Riassunto analitico
L'attività di tesi è stata incentrata su una macchina mantecatrice per gelati e granite prodotta dall'azienda Motor Power Company. Su tale macchina è stato effettuato uno studio dei componenti e di seguito una loro modellazione. Si è partiti dalla base ovvero lo studio delle caratteristiche, dai principi termodinamici e delle grandezze in gioco in un ciclo frigorifero. Dopodichè è stata effettuata un'analisi approfondita nei confronti di: evaporatore, compressore, condensatore e valvola d'espansione. Per ognuno di questi è stato prodotto un elaborato dettagliato, in cui vengono descritti i funzionamenti e i pro e i contro di ognuna delle varianti. In questo modo, il documento può essere utilizzato come guida rapida ma completa nel caso all'azienda produttrice vengano proposte ulteriori modifiche in futuro. E' presente anche una breve presentazione dei principali gas frigoriferi e delle loro proprietà con un forte accento nei confronti dell'impatto ambientale di ognuno di questi. Il passo successivo del lavoro di tesi è incentrato sulla modellazione. Avere un modello di un sistema è molto importante all'interno di un contesto industriale in quanto permette di conoscere in anticipo il funzionamento di un prototipo o l'impatto sul sistema di una modifica. In questo modo si possono risparmiare sia risorse che tempi, permettendo la riduzione del time to market nel caso di lancio di un nuovo prodotto. L'approccio alla modellazione è stato di due tipologie: la prima ha seguito un approccio tradizionale, la seconda uno più innovativo. Il primo approccio è quello basato sulla letteratura scientifica e diversi articoli da cui si è attinto per ottenere delle correlazioni utili per la modellazione. Tuttavia si è notato come questo metodo di lavoro fosse molto dispendioso in termini di tempi e spesso non era presente una letteratura sufficientemente specifica per il caso in questione. Pertanto, ci si è spostati verso un approccio più moderno e conveniente, ovvero quello legato al machine learning e alle reti neurali. Tale metodologia richiede la presenza di un certo database di punti di funzionamento che solitamente si ottengono per mezzo di software di selezione. L'insieme di punti di lavoro è utilizzato per allenare la rete neurale utilizzata per la modellazione. Questo metodo di lavoro è fortemente consigliato nel caso di problemi con molte variabili e grandezze in gioco la cui fisica spesso è sconosciuta. Pertanto, ci si è approcciati a questo metodo valutando diverse tipologie e configurazioni di reti neurali in modo da individuare quella più prestante nei confronti del caso in esame. I modelli realizzati con entrambi gli approcci permettono quindi di ottenere gli output desiderati rispetto ad un certo set di condizioni di input. Sviluppi futuri riguardo questo lavoro di tesi possono riguardare l'individuazione di particolari correlazioni sperimentali per la macchina in esame ma soprattutto ulteriori perfezionamenti del modello legato al machine learning.
|
