Modellazione di indici sintetici di combustione per motori endotermici alternativi con algoritmi data-driven di ensemble learning

L'obiettivo di questa tesi è esplorare l'applicazione dell'ensemble learning per la modellazione dei motori a combustione interna, con particolare attenzione alla previsione dell'indice di fase di combustione, MFB50. Il lavoro si basa su dati sperimentali ottenuti da test al banco di un motore Ferrari V8 GDI bi-turbo ad alte prestazioni, equipaggiato con sensori per la misurazione di parametri chiave come la pressione nei cilindri. Sono stati condotti diversi test, tra cui VVT (Variable Valve Timing) sweep, Lambda sweep e SA (spark advance) sweep, per garantire che il modello potesse operare efficacemente in condizioni dinamiche. Sono stati utilizzati due tipi principali di dataset per la progettazione e l'addestramento dei modelli data-driven: registrazioni continue del motore e misurazioni stazionarie dei punti di funzionamento, con i dati mediati tra i cilindri 5, 6 e 7 (il cilindro 8 è stato escluso poiché presentava un comportamento leggermente differente). Questi dati includevano il target degli RPM, il carico relativo, l'anticipo dell'accensione e il rapporto aria/carburante (lambda). Il numero di alberi decisionali, l'iperparametro principale del modello di ensemble learning, è stato ottimizzato tramite uno script dedicato. L'intero processo è stato condotto nell'ambiente MATLAB. La particolarità dei modelli che vengono presentati in seguito è legata all’approccio utilizzato per l’addestramento: invece di allenarli su dati continui, che sono spesso complessi e dispendiosi da ottenere, l’addestramento è stato eseguito su dati stazionari, i quali risultano molto più semplici da raccogliere e gestire. Questo approccio consente comunque di ottenere modelli capaci di predire con accuratezza dati continui, sfruttando una base di addestramento più facilmente accessibile e meno onerosa in termini di risorse. Alla fine, il valore predetto di MFB50 è stato confrontato con quello misurato, e il modello con il minor errore quadratico medio è risultato il più accurato.