Valutazione delle prestazioni delle Reti Neurali Ricorrenti di tipo LSTM nella stima di indici sintetici di combustione per motori endotermici alternativi

Lo scopo di questo elaborato di tesi è la creazione di modelli, nel nostro caso sviluppati tramite Matlab, per la predizione degli indici di combustione in un motore ad accensione comandata. Questi modelli sono basati sul machine learning, ovvero apprendimento automatico, il quale può essere considerato una branca dell’intelligenza artificiale. Un sottoinsieme del machine learning è costituito dalle reti neurali; esse sono un algoritmo basato su nodi chiamati neuroni e sono in grado di risolvere problemi come il riconoscimento di immagini o la traduzione automatica. Nel particolare, il modello da me creato è basato su reti neurali ricorrenti (RNN) di tipo LSTM (Long Short-Term Memory), dette a lungo termine. Il modello è in grado di predire l’andamento del MFB50, un indice di combustione che esprime l’angolo in cui è bruciato il 50% della miscela, considerando come input quattro variabili: i giri motore (RPM), l’anticipo d’accensione, il carico e infine il lambda. Al modello vengono passati dei dati sottoforma di file Excel registrati in laboratorio, in cui queste variabili cambiano al variare delle condizioni di funzionamento del motore, i dati di train (ovvero quelli usati per allenare il modello) sono dati stazionari, mentre i dati di test usati per validare il modello sono formati da due profili di guida e sono quindi dati dinamici. Così facendo il modello è in grado di allenarsi e di predire l’andamento del MFB50 per cicli di guida che vengono utilizzati come test, confrontando il valore di MFB50 predetto con quello reale e ottenendo un certo errore.