Sviluppo di una metodologia che sfrutta l'integrazione tra modellazione fisica e machine learning per la realizzazione di un Digital Twin in applicazioni industriali.

The concept of the Digital Twin (DT) is becoming increasingly central in industrial development. The availability of advanced modeling technologies and high computational capabilities now allows complex real systems to be represented as “digital twins.” A Digital Twin can be defined as a set of tools that enables a detailed and realistic representation of a physical system. It can integrate numerical models, multiphysics simulations, simplified models (0D-1D), and machine learning models. The main advantage of a Digital Twin is the ability to understand the dynamics of a real system and predict the effects on outputs under different operational conditions, opening opportunities for performance optimization, development, and safety verification. This thesis focuses on a mining machine, a filter press, used to separate the liquid phase from the solid phase in both waste materials and extracted ore, with significant economic and operational impacts. These machines are particularly critical because, due to their nature and the processes they perform, they are often the bottleneck in mining operations. These machines are cyclic, highly energy-intensive, and frequently handle valuable materials. Optimizing their operational times and energy (electric, water, air) consumption is crucial, especially in remote locations or under resource constraints. The project aims to develop a model capable of accurately reproducing the filter’s behavior, identifying critical points, and predicting performance under varying configurations. The complexity and diversity of the onboard systems, and their indirect correlation with specific technical objectives, led to a strategy of dividing the machinery into subsystems, with the goal of eventually integrating the results into a complete Digital Twin. The focus of the thesis is thus to achieve a robust modeling of the filtration system, which allows the estimation of the filter’s internal state, otherwise unavailable, supporting targeted maintenance decisions (e.g., wash cycles), reducing downtime, and increasing plant efficiency. Different modeling approaches were developed, mainly: • Physical: numerical or analytical implementations based on theoretical or semi-empirical models. • Non physical: deterministic or probabilistic models, including machine learning and neural networks, suitable for high variable phenomena or cases with unclear correlations. The work allowed the identification of the strengths and limitations of each methodology and assessed the benefits of effectively integrating the different approaches. The research produced a tool capable of processing real-time operational data into indices easily interpretable by operators, facilitating the planning of optimized maintenance interventions.

Il concetto di Digital Twin (DT) sta diventando sempre più centrale nello sviluppo industriale. La disponibilità di tecnologie di modellazione avanzate e di capacità hardware elevate permette oggi di rappresentare sistemi reali complessi come dei “gemelli digitali”. Un Digital Twin può essere definito come l’insieme di strumenti che consente di rappresentare in modo dettagliato e realistico un sistema fisico. Esso può integrare modellazioni numeriche, simulazioni multifisiche, modelli semplificati (0D-1D) e modelli di machine learning. Il vantaggio principale di un Digital Twin è la possibilità di comprendere le dinamiche di un sistema reale e prevedere gli effetti sugli output in relazione alle condizioni operative, aprendo prospettive verso l’ottimizzazione delle performance, lo sviluppo e la verifica della sicurezza. La tesi considera un macchinario del settore minerario, una pressa filtro, utilizzata per separare la fase liquida da quella solida, sia nei materiali di scarto sia nei materiali estratti, con impatti economici e operativi rilevanti. Questi macchinari ottengono particolare attenzione poiché, per via della loro natura e dei processi che eseguono, possono rappresentare il collo di bottiglia del flusso di lavoro nelle miniere. Si tratta infatti di macchinari ciclici, molto energivori e che spesso trattano materiali preziosi. Riuscire ad ottimizzarne i consumi (elettrici, idrici, aria…) e i tempi di operazione è cruciale, soprattutto in contesti remoti o con limitazioni di risorse. L’obiettivo del progetto è realizzare un modello in grado di riprodurre fedelmente il comportamento del filtro, identificandone criticità e prevedendo il funzionamento al variare della configurazione. La complessità a diversità dei sistemi a bordo e la loro non diretta correlazione con i singoli obiettivi tecnici ha permesso di adottare una strategia di divisione del macchinario in sottosistemi, per poi in futuro integrare i risultati in un Digital Twin completo. Oggetto di tesi è quindi ottenere una buona modellazione del sistema di filtraggio, che consentirebbe di valutare lo stato interno del filtro, informazioni altrimenti non disponibili, supportando decisioni di manutenzione mirate (es. lavaggi), riducendo i fermi macchina e aumentando l’efficienza dell’impianto. Sono stati sviluppati diversi approcci di modellazione, distinguibili in: • Fisici: implementazioni numeriche o analitiche basate su modelli teorici o semi-empirici; • Non fisici: modelli deterministici o probabilistici, inclusi machine learning e reti neurali, utili per fenomeni aleatori o con correlazioni non evidenti. Il lavoro così svolto ha permesso di individuare criticità e vantaggi delle varie metodologie valutando anche i benefici provenienti da un’efficacia integrazione delle diverse metodologie. La ricerca ha prodotto uno strumento in grado di elaborare in tempo reale indici interpretabili dall’operatore, facilitando la programmazione di interventi di manutenzione ottimizzati.