Aperta la selezione per 4 posizioni come DevOps & Technical Support Engineer, 1 posizione come Junior Network Engineer e 3 posizioni come Network Operator

In collaborazione tra Università Politecnica delle Marche ed ENEA, il 07 settembre 2020 si è svolto un workshop online sulle tematiche del patrimonio culturale digitale, delle nuvole di punti per la segmentazione dei beni culturali e delle applicazioni con le reti neurali profonde, con il seguente programma:
• Segmentazione Semantica di nuvole di punti: scenari e applicazioni, Emanuele Frontoni, Marina Paolanti (VRAI, Università Politecnica delle Marche);
• Deep Learning e Machine Learning per Segmentazione semantica di nuvole di Punti per i beni Culturali , Roberto Pierdicca (GAP, Università Politecnica delle Marche);
• A Benchmark for Large-Scale Heritage Point Cloud Semantic Segmentation, Francesca Matrone (Politecnico di Torino) ,
• Reti Generative Avversarie per la generazione di nuvole di punti, Massimo Martini (VRAI, Università Politecnica delle Marche)
• La Catena di modellazione mediante l’infrastruttura di calcolo ICT dell’ ENEA per i beni culturali, dal rilievo geometrico alla modellazione FE, Marialuisa Mongelli, Samuele Pierattini, Marco Puccini (ENEA-TERIN-ICT)
L’obiettivo del workshop è stato quello di preparare alla definizione di nuove linee di ricerca congiunte sull’applicazione di algoritmi di Deep learning e Computer Vision alle problematiche di catalogazione e conservazione dei beni culturali.

Nell’ambito del patrimonio culturale digitale (Digital Cultural Heritage, DCH), la segmentazione semantica delle nuvole di punti con tecniche di apprendimento profondo (Deep Learning, DL) può aiutare a riconoscere elementi architettonici storici, ad un livello di dettaglio adeguato, e quindi ad accelerare il processo di modellazione di edifici storici per lo sviluppo di modelli BIM da dati di rilievo, indicati come HBIM (Historical Building Information Modeling). Il gruppo di ricerca VRAI (Vision Robotics and Artificial Intellgence) del Dipartimento di Ingegneria dell’Informazione (DII) con il GAP (Geomatics Applications and Processing) del Dipartimento di Ingegneria Civile Edile e dell’Architettura (DICEA) dell’Università Politecnica delle Marche di Ancona ha proposto un innovativo framework di DL per la segmentazione semantica di nuvole di punti che, a partire da una rete convoluzionale dello stato dell’arte (DGCNN – Dynamic Graph Convolutional Neural Network) ottimizza il processo di segmentazione grazie alla introduzione di features significative come normale e il colore. L’approccio è stato applicato a un nuovo dataset, disponibile pubblicamente: Dataset ArCH (Architectural Cultural Heritage) raccolto grazie alla collaborazione del Politecnico di Torino, della Fondazione Bruno Kessler (FBK) di Trento e dell’Institut National des Sciences Appliquées di Strasbourg, France (http://archdataset.polito.it )

L’Associazione Big Data, di cui ENEA è socio fondatore, partecipa Exscalate4CoV (E4C), progetto di riferimento in Europa per la ricerca sul Coronavirus.
Obiettivo di E4C è sfruttare le potenzialità di supercalcolo per individuare i farmaci più sicuri e promettenti per il trattamento immediato della popolazione già infetta a cui seguirà l’individuazione di molecole capaci di inibire la patogenesi del coronavirus per contrastare i contagi futuri.

Un supercomputer contro il coronavirus

Al Politecnico di Bari è stata discussa una tesi di Laurea Magistrale in Ingegneria dei sistemi edilizi che ha riguardato i parametri ambientali degli uffici Enea di Bari, con l’obiettivo di validare strumenti di valutazione ambientale basati sul modello LCA (Life Cicle Assesment) in ambiente BIM, messi a confronto con metodi di valutazione delle prestazioni termo-igrometriche dell’involucro attraverso campagne sperimentali di monitoraggio ambientale indoor e analisi comparata dei dati sperimentali con i dati simulati su applicazioni software.
La campagna di raccolta dati e monitoraggio strumentale è stata realizzata da Marina Pagano e Rosalba Perrucci (tutor Enea, Angelo Mariano e Antonella Tundo) e ha riguardato degli ambienti campione significativi per la qualità e le caratteristiche dei dati, collocati all’interno della nuova sede degli uffici territoriali dell’ENEA di Bari, localizzati all’ultimo piano di un edificio di sette piani fuori terra, con destinazione funzionale ad uffici, risalente agli anni ‘70. All’interno di questi ambienti sono state effettuate acquisizioni di parametri ambientali (temperatura, CO2, pressione, velocità dell’aria, umidità), e valutazione complessiva del comfort (PMV e PPD) in regime invernale con o senza climatizzazione invernale (derivante da esclusiva energia elettrica con split a parete), in assenza di personale. Le acquisizioni sono state effettuate con una cadenza temporale di 5 minuti tramite una centralina Thermal Microclima HD32.1 e sono state analizzate e rappresentate graficamente attraverso un approccio basato sulla Data Science, ricorrendo all’uso delle librerie python pandas e matplotlib. In particolare, durante il tirocinio curriculare presso ENEA e per la preparazione della tesi di laurea sono state confrontate tra loro tutte le grandezze fisiche indoor oltre ai parametri di comfort ed inoltre è stato raccolto un dataset dettagliato di grandezze fisiche outdoor rilevate da centraline atmosferiche pubbliche della città di Bari che è stato comparato con le analoghe grandezze fisiche indoor. I grafici di correlazione tra le grandezze hanno permesso di stimare la qualità dell’inerzia termica dell’involucro e le sue proprietà in relazione alle differenti condizioni climatiche outdoor e al differente orientamento degli ambienti ed inoltre hanno costituito la base sperimentale su cui si è poi svolta l’attività di progettazione di interventi migliorativi agli ambienti ad uso ufficio individuati. La seduta di laurea si è svolta il 04 maggio 2020 in video conferenza, https://youtu.be/qvbnenFGd-0