Riassunto analitico
Questa tesi nasce dalla richiesta sempre crescente di mobilità sostenibile con lo scopo di ottimizzare dal punto di vista fluidodinamico le componenti delle Proton Exchange Membrane Fuel Cells (PEMFC) usando la CFD 3D in condizioni stazionarie. Partendo da un design di partenza della cella a canali paralleli, indicato per il settore Automotive, creato all’interno dell’ambiente di simulazione STAR-CCM+, che verrà poi ottimizzato. Verranno mostrati dal punto di vista teorico i principali metodi di ottimizzazione numerica e sarà descritta la corretta metodologia di lavoro, sfruttando gli strumenti messi a disposizione sempre dallo stesso software CDF 3D nell’area del Design Project Manager. Il design finale Ottimizzato secondo criteri di performance e di efficienza verrà messo a confronto con il design di partenza e analizzato il percorso di sviluppo della fisica della cella passo dopo passo nella sua evoluzione con possibili nuovi sviluppi attraverso l’utilizzo di simulazioni CFD 3D in condizioni transitorie. Successivamente sono state implementate tecniche di machine learning attraverso algoritmi di regressione per efficientare anche il processo di ottimizzazione e di previsione delle risposte richieste alla cella durante il suo funzionamento a regime. Dal punto di vista teorico sarà mostrata l’introduzione ad un problema di machine learning e descritte le linee guida per un problema di tipologia numerica. Usando sempre l’ambiente Design Project Manager si è andati a creare il dataset di allenamento dell’algoritmo e un successivo dataset di validazione per valutare le performance degli stessi. Infine, sono stati testati gli algoritmi su un caso reale di cella sperimentale a canali paralleli e modellata all’interno di STAR-CCM+.
|
