Costruzione Scale in Acciaio Vertemate con Minoprio

Durante il Future Summit è emerso che l’intelligenza artificiale nel ciclismo potrà rivoluzionare diversi aspetti, tra cui l’analisi dei dati biometrici degli atleti, la progettazione di biciclette più performanti e la simulazione di percorsi e condizioni atmosferiche per un allenamento più efficace.Grazie all’intelligenza artificiale, sarà possibile raccogliere e analizzare in tempo reale i dati fisiologici degli atleti durante gli allenamenti e le gare, consentendo loro di ottimizzare le proprie prestazioni e prevenire infortuni. Inoltre, i dati raccolti potranno essere utilizzati per personalizzare allenamenti e piani di nutrizione in base alle esigenze specifiche di ciascun ciclista.In ambito tecnologico, l’intelligenza artificiale potrà essere impiegata nella progettazione di biciclette più aerodinamiche e leggere, ottimizzando la forma e i materiali utilizzati per massimizzare le prestazioni. Inoltre, la simulazione al computer di percorsi e condizioni atmosferiche consentirà agli atleti di allenarsi in modo più realistico e mirato, preparandoli al meglio per le competizioni.In conclusione, l’intelligenza artificiale si preannuncia come una tecnologia rivoluzionaria per il mondo del ciclismo, offrendo nuove opportunità per migliorare le prestazioni degli atleti, la progettazione delle biciclette e l’efficacia degli allenamenti.

EN 13381, Eurocodici, omologazioni e collaudi

Introduzione

Nel mondo delle costruzioni in acciaio, la protezione passiva al fuoco non si improvvisa: è regolata da una serie di normative rigorose, standard di prova e certificazioni che garantiscono l’affidabilità dei materiali e dei sistemi applicati.

Questo articolo fornisce una guida pratica alle norme principali, agli standard di certificazione e ai collaudi richiesti, aiutando progettisti e tecnici a orientarsi in un panorama complesso ma fondamentale per la sicurezza.

EN 13381: la norma di riferimento

La norma europea EN 13381 definisce i metodi di prova per la determinazione della resistenza al fuoco dei componenti strutturali protetti con sistemi passivi.

Cosa comprende:

• Prove su rivestimenti intumescenti (EN 13381-8)
• Prove su sistemi a vernice cementizia, calcestruzzo leggero, pannelli, ecc.
• Classificazione in base al tempo di resistenza (es. R30, R60, R90, R120)

Questa norma è fondamentale per:

• Dimostrare la conformità dei prodotti
• Stabilire i requisiti di spessore e applicazione
• Orientare la progettazione sulla base del comportamento reale in caso di incendio

Eurocodici: l’integrazione progettuale

I Eurocodici, in particolare il EN 1993-1-2, forniscono indicazioni per la progettazione delle strutture in acciaio considerando l’esposizione al fuoco.

Principali riferimenti:

• Calcolo del fattore di sezione Hp/A
• Durata richiesta della resistenza al fuoco
• Applicazione di coefficienti di sicurezza

Gli Eurocodici sono il ponte tra la normativa tecnica e la pratica progettuale, integrando i dati di prova con modelli ingegneristici.

Omologazioni e certificazioni

I produttori di rivestimenti intumescenti devono sottoporre i loro prodotti a:

• Certificazioni di prodotto rilasciate da enti notificati
• Certificazioni di sistema, che includono processo produttivo e posa in opera
• Dichiarazioni di prestazione (DoP) secondo il Regolamento Prodotti da Costruzione (CPR)

Questi documenti sono essenziali per:

• Garantire la qualità e la ripetibilità
• Consentire l’utilizzo legale e sicuro del prodotto

Collaudi e controlli in cantiere

La conformità non si esaurisce con la certificazione. In cantiere:

• Si deve verificare lo spessore applicato con strumenti adeguati
• Si devono effettuare prove di adesione e continuità
• È fondamentale la manutenzione nel tempo con ispezioni periodiche

Tabella comparativa delle principali norme e certificazioni

Conclusione

Comprendere e rispettare le norme e certificazioni è il primo passo per garantire una protezione al fuoco efficace e duratura. Progettisti e applicatori devono lavorare insieme per assicurare che ogni fase, dalla scelta del prodotto alla manutenzione, rispetti gli standard richiesti.

Nel prossimo articolo approfondiremo le tecniche di posa e i controlli in cantiere, con esempi pratici e checklist operative.

Nuovo Modello di Intelligenza Artificiale Avanza il “Problema dei Baci” e Altro

C’è un concetto matematico chiamato il numero di contatto. Un po’ deludente, non ha nulla a che fare con i baci veri. Enumera quanti sfere possono toccare (o “baciare”) una singola sfera di dimensioni uguali senza attraversarla. In una dimensione, il numero di contatto è 2. In due dimensioni, è 6 (pensa alla configurazione del puzzle di The New York Times del bee spelling). Man mano che il numero di dimensioni cresce, la risposta diventa meno ovvia: per la maggior parte delle dimensionalità oltre 4, sono noti solo limiti superiori e inferiori sul numero di contatto. Ora, un agente di intelligenza artificiale sviluppato da Google DeepMind chiamato AlphaEvolve ha dato il suo contributo al problema, aumentando il limite inferiore sul numero di contatto in 11 dimensioni da 592 a 593.

Questo potrebbe sembrare un miglioramento incrementale del problema, specialmente considerando che il limite superiore sul numero di contatto in 11 dimensioni è 868, quindi l’intervallo sconosciuto è ancora piuttosto ampio. Ma rappresenta una nuova scoperta matematica da parte di un agente di intelligenza artificiale e mette in discussione l’idea che i grandi modelli linguistici non siano capaci di contributi scientifici originali.

E questo è solo un esempio di ciò che AlphaEvolve ha realizzato. “Abbiamo applicato AlphaEvolve a una serie di problemi aperti nella matematica della ricerca, e abbiamo scelto deliberatamente problemi da diverse parti della matematica: analisi, combinatoria, geometria”, dice Matej Balog, un ricercatore di DeepMind che ha lavorato al progetto. Hanno scoperto che per il 75 percento dei problemi, il modello di intelligenza artificiale ha replicato la soluzione ottimale già conosciuta. Nel 20 percento dei casi, ha trovato un nuovo ottimo che superava qualsiasi soluzione conosciuta. “Ogni singolo caso del genere è una nuova scoperta”, dice Balog. (Nei restanti 5 percento dei casi, l’intelligenza artificiale ha convergito su una soluzione peggiore rispetto a quella ottimale conosciuta).

Il modello ha anche sviluppato un nuovo algoritmo per la moltiplicazione di matrici, l’operazione alla base di gran parte dell’apprendimento automatico. Una versione precedente del modello di intelligenza artificiale di DeepMind, chiamata AlphaTensor, aveva già superato il precedente algoritmo migliore conosciuto, scoperto nel 1969, per la moltiplicazione di matrici 4×4. AlphaEvolve ha trovato una versione più generale di quell’algoritmo migliorato.

Il modello AlphaEvolve di DeepMind ha apportato miglioramenti a diversi problemi pratici presso Google.Google DeepMind

Oltre alla matematica astratta, il team ha applicato il loro modello a problemi pratici che Google come azienda affronta ogni giorno. L’intelligenza artificiale è stata utilizzata anche per ottimizzare l’orchestrazione dei data center per ottenere un miglioramento del 1 percento, per ottimizzare il design della prossima unità di elaborazione tensoriale di Google e per scoprire un miglioramento a un kernel utilizzato nella formazione di Gemini che ha portato a una riduzione del 1 percento del tempo di formazione.

“È molto sorprendente che si possano fare così tante cose diverse con un unico sistema”, dice Alexander Novikov, un ricercatore senior di DeepMind che ha anche lavorato su AlphaEvolve.

Come Funziona AlphaEvolve

AlphaEvolve è così generale perché può essere applicato a quasi ogni problema che può essere espresso come codice e che può essere verificato da un altro pezzo di codice. L’utente fornisce un primo tentativo del problema, un programma che risolve il problema in questione, anche se in modo subottimale, e un programma verificatore che controlla quanto bene un pezzo di codice soddisfa i criteri richiesti.

Successivamente, un grande modello linguistico, in questo caso Gemini, propone altri programmi candidati per risolvere lo stesso problema, e ognuno viene testato dal verificatore. Da lì, AlphaEvolve utilizza un algoritmo genetico in modo che i “più adatti” delle soluzioni proposte sopravvivano ed evolvano alla generazione successiva. Questo processo si ripete finché le soluzioni smettono di migliorare.

AlphaEvolve utilizza un insieme di grandi modelli linguistici Gemini in congiunzione con un codice di valutazione, il tutto orchestrato da un algoritmo genetico per ottimizzare un pezzo di codice.Google DeepMind

“I grandi modelli linguistici sono arrivati, e abbiamo iniziato a chiederci se è il caso che aggiungano solo ciò che è nei dati di addestramento, o se possiamo effettivamente usarli per scoprire qualcosa di completamente nuovo, nuovi algoritmi o nuove conoscenze”, dice Balog. Questa ricerca, sostiene Balog, dimostra che “se si utilizzano i grandi modelli linguistici nel modo giusto, allora si può, in un senso molto preciso, ottenere qualcosa di provabilmente nuovo e provabilmente corretto sotto forma di un algoritmo.”

AlphaEvolve proviene da una lunga linea di modelli di DeepMind, risalendo ad AlphaZero, che ha stupito il mondo imparando a giocare a scacchi, Go e altri giochi meglio di qualsiasi giocatore umano senza utilizzare alcuna conoscenza umana, solo giocando e utilizzando il reinforcement learning per padroneggiarlo. Un’altra intelligenza artificiale risolutrice di problemi matematici basata sul reinforcement learning, AlphaProof, ha ottenuto un risultato di medaglia d’argento alla Olimpiade Internazionale di Matematica 2024.

Tuttavia, per AlphaEvolve, il team si è discostato dalla tradizione del reinforcement learning a favore dell’algoritmo genetico. “Il sistema è molto più semplice”, dice Balog. “E questo ha conseguenze, è molto più facile da configurare su una vasta gamma di problemi.”

Il (Assolutamente Non Spaventoso) Futuro

Il team dietro AlphaEvolve spera di evolvere il loro sistema in due modi.

Prima di tutto, vogliono applicarlo a una gamma più ampia di problemi, inclusi quelli nelle scienze naturali. Per perseguire questo obiettivo, stanno pianificando di aprire un programma di accesso anticipato per accademici interessati a utilizzare AlphaEvolve nella loro ricerca. Potrebbe essere più difficile adattare il sistema alle scienze naturali, poiché la verifica delle soluzioni proposte potrebbe essere meno diretta. Ma, dice Balog, “Sappiamo che nelle scienze naturali ci sono molti simulatori per diversi tipi di problemi, e quindi quelli possono essere utilizzati anche all’interno di AlphaEvolve. E siamo, in futuro, molto interessati ad ampliare il campo in questa direzione.”

In secondo luogo, vogliono migliorare il sistema stesso, forse accoppiandolo con un altro progetto di DeepMind: il coscientista di intelligenza artificiale. Questa intelligenza artificiale utilizza anche un LLM e un algoritmo genetico, ma si concentra sulla generazione di ipotesi in linguaggio naturale. “Sviluppano queste idee e ipotesi di alto livello”, dice Balog. “Incorporare questo componente in sistemi simili ad AlphaEvolve, credo, ci permetterà di raggiungere livelli più elevati di astrazione.”

Queste prospettive sono entusiasmanti, ma per alcuni potrebbero anche sembrare minacciose: ad esempio, l’ottimizzazione di AlphaEvolve della formazione di Gemini potrebbe essere vista come l’inizio di un’intelligenza artificiale che si auto-migliora in modo ricorsivo, il che alcuni temono potrebbe portare a un’esplosione di intelligenza incontrollata nota come la singolarità. Il team di DeepMind sostiene che non è questo il loro obiettivo, ovviamente. “Siamo entusiasti di contribuire all’avanzamento dell’intelligenza artificiale a vantaggio dell’umanità”, dice Novikov.

La norma EN 10025 è uno standard europeo che specifica i requisiti tecnici per gli acciai laminati a caldo utilizzati nelle costruzioni di strutture. Questa normativa fornisce linee guida dettagliate per le proprietà meccaniche, le composizioni chimiche e le caratteristiche dimensionali degli acciai utilizzati per scopi strutturali. Esaminiamo in dettaglio i principali aspetti e le sezioni chiave di questa norma.

1. Introduzione:

L’introduzione fornisce una panoramica generale della norma EN 10025, delineando il suo scopo e l’ambito di applicazione. Questa sezione stabilisce anche le definizioni chiave e le abbreviazioni utilizzate all’interno della normativa.

2. Condizioni Tecniche di Fornitura:

La norma specifica le condizioni tecniche di fornitura degli acciai laminati a caldo per strutture. Questo include requisiti relativi alle dimensioni, alle tolleranze dimensionali, alla forma e alla massa degli acciai forniti.

3. Requisiti Chimici e Meccanici:

Questa parte della norma stabilisce i requisiti per la composizione chimica e le proprietà meccaniche degli acciai laminati a caldo. Questi requisiti possono includere limiti di composizione per elementi specifici, come carbonio, manganese, silicio, zolfo e fosforo, nonché requisiti per la resistenza alla trazione, la resilienza e altre proprietà meccaniche.

4. Acciai Non Legati:

La norma tratta gli acciai non legati utilizzati nelle costruzioni di strutture. Questi acciai sono classificati in base alla loro resistenza alla trazione minima e sono designati con i prefissi “S” seguiti da un numero che indica il valore minimo della resistenza alla trazione espressa in megapascal (MPa).

5. Acciai per Laminazione Termomeccanica:

Questa sezione si concentra sugli acciai per laminazione termomeccanica utilizzati nelle costruzioni di strutture. Questi acciai subiscono un trattamento termico e meccanico per migliorare le loro proprietà meccaniche, come resistenza, duttilità e tenacità.

6. Acciai con Resistenza Maggiore a 500 MPa:

La norma tratta anche gli acciai con una resistenza alla trazione superiore a 500 MPa utilizzati per applicazioni strutturali. Questi acciai devono soddisfare requisiti specifici per la composizione chimica e le proprietà meccaniche per garantire prestazioni ottimali nelle applicazioni strutturali.

7. Marcatura e Etichettatura:

Infine, la norma stabilisce i requisiti per la marcatura e l’etichettatura degli acciai laminati a caldo per strutture. Questo include l’identificazione del produttore, il grado dell’acciaio, le condizioni di fornitura e altre informazioni rilevanti per l’identificazione e l’uso corretto degli acciai.

In conclusione, la norma EN 10025 fornisce un quadro completo per le specifiche tecniche degli acciai laminati a caldo utilizzati nelle costruzioni di strutture. Rispettare gli standard definiti in questa normativa è fondamentale per garantire la sicurezza, l’affidabilità e le prestazioni delle strutture costruite con questi materiali.

Nel mese di luglio 2024, diversi nuovi progetti di ricerca nel settore delle costruzioni edili sono stati avviati in Italia, mirati a innovare e migliorare le tecniche di costruzione e l’efficienza energetica.

Questi progetti sono finanziati sia dal governo che da partnership private, e coprono una vasta gamma di temi, dalla sostenibilità ambientale all’integrazione di tecnologie avanzate come l’intelligenza artificiale e la realtà virtuale.

Nuovi Progetti di Ricerca nel Settore delle Costruzioni Edili

Dettagli dei Progetti

1. Innovazione e Sostenibilità nelle Costruzioni, Milano: Questo progetto mira a sviluppare nuove tecniche di costruzione utilizzando materiali riciclati e a basso impatto ambientale. Finanziato dal Ministero dello Sviluppo Economico, il progetto ha un budget di 5 milioni di euro e una durata prevista di 24 mesi. L’obiettivo è ridurre l’impronta ecologica delle costruzioni edili e promuovere pratiche più sostenibili.
2. Digital Twin per l’Edilizia, Torino: Il Politecnico di Torino sta guidando un progetto per la creazione di modelli digitali gemelli, che replicano virtualmente edifici complessi per facilitarne la gestione e la manutenzione. Questo progetto, con un finanziamento di 3,2 milioni di euro, durerà 18 mesi e mira a migliorare l’efficienza operativa e la longevità degli edifici.
3. AR e VR per la Progettazione Edilizia, Roma: Utilizzando fondi del PNRR, questo progetto si focalizza sull’integrazione di realtà aumentata e virtuale nella progettazione edilizia. L’obiettivo è migliorare la precisione della progettazione e fornire visualizzazioni immersive per clienti e stakeholders. Il progetto ha un budget di 2,5 milioni di euro e una durata di 12 mesi.
4. Efficienza Energetica degli Edifici, Bologna: L’Università di Bologna sta conducendo ricerche per implementare soluzioni innovative volte a migliorare l’efficienza energetica negli edifici residenziali e commerciali. Con un finanziamento di 4,8 milioni di euro e una durata di 24 mesi, il progetto mira a ridurre il consumo energetico e le emissioni di CO2.
5. Intelligenza Artificiale per la Sicurezza nei Cantieri, Firenze: Finanziato dalla Fondazione Cassa di Risparmio di Firenze, questo progetto utilizza l’intelligenza artificiale per monitorare la sicurezza nei cantieri e prevenire incidenti. Con un budget di 1,5 milioni di euro e una durata di 18 mesi, il progetto mira a creare un ambiente di lavoro più sicuro e a ridurre i rischi associati ai lavori edili.

Questi progetti rappresentano un passo significativo verso l’innovazione nel settore delle costruzioni edili in Italia, integrando nuove tecnologie e pratiche sostenibili per affrontare le sfide contemporanee e future.

Fonti

PlanRadar
Idealista
LavoriPubblici
Blog Edilnet
BibLus