D60237-B - ELETTROTECNICA MOD. II

Conoscenza e comprensione dei fondamenti della teoria dei circuiti. Conoscenza e comprensione degli strumenti metodologici per lo studio dei circuiti elettrici. Conoscenza degli elementi rappresentativi di base della modellistica elettrica (bipoli, quadrupoli, n-poli, doppi bipoli). Conoscenza degli strumenti per lo studio di reti lineari tempo-invarianti proprie dell’elettrotecnica. Comprensione del legame fra circuiti e campi elettrici e magnetici. Comprensione delle limitazioni dei modelli e delle approssimazioni introdotte. Conoscenza dei principali modelli di reti neurali. Conoscenza dell'utilizzo delle reti neurali in AI. Capacità di analizzare reti elettriche in regime stazionario e in regime sinusoidale. Capacità di analizzare e comprendere il funzionamento di basilari circuiti elettrici con assegnate caratteristiche e con l’ausilio della teoria dei grafi. Comprensione delle proprietà delle diverse classi di circuiti. Capacità di analisi e utilizzo di n-poli. Capacità di descrivere e progettare modelli di reti neurali. Capacità di addestrare reti neurali. Capacità di applicare le conoscenze acquisite per la risoluzione di reti elettriche complesse anche con tecniche al calcolatore.

Dettaglio del programma:

Reti elettriche in regime stazionario (Crediti 3)

Modello circuitale, passaggio campi-circuiti e definizione delle grandezze elettriche fondamentali; definizione di bipolo e di n-polo; reti di bipoli; classificazione e convenzioni; caratteristiche esterne; metodi grafici; riduzioni di circuiti semplici; leggi di Kirchhoff per le correnti e le tensioni; teorema di conservazione delle potenze virtuali (Tellegen); elementi di topologia delle reti: grafo orientato, nodo, lato, maglia, anello, albero, coalbero, insieme di taglio, matrice di incidenza e relative proprietà, matrice delle maglie; matrici fondamentali; metodi generali di risoluzione delle reti elettriche: correnti di maglia e potenziali nodali: formulazione matriciale del sistema fondamentale; potenza elettrica assorbita/erogata e relative convenzioni; teoremi sulle reti: sovrapposizione, generatori equivalenti (Thévenin e Norton), non amplificazione, reciprocità, compensazione; bipoli resistivi lineari e non lineari: definizione e caratteristiche; n-poli e n-bipoli lineari passivi: analisi e sintesi; sostituzione ed equivalenza: trasformazione stella-polilatero; doppi bipoli resistivi; caratterizzazione di doppi bipoli; concetto di bipolo equivalente per piccoli segnali; trasformatore ideale e giratore; teorema del massimo trasferimento di potenza.

Reti lineari e non lineari in condizioni dinamiche generali (Crediti 2)

Equazioni dinamiche e soluzione nel dominio del tempo, variabili di stato, problema di valore iniziale; termini transitorio e permanente, evoluzione libera e forzata; definizione di risposta della rete ad un determinato ingresso, risposta al gradino ed all'impulso, integrale di convoluzione; Bipoli non lineari; bipoli tempo varianti; linearizzazione; caratteristiche lineari a tratti; analisi lineare a tratti di una rete non lineare; spazio degli stati; circuiti non lineari e tempo varianti.

Reti elettriche in regime sinusoidale (Crediti 1)

Reti in regime sinusoidale nel tempo. Numeri complessi ed isomorfismo. Impedenze ed ammettenze. Concetto di fasore. Soluzione delle reti in regime sinusoidale con tecniche acquisite dai modelli resistivi.

Reti Neurali (Crediti 3)

Il neurone artificiale: modello biologico e matematico (funzione lineare, pesi, bias). Funzioni di attivazione: Sigmoide, ReLU e Tanh. Architettura della rete: strati di input, nascosti (hidden layers) e di output.
Tipi di apprendimento: supervisionato e non supervisionato. Addestramento e Ottimizzazione: Forward pass: calcolo della previsione. Funzioni di perdita (Loss function): errore quadratico medio e cross-entropia.
Discesa del gradiente (Gradient Descent) e retropropagazione (Backpropagation). Parametri di controllo: tasso di apprendimento (learning rate), epoche e prevenzione dell'overfitting.
Apprendimento hebbiano e competitivo. Mappe auto-organizzanti.
Laboratorio Pratico: Ambiente di lavoro: ad esempio, cenni a Python e librerie chiave come TensorFlow o Keras (o ambienti cloud come Google Colab).
Costruzione di una rete neurale feedforward per problemi di classificazione o regressione.
Test e valutazione: analisi dei risultati e miglioramento delle prestazioni del modello.