Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
Insegnamento
MODEL IDENTIFICATION, CALIBRATION AND DATA ANALYSIS
INP5070359, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA (Ord. 2017)
IN2191, ordinamento 2017/18, A.A. 2017/18
N0
porta questa
pagina con te
Curriculum Percorso Comune
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese MODEL IDENTIFICATION, CALIBRATION AND DATA ANALYSIS
Dipartimento di riferimento Dipartimento di Ingegneria Civile, Edile e Ambientale (ICEA)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile GIORGIO PICCI

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Discipline ingegneristiche ING-INF/04 9.0

Modalità di erogazione
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 9.0 72 153.0 Nessun turno

Calendario
Inizio attività didattiche 26/02/2018
Fine attività didattiche 01/06/2018

Commissioni d'esame
Commissione Dal Al Membri
3 2017 01/10/2017 15/03/2019 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)
2 2016 01/10/2016 15/03/2018 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)

Syllabus
Prerequisiti: None
Conoscenze e abilita' da acquisire: Objective
Introduce the students to the advanced topics of linear algebra and model identification.
Outcomes
A student who has met the objectives of the course will have a fundamental knowledge of :
• Linear algebra and numerical methods for large sparse matrices
• Deterministic and stochastic methods for model identification and calibration
Modalita' di esame:
Criteri di valutazione:
Contenuti: 1. Review of linear algebra concepts;
2. Iterative methods for the solution of large, sparse linear systems: a) conjugate gradient methods for symmetric systems; b) projection methods for nonsymmetric systems (GMRES-BiCGSTAB); c) preconditioning; incomplete factorizations; sparse factorized approximate inverses; d) implementation techniques; sparse (CSR) matrix storage;
3. Methods for the calculation of eigenvalues and eigenvectors: a) Power and inverse power (with shift) methods; b) QR method.
4. Newton methods for nonlinear systems: a) derivation of the Newton methods; b) local convergence properties and introduction to globalization techniques; c) Picard method; d) implementation of the Newton-Krylov and inexact Newton methods.
5. The calibration as an ill posed problem;
6. Penalizing functions;
7. Likelihood method for estimation;
8. Generalized Method of Moments;
9. Deterministic and stochastic algorithms.
Attivita' di apprendimento previste e metodologie di insegnamento:
Eventuali indicazioni sui materiali di studio:
Testi di riferimento: