Prof. Francesco Cadini
Contatti
Telefono: 02.2399.6355
E-mail: francesco.cadini@polimi.it
Segreteria della Sezione di Costruzioni di Macchine e Veicoli
Licia Simonelli
Telefono: 02.2399.8212
E-mail: licia.simonelli@polimi.it@polimi.it
Francesco Cadini è ricercatore presso il Dipartimento di Ingegneria Meccanica del Politecnico di Milano. I suoi interessi di ricerca includono il trattamento quantitativo delle incertezze per la valutazione e la mitigazione del rischio nei sistemi meccanici, aerospaziali e strutturali. Le sue attività sono principalmente focalizzate su: i) diagnostica e prognostica (monitoraggio della salute strutturale – SHM - e prognostica e gestione della stato di salute - PHM) e ii) affidabilità strutturale in presenza di eventi rari, robust (RDO) e reliability-based design optimization (RBDO). I principali strumenti algoritmici impiegati e/o sviluppati sono: i) filtraggio stocastico (algoritmi Monte Carlo sequenziali – particle filters, ecc.) per la stima degli stati di degrado, ii) campionamento Monte Carlo efficiente di eventi rari (metodi di riduzione della varianza), iii) machine learning (reti neurali, deep learning, kriging, support vector machines, ecc.) per la classificazione, regressione, identificazione di modelli e previsione di serie temporali e iv) strumenti avanzati di ottimizzazione (es. algoritmi evolutivi).
Metriche (02/2021)
- Circa 100 pubblicazioni su riviste internazionali (63) e atti di conferenze internazionali (Scopus: 72).
- H-index: 19, H-index (10y): 12, H-index (5y): 7 (Scopus).
- Citazioni: 1047, cit. (10 anni): 653, cit. (5 anni): 278 (Scopus).
Esperienza lavorativa
- Gennaio 2018 - presente. Politecnico di Milano, Milano, Italia. Ricercatore universitario (area scientifica ING-IND/14) presso il Dipartimento di Meccanica del Politecnico di Milano.
- Luglio 2005 - dicembre 2017. Politecnico di Milano, Milano, Italia. Ricercatore universitario (area scientifica ING-IND/18) presso il Dipartimento di Energia del Politecnico di Milano.
Formazione scolastica
- Maggio 2006. Politecnico di Milano - Dipartimento di Ingegneria Nucleare, Milano, Italia. Ph.D. in "Scienza e ingegneria delle radiazioni".
- Settembre 2003. Università Della California, Los Angeles (UCLA), USA. Master of Science in ingegneria aerospaziale presso la Henri Samueli School of Engineering and Applied Science.
- Febbraio 2000. Politecnico di Milano - Dipartimento di Ingegneria Nucleare, Milano, Italia. Laurea in Ingegneria Nucleare.
Proposte di Tesi
Tesi CMV 003/2023 - Deep learning for structural integrity: Graph neural networks - Prof. Francesco Cadini, Luca Lomazzi
Tesi CMV 004/2023 - Deep learning for structural integrity: Physics-informed neural networks - Prof. Francesco Cadini, Luca Lomazzi
Tesi CMV 005/2023 - Deep learning for inverse eigenvalue problems in structural mechanics - Prof. Francesco Cadini, Luca Lomazzi
Tesi CMV 006/2023 - Structural health monitoring and machine learning: supevised vs unsupervised approaches - Prof. Francesco Cadini, Luca Lomazzi
Tesi CMV 007/2023 - Machine learning-based surrogate modelling of a lunar rover Digital Twin for real-time operations - Prof. Francesco Cadini, Lucio Pinello
Tesi CMV 008/2023 - Integration of anomalies and defects in a lunar rover Digital Twin for performing damage diagnosis and prognosis - Prof. Francesco Cadini, Lucio Pinello
Tesi CMV 009/2023 - Prognostics and Health Management of lithium-ion batteries exploiting multi-physics digital twin (DT) and machine learning (ML) - Prof. Francesco Cadini, Yiqi Jia, Lorenzo Brancato
Tesi CMV 010/2023 - Offering an achievable and advanced health monitoring strategy for structural batteries - Prof. Francesco Cadini, Yiqi Jia, Lorenzo Brancato
Tesi CMV 016/2023 - Application of machine learning in prediction of low-velocity impact response of hybrid composites - Prof. Marco Giglio, Prof. Andrea Manes, Prof. Francesco Cadini, Dayou Ma
Tesi CMV 017/2023 - Modelling of nanocomposites - Prof. Marco Giglio, Prof. Andrea Manes, Prof. Francesco Cadini
Tesi CMV 025/2023 - Numerical characterisation of blast loaded structures and development of machine learning-based surrogate models - Prof. Marco Giglio, Prof. Andrea Manes, Prof. Francesco Cadini