Application of Static Neural Networks to Replace Physics-Based Components in an Electric Drive Module Thermal Model

Il presente lavoro di tesi è stato svolto presso GammaTech Engineering s.r.l (GTE), società di consulenza ingegneristica specializzata in simulazione multi-fisica per lo sviluppo di sistemi di propulsione, ed in collaborazione con Stellantis, gruppo automobilistico multinazionale attivo nella progettazione e produzione di veicoli. L'obiettivo della ricerca è quello di esplorare le potenzialità delle reti neurali statiche, in quest'ottica impiegate per sostituire i componenti fisici del circuito di raffreddamento e lubrificazione del modello del sistema elettrico di trazione identificato da Stellantis. Tale obiettivo è perseguito attraverso l’utilizzo del software di simulazione 1D GT-SUITE. In particolare, è stato utilizzato GT-ISE, ambiente principale di modellazione, e il Machine Learning Assistant integrato in GT-POST, ambiente dedicato al post-processing. L'attività ha come punto di partenza il modello dell'intero segmento di raffreddamento e lubrificazione del veicolo in analisi. Su questo modello sono state effettuate opportune modifiche per isolare il circuito oggetto di studio. Successivamente, sebbene il modello presentasse una velocità di calcolo sufficiente per l'uso richiesto, è stato ulteriormente velocizzato agendo sulla discretizzazione spaziale e temporale, nonché sul layout dello stesso. Ciò ha portato ad avere un modello di base per la creazione degli esperimenti (DoE) più flessibile e dinamico, consentendo, in un tempo relativamente breve, di simulare migliaia di casi che esplorassero tutti gli stati possibili del modello analizzato. Sfruttando il dataset così ottenuto, sono state allenate diverse reti neurali per sostituire più elementi del modello, arrivando a un'architettura mista basata sia su componenti fisici che sull'intelligenza artificiale. Confrontando i risultati ottenuti con il modello di riferimento, si è potuto constatare come le reti neurali statiche possano riprodurre con ottima approssimazione il comportamento dei singoli componenti fisici. Tuttavia, sono emersi anche importanti limiti. In particolare, è stato osservato come esse richiedano il mantenimento della struttura fisica del modello, rendendo impraticabile la completa sostituzione dello stesso con un'unica rete neurale statica.