Martina Rufini

Dottoranda in Ingegneria Meccanica , 41^o ciclo (2025-2028)
Dipartimento di Ingegneria Meccanica e Aerospaziale (DIMEAS)

martina.rufini@polito.it

Profilo

Dottorato di ricerca

Argomento di ricerca

Materiali metallici sostenibili per applicazioni strutturali nel settore automobilistico: previsione delle proprietà meccaniche con algoritmi di Machine Learning.

Tutori

Keywords

Fatigue and fracture / Fatica e frattura

Biografia

Il progetto di ricerca è dedicato allo sviluppo di materiali metallici innovativi per applicazioni strutturali nel settore automotive, con particolare attenzione alle leghe leggere e all’impiego di strumenti di Machine Learning per prevederne il comportamento e supportarne la selezione in ambito industriale, in una prospettiva di soluzioni capaci di coniugare prestazioni meccaniche elevate, riduzione della massa dei componenti e minore impatto ambientale. L’obiettivo è definire un approccio integrato, basato su sperimentazione, analisi dei dati e modellazione predittiva, capace di stimare le proprietà di nuove leghe metalliche a partire da parametri di processo e risultati di caratterizzazione.
In una fase iniziale, l’attività sarà dedicata all’analisi dello stato dell’arte e alla costruzione di una base dati strutturata, alimentata da risultati già disponibili, nuove prove sperimentali e, ove necessario, dati integrativi. Successivamente, la ricerca si concentrerà sullo sviluppo e sull’addestramento di un modello di Machine Learning: saranno individuati i parametri descrittivi più significativi, sarà progettata l’architettura del modello e ne saranno valutate accuratezza, robustezza e capacità predittiva. Il lavoro si concentrerà su due materiali di riferimento: una lega di magnesio ottenuta mediante thixocasting e una lega di alluminio contenente niobio. Accanto a queste attività, sarà portata avanti una campagna di caratterizzazione sperimentale finalizzata a descrivere le proprietà meccaniche e microstrutturali dei materiali oggetto di studio, approfondendone la risposta strutturale, la durabilità e la riciclabilità in condizioni rappresentative delle applicazioni automotive, oltre a fornire il supporto necessario alla calibrazione e alla verifica del modello predittivo. Nella fase conclusiva, le previsioni del modello saranno sottoposte a verifica sperimentale e integrate con analisi statistiche. In questa fase, l’attività sarà rivolta al confronto tra risultati attesi e osservati, al consolidamento del tool sviluppato e all’estensione dell’algoritmo ad altri materiali innovativi mediante tecniche di Transfer Learning.
Attività didattiche complementari rilevanti:

Advanced methodologies for the assessment of the fatigue response.
Machine learning for pattern recognition.
Life Cycle Assessment (LCA).
Summer school on Notch Mechanics Fundamentals, Design & Applications.