Modellazione e anomaly detection di scambiatori di calore di velivoli elettrificati attraverso tecniche di Machine Learning = Modeling and anomaly detection of heat exchangers in electrified aircraft through Machine Learning techniques

La transizione dalla propulsione tradizionale basata su combustibili fossili alla propulsione elettrica è una necessità impellente per affrontare le sfide globali legate al cambiamento climatico e alla sostenibilità. Il target di net-zero emission entro il 2050 richiede, infatti, una profonda trasformazione nei settori dei trasporti e dell'energia e la propulsione elettrica offre una soluzione chiave in questo contesto. Tuttavia, una delle problematiche risultanti dalla transizione verso queste tecnologie consiste nello smaltimento del calore generato dall'elettronica di potenza e dai sistemi di propulsione elettrici. Il thermal management system (TMS) riveste un ruolo fondamentale nell'ambito dell'ingegneria aeronautica nell’ottica dell'evoluzione verso velivoli elettrificati. Il principale scopo di un TMS è quello di assicurare un efficace scambio termico, mantenendo la temperatura all’interno di range ottimali e garantendo il corretto funzionamento di sistemi critici come motori e dispositivi elettrici. Nel contesto sempre più attuale dello sviluppo di strategie di manutenzione predittiva, è di fondamentale importanza riuscire ad individuare tempestivamente, se non anticipatamente, i guasti che possono verificarsi su sistemi di questo tipo. Nella fattispecie, è stato deciso di affrontare il problema del fouling, che rappresenta una delle principali sfide operative per gli scambiatori di calore, in quanto la perdita di efficienza termica può compromettere in modo significativo le prestazioni complessive del sistema. L’obiettivo del presente lavoro di tesi è duplice: in una prima fase è stata sviluppata una metodologia per simulare e modellare il fenomeno del fouling in scambiatori di calore finned-tube, sia a livello interno che esterno. Ciò è stato realizzato avvalendosi di un modello ram-air based di TMS sviluppato in ambiente Simcenter Amesim. Nella fase successiva, è stata condotta un'analisi di rilevamento delle anomalie mediante l'applicazione di algoritmi supervised di machine learning e deep learning. Sono state utilizzate tecniche di Decision Tree, Support Vector Machine (SVM) e metodi ensemble quali Random Forest, nonché reti neurali profonde per il corretto rilevamento del fouling e della severity di quest’ultimo. L’elaborato si pone come scopo quello di mostrare l'efficacia di tali metodologie nel rilevare con successo le anomalie legate al fouling, contribuendo in modo significativo all'aumento della robustezza e dell'affidabilità dei sistemi di gestione termica e ponendo così una solida base per lo sviluppo di strategie di manutenzione predittiva.