Sviluppo e validazione di approcci semi-fisici per la stima della temperatura del catalizzatore in motori ad accensione comandata ad elevate prestazioni specifiche, per condizioni stazionarie e dinamiche

L’attività di tesi descritta in questo documento affronta la modellazione della temperatura dei gas di scarico a valle della girante turbina di un gruppo di sovralimentazione per un motore per autotrazione. Per effettuare una stima accurata è possibile utilizzare modelli fisici tradizionali, basati sulla termofluidodinamica, oppure modelli puramente data-driven, in grado di apprendere le relazioni tra variabili di un sistema a partire da un’analisi dei dati raccolti. Questa tesi tratta l’utilizzo di reti neurali per la stima della pressione e della temperatura a monte turbina e descrive l’utilizzo di queste grandezze come input per il calcolo della temperatura in uscita turbina, confrontando due differenti metodologie. La prima si basa su un modello puramente data-driven che implementa una rete neurale anche per la stima della temperatura in uscita turbina. La seconda metodologia consiste in un modello ibrido che integra le equazioni che descrivono l’espansione dei gas attraverso la turbina con il modello data-driven per il calcolo delle condizioni a monte turbina. Le reti neurali ed i modelli fisici sono calibrati su dati raccolti in condizioni stazionarie e successivamente sono stati validati su dati raccolti in continuo. I risultati dei test evidenziano vantaggi e limitazioni di ogni modello, fornendo indicazioni per lo sviluppo futuro. Il modello data-driven ha una buona accuratezza ed è capace di generalizzare per condizioni operative non viste durante l’addestramento. Il modello semi-fisico unisce la robustezza del modello fisico con l’accuratezza del modello data-driven per la stima dalla pressione e della temperatura in ingresso turbina.