Identification of non-smooth dynamical systems by data-driven techniques
Stefano Lenci
Stefano Lenci
Marche Polytechnic University
Abstract:

Non-smooth mechanical systems frequently describe very complex dynamical behaviors, and so are very subtle to manage. On top of that, quite often the mechanical behaviour lurking in the background it not fully understood, since it may involve a lot of nonlinear phenomena that are overlooked and treated in approximate phenomenological way. This is quite different from smooth systems, where the underlying basic governing law are known to an adequate extent. Therefore, they represent examples in which data-driven techniques can really help to understand the mechanics which is behind the dynamical outcome, not only providing a model but hopefully giving knowledge, and so being very beneficial. A technique recently developed, that is based on a well-known free software for data-driven analysis, is illustrated.

Key Learning Objectives

• Realizing the lack of knowledge that we can have on some non-smooth systems

• Developing a technique for non-smooth systems identification

• Extending the use of SINDy software, which is well known and performant for smooth systems

• Learning the physical behaviours that are behind some non-smooth systems

Who Should Attend

• Mechanical engineers

• Civil engineers

• Researchers/scientists in dynamical systems

• Practitioners dealing with non-smooth systems

• PhD students dealing with nonlinear dynamics

References
1.
N. Novelli et al. (2022) Boosting the Model Discovery of Hybrid Dynamical Systems in an Informed Sparse Regression Approach. Journal of Computational and Nonlinear Dynamics
2.
N. Novelli et al. (2025) Identification of hybrid dynamic systems via a sparse regression algorithm. Nonlinear Dynamics
3.
N. Novelli et al. (2023) Piecewise integrable neural network: An interpretable chaos identification framework. Chaos: An Interdisciplinary Journal of Nonlinear Science

با سلام و احترام خدمت دانشجویان محترم
قابل توجه دانشجویان محترم دکتری
طبق آیین نامه فعلی دانشگاه، ملاک صدور مجوز دفاع نهایی پذیرش مقاله از مجلات رنکینگ Q1 و Q3 , Q2 نمایه شده در پایگاه JCR می باشند. نحوه بررسی رنکینگ مجلات در پایگاه در پیوست آمده است.
🛑🚫بعلاوه مجلات نباید در Emerging List باشند.🛑🚫
با تشکر فراوان

نحوه بررسی رنکینگ مجلات در پایگاه JCR.

با سلام و احترام
نحوه بررسی مجلات نوظهور (Emerging) در سایت
https://mjl.clarivate.com/search-results
در ویدئو زیر توضیح داده شده است. دقت نمایید که هر دو مجله ISI هستند و در JCR نمایه شده‌اند.

📌 سمینارهای هفتگی آزمایشگاه نورس

مرکز تحقیقات بهینه‌سازی، شبکه و شهر هوشمند برگزار می‌کند:

👤 شروین غفاری
📚 مهندسی پرامپت و تنظیم دقیق مدل‌های زبانی بزرگ
Prompt Engineering and Large Language Models Fine Tuning
⏲ چهارشنبه ۲۱ آبان ساعت ۹ تا ۱۰

مکان: مرکز تحقیقات  بهینه سازی ، شبکه و شهر هوشمند، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیر کبیر، (پلی تکنیک تهران)

شرکت برای همه علاقه‌مندان آزاد است

R

📌 سمینارهای هفتگی آزمایشگاه نورس

مرکز تحقیقات بهینه‌سازی، شبکه و شهر هوشمند برگزار می‌کند:

👤 علی دانش‌پور
📚 هوش مصنوعی در صنعت، چالش‌ها و فرصت‌ها
AI in Industry:
Challenges and Opportunities
⏲ چهارشنبه ۲۸ آبان ساعت ۹ تا ۱۰

مکان: مرکز تحقیقات  بهینه سازی ، شبکه و شهر هوشمند، دانشکده ریاضی و علوم کامپیوتر، دانشگاه صنعتی امیر کبیر، (پلی تکنیک تهران)

شرکت برای همه علاقه‌مندان آزاد است

با سلام و احترام
با افتخار به اطلاع می رساند که در سال 2025 از ایران تنها 3 نفر جز دانشمندان پراستناد پایگاه Clarivate بوده اند که جناب آقای دکتر مهدی دهقان، یکی از این 3 دانشمند پراستناد می باشد. این افتخار را به دانشکده ریاضی و علوم کامپیوتر تبریک عرض می کنیم.

برنامه ژورنال‌کلاب انجمن بیوانفورماتیک ایران در سال ۱۴۰۴

📅 سه‌شنبه‌ها | ۴ آذر تا ۲ دی
🕒 ساعت ۱۵:۰۰

📍با همکاری آزمایشگاه زیست محاسباتی CBRC
محل برگزاری: دانشگاه امیرکبیر، دانشکده ریاضی و علوم کامپیوتر، طبقه سوم، اتاق ۳۱۳

⚠️ شرکت برای عموم آزاد است. دوستان غیر امیرکبیری لطفاً برای ورود از درب رشت استفاده نمایند.

LinkedIn | Instagram
@IranianBioinformaticsSociety