onda-struttura.
sviluppare modelli surrogati di IA basati sulla fisica capaci di riprodurre previsioni complesse a una frazione del costo computazionale.
trasformare i risultati scientifici in metodi pratici e linee guida per gli ingegneri costieri.
Work Package
Development of AI-data-driven surrogate model (M3.2)
Cronoprogramma
| Anno 1 — 2026/27 | Anno 2 — 2027/28 | |||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| O | N | D | J | F | M | A | M | J | J | A | S | O | N | D | J | F | M | A | M | J | J | A | S | |
| WP1 (6 months) | ||||||||||||||||||||||||
| — T1.1 System definition and probabilistic model formulation | ||||||||||||||||||||||||
| — T1.2 Development of response-based physical model — M1 | ||||||||||||||||||||||||
| WP2 (8 months) | ||||||||||||||||||||||||
| — T2.1 Experimental design | ||||||||||||||||||||||||
| — T2.2 Experimental setup and test execution | ||||||||||||||||||||||||
| — T2.3 Data processing & extraction of metrics — M2 | ||||||||||||||||||||||||
| WP3 (8 months) | ||||||||||||||||||||||||
| — T3.1 Calibration of probabilistic model using 3D experimental data | ||||||||||||||||||||||||
| — T3.2 Development of AI-based surrogate model — M3.1 | ||||||||||||||||||||||||
| — T3.3 Monte Carlo simulation and sensitivity analysis — M3.2 | ||||||||||||||||||||||||
| WP4 (runs throughout) | ||||||||||||||||||||||||
| — T4.1 Toolbox implementation and release — M4 | ||||||||||||||||||||||||
| WP5 (runs throughout) | ||||||||||||||||||||||||