Sviluppo di un algoritmo di Unsupervised Learning per l'ottimizzazione del design di veicoli ibridi elettrici = Development of an unsupervised learning algorithm for the design optimization of hybrid electric vehicles

Negli ultimi anni si è assistito sempre più ad un interesse verso le tematiche ambientali, con un occhio particolare alle emissioni inquinanti. Per questo motivo, nell’ambito dell’industria automobilistica, lo sviluppo tecnologico è stato spinto in gran parte dalle politiche attuate per la riduzione delle emissioni di CO2 ed in quest’ottica una valida soluzione è l’utilizzo di veicoli ibridi elettrici (HEVs: Hybrid Electric Vehicles) che portano ad una riduzione di emissioni di CO2 TTW (Tank To Wheel), letteralmente dal serbatoio alla ruota. Un’accurata progettazione risulta fondamentale, ecco perché la scelta dei parametri di design quali la cilindrata del motore a combustione interna, piuttosto che la potenza della macchina elettrica o i rapporti di trasmissione risulta importante al punto da sviluppare strumenti in grado di ottimizzarli. L’obiettivo di questo progetto è proprio quello di inserirsi in questo contesto di progettazione ottimizzata di veicoli ibridi, cercando di ottenere contemporaneamente risultati confrontabili con quelli ottenibili con algoritmi di tipo deterministico, come la Dynamic Programming che funge da benchmark per la valutazione delle prestazioni del tool sviluppato, ed una leggerezza del programma che richieda meno tempo e potenza di calcolo. Le tecnologie utilizzate sono algoritmi di clustering, appartenenti alla categoria dell’unsupervised learning, e le Reti Neurali Profonde (Deep Learning) che simulano i meccanismi di apprendimento del cervello umano: varie connessioni tra diversi strati di neuroni che garantiscono il flusso di nozioni e la possibilità e capacità della rete di adattarsi e imparare. Dati i risultati ottenuti con una sola pipeline di reti neurali su tutti i dati a disposizione, per avvicinarsi maggiormente alle performance ottimali è stata studiata la distribuzione interna del dataset per verificare la presenza di una zona che potesse mettere in difficoltà la rete. Si individuano così due zone con una diversa distribuzione dei dati ed effettivamente una delle due presenta prestazioni peggiori. Per questo motivo si crea una pipeline per ciascuna delle due zone. Queste pipeline lavorano in parallelo, entrambe allenate sull'intero dataset ma con una calibrazione degli iper-parametri diversa, e poi testate sulla rispettiva zona di dataset. Entrambe sono composte da due reti neurali: una per valutare se il veicolo sarà in grado di completare il ciclo di guida prescelto (classificatore di fattibilità), e l’altra che in caso positivo prevede le emissioni TTW di CO2 (regressore). I risultati sono promettenti in quanto risultano migliori di quelli ottenuti con una sola pipeline. Per questo progetto è stato utilizzato Spyder Anaconda che è un ambiente di sviluppo integrato open-source per la programmazione in linguaggio Python. Le librerie utilizzate sono Keras e Tensorflow.