MATHEMATICAL MODELING OF PROCESSES IN FOOD INDUSTRIES - MODELLISTICA MATEMATICA DEI PROCESSI DELL'INDUSTRIA ALIMENTARE

Internazionalizzazione della Didattica MATHEMATICAL MODELING OF PROCESSES IN FOOD INDUSTRIES - MODELLISTICA MATEMATICA DEI PROCESSI DELL'INDUSTRIA ALIMENTARE

0622800009
DIPARTIMENTO DI INGEGNERIA INDUSTRIALE
CORSO DI LAUREA MAGISTRALE
INGEGNERIA ALIMENTARE
2021/2022



OBBLIGATORIO
ANNO CORSO 2
ANNO ORDINAMENTO 2019
PRIMO SEMESTRE
CFUOREATTIVITÀ
660LEZIONE
Obiettivi
CONOSCENZA E COMPRENSIONE
IL CORSO MIRA A FORNIRE AGLI STUDENTI LE CONOSCENZE DI BASE, LE METODOLOGIE ED ALCUNI STRUMENTI SOFTWARE PER AFFRONTARE LA RAPPRESENTAZIONE ASTRATTA DEI SISTEMI NELL’INGEGNERIA DI PROCESSO, IN PARTICOLARE PER CASI DI INTERESSE NELLA PRODUZIONE INDUSTRIALE ALIMENTARE.
GLI STUDENTI VENGONO A CONOSCENZA E COMPRENDONO:
IL FORMALISMO E GLI STRUMENTI DI RAPPRESENTAZIONE ASTRATTA, I CRITERI DI CLASSIFICAZIONE E LE TECNICHE DI SVILUPPO DEI MODELLI MATEMATICI, LA CAPACITÀ MINIMA DI DISCERNERE IL LIVELLO DI COMPLESSITÀ OPPORTUNO PER LA DESCRIZIONE SISTEMISTICA DEGLI IMPIANTI DELL’INDUSTRIA ALIMENTARE;
LA RISOLUZIONE NUMERICA DEI MODELLI MATEMATICI COSTITUITI DA EQUAZIONI DIFFERENZIALI ALLE DERIVATE PARZIALI DI TIPO PARABOLICO;
LA RISOLUZIONE DI PROBLEMI DI PROGRAMMAZIONE LINEARE.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE – ANALISI INGEGNERISTICA
ESSERE CAPACI DI OTTENERE, SELEZIONARE, RIELABORARE ED ANALIZZARE CRITICAMENTE DATI DI INTERESSE INGEGNERISTICO.
CAPACITÀ DI SELEZIONARE E UTILIZZARE MODELLI MATEMATICI PREDITTIVI DEL COMPORTAMENTO DI PROCESSI TIPICI DELL’INDUSTRIA ALIMENTARE E DI PROCESSO.
DESCRIVERE UN PROBLEMA DI OTTIMIZZAZIONE LINEARE SECONDO IL FORMALISMO E LE IPOTESI DI BASE PER LA PROGRAMMAZIONE LINEARE.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE – PROGETTAZIONE INGEGNERISTICA
RICONOSCERE LE CARATTERISTICHE SPECIFICHE E LE CONNOTAZIONI PIÙ FREQUENTI NEI MODELLI MATEMATICI RAPPRESENTATIVI DI PROCESSI DELL’INDUSTRIA ALIMENTARE.
RICONOSCERE FENOMENI E PROCESSI CHE SIANO MEGLIO DESCRITTI DA UN MODELLO MATEMATICO BASATO SUL CONCETTO DI BILANCIO DI POPOLAZIONE, E POSSEDERE I FONDAMENTI PER SVILUPPARLO.
RISOLVERE UN MODELLO DINAMICO DESCRITTO ATTRAVERSO UN’EQUAZIONE DIFFERENZIALE ALLE DERIVATE PARZIALI (PDE) DI TIPO PARABOLICO ATTRAVERSO IL METODO DELLE DIFFERENZE FINITE, UTILIZZANDO CONSAPEVOLMENTE UN SOFTWARE.
DESCRIVERE UN PROBLEMA DI OTTIMIZZAZIONE LINEARE SECONDO IL FORMALISMO E LE IPOTESI DI BASE PER LA PROGRAMMAZIONE LINEARE E RISOLVERLO CON ALGORITMI STANDARD, UTILIZZANDO CONSAPEVOLMENTE UN SOFTWARE.

AUTONOMIA DI GIUDIZIO – PRATICA INGEGNERISTICA
- SAPER CLASSIFICARE I MODELLI MATEMATICI.
- DISTINGUERE LE DIFFERENZE DI COMPORTAMENTO, CONCETTUALI E PRATICHE, IN CONDIZIONI DI REGIME O DINAMICHE, TRA SISTEMI LINEARI E NON LINEARI.
- SAPER RICONOSCERE LIMITI E DIFFICOLTÀ CONNESSE ALL’USO DI SPECIFICO SOFTWARE DI CALCOLO.
- SAPER DISTINGUERE IL LIVELLO DI COMPLESSITÀ OPPORTUNO PER LA DESCRIZIONE SISTEMISTICA DEGLI IMPIANTI DELL’INDUSTRIA DI PROCESSO.
- SAPER CLASSIFICARE E RISOLVERE PROBLEMI DI OTTIMIZZAZIONE.

CAPACITÀ TRASVERSALI - CAPACITÀ DI APPRENDERE
COMPRENDERE LA TERMINOLOGIA UTILIZZATA IN LINGUA INGLESE NELLO SVILUPPO E NELLE APPLICAZIONI DEI MODELLI MATEMATICI.
IMPARARE AD AFFRONTARE CON PADRONANZA E VALORIZZAZIONE DI UN SOFTWARE, LA SOLUZIONE DI UN PROBLEMA E L’EFFICACE RAPPRESENTAZIONE DEI RISULTATI.

CAPACITÀ TRASVERSALI - ABILITÀ COMUNICATIVE
CAPACITÀ DI PRESENTARE, CON PROPRIETÀ DI LINGUAGGIO, UN SEMPLICE CASO DI STUDIO TIPICO DELL’INDUSTRIA ALIMENTARE SUSCETTIBILE DI RAPPRESENTAZIONE MODELLISTICA E, AVVALENDOSI DI SOFTWARE DEDICATI (QUALI MATLAB® E MUC®), DISCUTERNE I RISULTATI DELLA RISOLUZIONE MATEMATICA, ANCHE IN UN TEMPO DI ESPOSIZIONE LIMITATO.
CAPACITÀ TRASVERSALI - CAPACITÀ DI INDAGINE
SAPER APPLICARE LE CONOSCENZE ACQUISITE A CONTESTI DIFFERENTI DA QUELLI PRESENTATI DURANTE IL CORSO, ED APPROFONDIRE GLI ARGOMENTI TRATTATI USANDO MATERIALI DI STUDIO DIVERSI DA QUELLI PROPOSTI.
DISTINGUERE LE DIFFERENZE DI COMPORTAMENTO, CONCETTUALI E PRATICHE, IN CONDIZIONI DI REGIME O DINAMICHE, TRA SISTEMI LINEARI E NON LINEARI.
DISTINGUERE LE IMPLICAZIONI DI UN PROBLEMA DI OTTIMO NON LINEARE PRESENTA RISPETTO AD UNO LINEARE.
Prerequisiti
PER IL PROFICUO RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI SONO RICHIESTE LE CONOSCENZE MATEMATICHE DI BASE, IN PARTICOLARE PER LE EQUAZIONI DIFFERENZIALI ORDINARIE ED A DERIVATE PARZIALI, LA PADRONANZA SUI BILANCI DI MATERIA E DI ENERGIA IN CONDIZIONI NON STAZIONARIE ED I FONDAMENTI SUI FENOMENI DI TRASPORTO.
Contenuti
DOPO UNA BREVE PRESENTAZIONE DEL CORSO E DELLE MODALITÀ DI VERIFICA DELL’APPRENDIMENTO, IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI:

• INTRODUZIONE A MATLAB® (1H TEORIA, 0 ORE ESER, 2H LAB).
• CLASSIFICAZIONE DEI MODELLI IN GENERALE E DI QUELLI MATEMATICI IN PARTICOLARE (2H TEORIA, 0 ORE ESER, 0H LAB).
• MODELLI A PRINCIPI PRIMI: ES. DEL MODELLO PREDA-PREDATORE; MODELLI BASATI SUI FENOMENI DI TRASPORTO; CASI GENERALI DI MODELLI BASATI SUI BILANCI DI POPOLAZIONE (8H TEORIA, 3 ORE ESER, 0H LAB).
• MODELLI EMPIRICI E FITTING DI DATI (3H TEORIA, 0 ORE ESER, 5H LAB).
• MODELLI DINAMICI: MODELLI ORIENTATI INGRESSO-USCITA E MODELLI CON RAPPRESENTAZIONE NELLO SPAZIO DI STATO. (6H TEORIA, 0 ORE ESER, 0H LAB)
• SERIE TEMPORALI (2H TEORIA, 0 ORE ESER, 0H LAB).
• SOLUZIONE NUMERICA DI PDE PARABOLICHE: METODI DI EULERO, LAASONEN E CRANK-NICHOLSON. STABILITÀ, CONSISTENZA E CONVERGENZA. CODICE MUC 1.0 - PARABOLIC PDE SOLVER SCRITTO IN LABVIEW® (6H TEORIA, 1 ORE ESER, 2H LAB).
• INTRODUZIONE ALL’OTTIMIZZAZIONE: CLASSIFICAZIONI DEI PROBLEMI DI OTTIMIZZAZIONE: VINCOLATA E NON VINCOLATA, LINEARE E NON LINEARE (3H TEORIA, 0 ORE ESER, 0H LAB).
• LA PROGRAMMAZIONE LINEARE: TEORIA; IL METODO GRAFICO; L’ALGORITMO DEL SIMPLESSO IN UNA E DUE FASI (9H TEORIA, 1 ORE ESER, 6H LAB).
Metodi Didattici
L’INSEGNAMENTO PREVEDE UN TOTALE DI 60H SUDDIVISE IN 36H DI TEORIA, 18 DI ESERCITAZIONI E 6 DI LABORATORIO CON SOFTWARE INTERATTIVO.
L’INSEGNAMENTO È EROGATO “IN PRESENZA” ED IN LINGUA INGLESE.
LA FREQUENZA AI CORSI DI INSEGNAMENTO È FORTEMENTE CONSIGLIATA.
L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE SVOLTE DAL DOCENTE CON AMPIO IMPIEGO DI SLIDES ED ANIMAZIONI COMPUTERIZZATE, ESERCITAZIONI IN AULA SVOLTE DAL DOCENTE SULLA LAVAGNA ED ATTIVITÀ IN LABORATORIO INFORMATICO SVOLTE DAL DOCENTE IN MANIERA INTERATTIVA CON GLI STUDENTI, TRAMITE L’IMPIEGO DI OPPORTUNO SOFTWARE DIDATTICO. AD OGNI STUDENTE È ASSEGNATO UNO USER NAME ED UNA PASSWORD, E QUINDI CONSENTITO L’ACCESSO IN AULA INFORMATICA A PC COLLEGATI IN RETE E DOTATI DELLA LICENZA DI MATLAB®¸ CON IL SUO CURVE FITTING TOOLBOX, E L’ESEGUIBILE MUC®. CIASCUN STUDENTE PUÒ INSTALLARE ED USARE LA LICENZA DELLA VERSIONE AGGIORNATA DI MATLAB® DI ATENEO, SCARICANDOLA DA HTTPS://WEB.UNISA.IT/SERVIZI-ON-LINE/MATLAB-X-UNISA. INOLTRE, AD OGNI STUDENTE SARANNO CONSEGNATI IL CODICE FREEWARE MUC 1.0 - PARABOLIC PDE SOLVER ED ALCUNI SCRIPT MATLAB®.
TUTTE LE PRESENTAZIONI DEL CORSO, ALTRE NOTE E TESTI DI PRECEDENTI ESAMI SCRITTI SONO RESE DISPONIBILI DAL DOCENTE SULLA PIATTAFORMA DI ATENEO MS TEAMS®.
Verifica dell'apprendimento
LA VALUTAZIONE DEL RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI AVVIENE MEDIANTE PROVA SCRITTA DELLA DURATA DI 2H. ESSA COMPRENDE UNA PARTE "APPLICATIVA E PRATICA" BASATA SULL'IMPIEGO DI MATLAB®, CONSISTENTE NELLO SVOLGIMENTO DI PROBLEMI DESCRITTI IN LINGUA INGLESE DI PROGRAMMAZIONE LINEARE, RISOLUZIONE DI PDE ALLE DIFFERENZE FINITE E COSTRUZIONE DI UN MODELLO DI FITTING DI DATI, SEGUITA DA UNA PARTE TEORICA CON DOMANDE A RISPOSTA APERTA SULLA MODELLISTICA MATEMATICA.
LA PROVA PREVEDE LO SVOLGIMENTO DI UN ELABORATO DIRETTAMENTE SU PC IN MS WORD® E CON I RISULTATI OTTENUTI DA MATLAB® E/O MUC®, TENENDO TUTTO IL MATERIALE DIDATTICO DEL CORSO A DISPOSIZIONE.
LA PROVA SI INTENDE SUPERATA CON IL MINIMO PUNTEGGIO (18/30) SE LO STUDENTE HA SVOLTO ALMENO DUE DEI TRE PROBLEMI, E CONTEMPORANEAMENTE HA FORNITO RISPOSTE VALIDE AL 60% DEI QUESITI. SE LO STUDENTE DIMOSTRA LA CONOSCENZA COMPARATA, LA CAPACITÀ DI COMPRENSIONE APPLICATA E LA AUTONOMIA CRITICA DI GIUDIZIO E DI RAGIONAMENTO, DESCRITTE NEI PARAGRAFI PRECEDENTI, CONSEGUE IL MASSIMO PUNTEGGIO (30/30). AI FINI DELLA LODE, SI TERRÀ CONTO DELLA QUANTITÀ (RISPOSTA ESAURIENTE E CORRETTA ANCHE NUMERICAMENTE A CIRCA IL 90% DEI QUESITI) MA ANCHE DELLA QUALITÀ (LINGUAGGIO SCIENTIFICO APPROPRIATO E PADRONANZA DELLA MATERIA) DELL’ESPOSIZIONE.
Testi
1. SNIEDER R., “A GUIDED TOUR OF MATHEMATICAL METHODS FOR THE PHYSICAL SCIENCES”, 2ND EDITION, CAMBRIDGE UNIVERSITY PRESS, ISBN-13: 9780521834926, ISBN-10: 0521834929, 2004
2. HIMMELBLAU D.M. E BISCHOFF K.B., “PROCESS ANALYSIS AND SIMULATION”, WILEY,1967
3. ZONDERVAN E., A NUMERICAL PRIMER FOR THE CHEMICAL ENGINEER, SECOND EDITION, TAYLOR & FRANCIS, 2020
4. PRESENTAZIONI E DISPENSE FORNITE DAL DOCENTE
Altre Informazioni
SITO WEB DI RIFERIMENTO PER LO STUDIO PERSONALE E GLI ESAMI:
HTTP://COMET.ENG.UNIPR.IT/~MICCIO
PIATTAFORMA DI ATENEO MS TEAMS® “MODELLISTICA MATEMATICA DEI PROCESSI DELL'INDUSTRIA ALIMENTARE – 0622800009”: UNDER CONSTRUCTION
  BETA VERSION Fonte dati ESSE3
  • Didattica