polito.it
Politecnico di Torino (logo)

Algoritmi di machine learning applicati alla stima delle emissioni di NOx in motori a combustione interna = Use of Machine Learning Algorithms for NOx emissions prediction of in IC engines

Francesco Curci

Algoritmi di machine learning applicati alla stima delle emissioni di NOx in motori a combustione interna = Use of Machine Learning Algorithms for NOx emissions prediction of in IC engines.

Rel. Daniela Anna Misul, Claudio Maino, Alessandro Falai. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Meccanica, 2019

Abstract:

Al giorno d'oggi le sempre più stringenti normative anti inquinamento hanno condotto i produttori di veicoli allo svilppo di tecnologia sempre più complesse ed efficaci in ambito abbattimento delle emissioni inquinanti. In particolar modo, la riduzione degli NOx è un tema molto attuale per quanto riguarda lo sviluppo dei motori Diesel, e ciò continua a dare una grande spinta alla ricerca del progresso da parte degli ingegneri dei reparti di ricerca e sviluppo. Lo scopo di questo lavoro è la realizzazione di algoritmo implementabile in centralina per la prevsione dei valori di NOx sulla base delle misure della sensoristica presente a bordo. Per tale scopo, sono stati utilizzati gli algoritmi di Machin Learning "Random Forest" e "Gradient Boosting Regression Tree", sviluppati in ambiente Python; tali algoritmi sono stati testati e comparati per valutare quale offra le migliori prestazioni in termini di accuratezza e radice dell'errore quadratico medio. I dati disponibili sono raccolti in un dataset comprendente dati provenienti da misure a banco e misure ottenute dalla centralina, e per ognuna di queste tipologie sono presenti dati relativi a 6 condizioni di funzionamento del motore. Gli algoritmi sono stati testati in svariate combinazioni di dati di train e di test, e i risultati raccolti per definire il comportamento generale degli algoritmi. Un'attenta analisi è stata svolta per verificare la consistenza dei risultati dei codici e quindi verificarne l'accordo con la fenomenologia del problema.

Relatori: Daniela Anna Misul, Claudio Maino, Alessandro Falai
Anno accademico: 2019/20
Tipo di pubblicazione: Elettronica
Numero di pagine: 91
Informazioni aggiuntive: Tesi secretata. Fulltext non presente
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Meccanica
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-33 - INGEGNERIA MECCANICA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/13312
Modifica (riservato agli operatori) Modifica (riservato agli operatori)