Applicazione Deep Learning per la progettazione ottimizzata di HEV = Deep Learning Application for Optimal HEV Design

L’attività svolta nella seguente trattazione si inserisce all'interno di un contesto assai ampio e trova il suo punto di partenza in studi avanzati di ricerca, il cui risultato si riscontra in una serie di documentazioni, raccolte di dati sperimentali e tools operativi in materia di veicoli ibridi elettrici (HEVs). L’intenzione più generale dell’intero lavoro consiste nella creazione di uno strumento di estrema leggerezza computazionale, potenzialmente in grado di poter essere adattato a svariati contesti applicativi ma principalmente pensato per il supporto della progettazione ottimizzata, volendo proporre una soluzione alternativa alle attuali tecniche utilizzate, di tempi drasticamente minori. Come metodo pensato per far fronte alle specifiche ricercate, si è pensato al Deep Learning delle Reti Neurali. Questi sono modelli matematici oggi definiti di “apprendimento automatico”, appartenenti alla macro famiglia dell’Intelligenza Artificiale, nominativo che deriva dalla capacità di questi algoritmi di adempire ad uno scopo senza una programmazione ‘ad hoc’ ma grazie alla capacità di ‘poter imparare’. Il risultato finale vuole essere uno strumento in grado di elaborare un database di architetture ottimizzate su diversi cicli guida e con diversi dimensionamenti dei componenti principali e prevederne una funzione obiettivo. Per arrivare a tale conclusione, il punto di partenza consiste nel voler allenare una rete neurale mediante un dataset ricavato da simulazioni di programmazione dinamica, relativo ad una singola architettura, su uno specifico ciclo guida e valutare una prima funzione obiettivo. I dati a disposizione per questa parte sono relativi ad un' architettura parallela P2 sul ciclo guida HVHC, la funzione obiettivo invece la CO2 ttw. Il modello iniziale tratterà queste specifiche. In una fase avanzata del progetto, si vuole estendere il funzionamento del modello congiuntamente a varie architetture e vari cicli guida, fino a valutare la predizione di altre funzioni obiettivo. Dopo aver stabilito l’accuratezza di previsione, si determinerà l’idoneità o meno di tale strumento alla trattazione in oggetto.