Numerical modeling on the short-term response of fiber-reinforced concrete round panels

Fiber-reinforced concrete is a composite material consisting of discrete, discontinuous, and uniformly distributed fibers in plain concrete primarily used to enhance the tensile properties of the concrete. FRC performance depends upon the fiber, interface, and matrix properties. The use of fiber-reinforced concrete has been increasing substantially in the past few years in different fields of the construction industry such as ground-level application in sidewalks and building floors, tunnel lining, aircraft parking, runways, slope stabilization, etc. Many experiments have been performed to observe the short-term and long-term mechanical behavior of fiber-reinforced concrete in the last decade and numerous numerical models have been formulated to accurately capture the response of fiber-reinforced concrete. The main purpose of this dissertation is to numerically calibrate the short-term response of the concrete and fiber parameters in mesoscale for the three-point bending test and cube compression test in the MARS framework which is based on the lattice discrete particle model (LDPM) and later validate the same parameters for the round panels. LDPM is the most validated theory in mesoscale theories for concrete. Different seeds representing the different orientations of concrete and fiber particles are simulated to produce the mean numerical response. The result of numerical simulation shows that the lattice discrete particle model for fiber-reinforced concrete can capture results of experimental tests on the behavior of fiber-reinforced concrete to a great extent.

Riconoscimento real-time di gesture tramite tecniche di machine learning

Il riconoscimento delle gesture è un tema di ricerca che sta acquisendo sempre più popolarità, specialmente negli ultimi anni, grazie ai progressi tecnologici dei dispositivi embedded e dei sensori. Lo scopo di questa tesi è quello di utilizzare alcune tecniche di machine learning per realizzare un sistema in grado di riconoscere e classificare in tempo reale i gesti delle mani, a partire dai segnali mioelettrici (EMG) prodotti dai muscoli. Inoltre, per consentire il riconoscimento di movimenti spaziali complessi, verranno elaborati anche segnali di tipo inerziale, provenienti da una Inertial Measurement Unit (IMU) provvista di accelerometro, giroscopio e magnetometro. La prima parte della tesi, oltre ad offrire una panoramica sui dispositivi wearable e sui sensori, si occuperà di analizzare alcune tecniche per la classificazione di sequenze temporali, evidenziandone vantaggi e svantaggi. In particolare, verranno considerati approcci basati su Dynamic Time Warping (DTW), Hidden Markov Models (HMM), e reti neurali ricorrenti (RNN) di tipo Long Short-Term Memory (LSTM), che rappresentano una delle ultime evoluzioni nel campo del deep learning. La seconda parte, invece, riguarderà il progetto vero e proprio. Verrà impiegato il dispositivo wearable Myo di Thalmic Labs come caso di studio, e saranno applicate nel dettaglio le tecniche basate su DTW e HMM per progettare e realizzare un framework in grado di eseguire il riconoscimento real-time di gesture. Il capitolo finale mostrerà i risultati ottenuti (fornendo anche un confronto tra le tecniche analizzate), sia per la classificazione di gesture isolate che per il riconoscimento in tempo reale.