Angelo Borneo
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.
Rel. Daniela Anna Misul, Claudio Maino, Alessandro Di Mauro, Alessandro Falai. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Meccanica, 2021
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (3MB) | Preview |
Abstract
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
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
URI
![]() |
Modifica (riservato agli operatori) |
