Applicazione e validazione di un modello Random Forest per la stima della massa di particolato in motori diesel = Application and validation of a Random Forest model for the estimation of the particulate mass in diesel engines

Virtual Soot Sensor Modello per analisi predittiva di formazione di soot in motore ad accensione spontanea Abstract La sempre maggior stringente necessità di ridurre le emissioni inquinanti ha portato ad uno studio sempre più approfondito delle tecniche di trattamento dei gas combusti prodotti da motori ad accensione spontanea. In particolare, viene analizzato il principale componente delle comuni polveri sottili, il soot. L’obiettivo del presente elaborato è quello di realizzare un modello, implementabile in futuro in ECU (electronic control unit), che stimi in modo accurato la quantità di particolato prodotta da un motore Diesel. Tale modello, scritto in ambiente Python, è realizzato mediante strumenti matematici di Machine Learning, nonché algoritmi di apprendimento supervisionato. Il materiale iniziale è costituito dall’insieme dei parametri di funzionamento, i quali corrispondono agli input del modello, e dai valori misurati di particolato, rappresentanti invece gli output, in determinati punti di lavoro di due motori Diesel (un 2.0 litri ed un Cursor 11 litri). Nello specifico, abbiamo 1112 punti rpm(giri motore) x Pme(Pressione media effettiva indicante il carico del motore) nel primo caso e 5260 punti rpm x Pme nel secondo, nel quale i parametri di funzionamento sono suddivisi tra misure effettuate a banco e stimate in centralina. Le molte simulazioni condotte su diversi set di training, percentuale del dataset disponibile per l’apprendimento dell’algoritmo, e di testing, rimanente parte del dataset sui cui testare e produrre i risultati in termini di accuratezza e errore quadratico medio, hanno portato all’ottimizzazione di un codice solido e strutturato, in grado di individuare quali parametri di input influiscono maggiormente sui valori di particolato prodotti e quali, anche in seguito a errori di misura, risultano irrilevanti. Ciò infatti permette di ridurre il problema a quei parametri motoristici caratterizzanti la formazione di soot, tramite il fit dei dati e svincolandosi completamente dalla fenomenologia del caso.