Vittorio Rosato

CRESCO LAIISviluppo di tecnologie e modelli

computazionali per la descrizione di sistemi complessi di origine biologica e

di materiali innovativi

Vittorio Rosato

SommarioLa Linea di Attività II ha inteso introdurre nell’ambito del progetto una serie di aree applicative * ad alto impatto computazionale* volte a collegare l’area biologica all’area tecnologica* relative allo studio di Sistemi ComplessiAlcune attività, previste nell’articolato iniziale, non sono state effettuate a causa di indisponibilità dei partner che avevano inizialmente manifestato interesse all’iniziativa. Tali attività, tuttavia, sono state rimpiazzate da altre attività che hanno consentito uno sviluppo della Linea di Attività non difforme da quello originariamente previsto.

LA 2 LA 3

LA 1

MaterialsMaterials BiotechBiotech C.S.C.S.

AnalysisControl

CIs

AnalysisControl

CIs…….

ENEACETMAYLICHRON

ENEAPSTSCNR AvellinoAgraria, Uni-Na

ENEA ENEAYLICHRONUni-CT……

InfrastructuresGRIDSoftwareVisualization……..

Micro Macro

Frazier et al., Science 300 (2003) 290

Sistemi biologici

Sistemi tecnologici

componenti

Modelli di sistemi

Macro-sistemi

Sistemi di sistemiinterdipendenti

SPII.2Bioinformatica

Grazia Licciardello, Vittoria Catara, PSTS e UniCataniaGiuseppe Aprea, C.R. ENEA Portici

Obiettivo1. Implementazione di modelli computazionali per la simulazioni di reti metaboliche

complesse2. Realizzazione di un database per il metabolismo del PHA (poly-hydrossi-alkanoate)

nella specie Pseudomonas

Fasi di studio1. Descrizione del pathway metabolico del PHA in Pseudomonas2. Implementazione del solver E-Cell (University of Kejo) sulle architetture di calcolo CRESCO3. Realizzazione di un algoritmo genetico per il parameter search4. Simulazioni per l’esplorazione dello spazio dei parametri e determinazione di tutte le costanti

cinetiche5. Realizzazione del database PHA in Pseudomonas (Pseudo-Bio-Res)

E-CellSoftware sviluppato dall’University of Kejo (Giappone)

PHA metabolism

PHA (polialcanoate) metabolic pathway (in Pseudomonas)

E-Cell : tool per la simulazione numerica di modelli di reti biochimiche

SPII.4Sviluppo di modelli numerici per analisi

strutturali complesse e processi di sinterizzazione

CETMA, Brindisi

Obiettivo 1Possibilità di utilizzare il CVR del CETMA all’interno della GRID ENEAVantaggi:

Per GRID ENEA la Possibilità di effettuare post-processing attraverso l’utilizzo del CVR Per CETMA: la possibilità di utilizzare le grandi infrastrutture di calcolo della GRID ENEA

per la simulazione di sistemi complessi .

Riduzione dei tempi di calcolo per un modello CFD 3D in funzione del numero dei processori

Possibilità grafiche avanzate offerte da CVR

Risultati di simulazioni numeriche su prototipi ibridi:

deflessione a differenti temperaturaCaratterizzazione dinamica a impatto di sistemi ibridi (Charpy)

Obiettivo 2Studio del comportamento strutturale di materiali ibridizzati con leghe a memoria di forma (SMA)I materiali compositi ibridizzati con SMA sono caratterizzati da un comportamento complesso legato alla trasformazione martensitica delle SMA. Tale comportamento dipende del livello di stress, dalla temperatura ed dalla storia del carico a cui il sistema è stato sottoposto. Le attività sono: -studio dei principali modelli e la loro implementazione all’interno di codici ad Elementi Finiti (FE)-realizzazione di prototipi ibridi di geometria semplice e loro caratterizzazione sperimentale-simulazione di strutture ibride complesse

Obiettivo 3Sviluppo di modelli numerici per la simulazione di componenti ceramici durante la sinterizzazione

Attività-Caratterizzazione sperimentale del comportamento del materiale-Sviluppo di modelli numerici accurati per la simulazione del processo di sinterizzazione-Simulazione del processo di sinterizzazione di manufatti ceramici di geometria complessa

FEM mesh and boundary conditions Deflection (Uy, mm)

FEM mesh and boundary conditions Deflection (Uy, mm)

FEM mesh and boundary conditions Deflection (Uy, mm)

FEM mesh and boundary conditions Deflection (Uy, mm)

Caratterizzazione sperimentale e modellazione numerica di geometrie semplici: test di flessione

nodes number: 1272783 elements number: 792674 nodes number: 1272783 elements number: 792674

Total displacement

(mm)

ijLijijij Pe

W

W

3

1

Olevsky costitutivelaw for ceramics

materials

Pre Processor

Solver

Post Processor

nodes number: 1272783 elements number: 792674 nodes number: 1272783 elements number: 792674

Total displacement

(mm)

Total displacement

(mm)

ijLijijij Pe

W

W

3

1

Olevsky costitutivelaw for ceramics

materials

Pre ProcessorPre Processor

SolverSolver

Post ProcessorPost Processor

Simulazione del processo di sinterizzazione di geometrie complesse per la progettazione degli stampi

SPII.5Modelling molecolare

Massimo Celino, C.R. ENEA CasacciaMichele Gusso, C.R. ENEA Brindisi

Giulio Gianese, Ylichron SrlPiero Morales, C.R. ENEA CasacciaFabrizio Cleri, Universitè de Lille

Il modelling molecolare è un’attività ad alta intensità computazionale.ENEA dispone di antiche e consolidate expertises in questo settore che è diventato una branca a sé della Materials Science.

Due direttrici:1.Materiali per la tecnologie dell’idrogeno2.Nanomateriali ibridi (organico-inorganico)

Entrambe queste linee sono state sviluppate in CRESCO.1.Studio del sistema Mg-H e la formazione di idruri metallici2.Adesività di short polypeptides su superfici C-based (grafene, nanotubi)

Nanomateriali ibridi (organico-inorganico)

Lo sviluppo di sistemi biologici come unità funzionali in svariate aree applicative (microelettronica, sensoristica etc.) deve necessariamente risolvere alcuni problemi tecnologici:(1)La ricerca di unità funzionali(2)La ricerca di collanti biologici capaci di ancorare l’unità funzionale su un substrato inorganico senza modificare sensibilmente il folding dell’unità funzionale

1. Definizione peptide con alta affinità carbonio (sequenza = HWSAWWIRSNQS)

2. Folding in acqua(hpc)3. Rigid docking su graphene e SWNT4. Rilassamento tramite MD in acqua (hpc)

System(system size)

MIMD (Pentium 32 bit) CRESCO platform

Small peptide (16 nsec)(4000 atoms)

128 ore (dual core) 10 ore (quad core)

Large protein (1,23 nsec) (25000 atoms)

16,9 ore (2xquad core)

IF=4.086