Riassunto analitico
Questa tesi esplora l'integrazione tra Design of Experiments (DoE) e Life Cycle Assessment (LCA) per ottimizzare i processi industriali in modo sostenibile, affrontando le sfide legate all'incertezza e alle non-linearità nei modelli. L'approccio tradizionale, che tratta separatamente DoE e LCA, non è sufficiente per gestire la complessità dei processi industriali moderni, dove le interazioni tra variabili e l'incertezza nei dati sono centrali. Attraverso un'analisi approfondita della letteratura, sono stati identificati gap significativi, tra cui la limitata gestione dell'incertezza nei modelli LCA e la difficoltà di trattare le non-linearità nelle relazioni tra variabili. Il lavoro si concentra su un caso studio nel settore tessile, con particolare attenzione alla fibra di lino, proponendo un approccio innovativo che integra la simulazione Monte Carlo (MC) sugli output all'interno del modello DoE per una gestione più completa dell'incertezza.
Nel capitolo metodologico, è stato confrontato l'approccio tradizionale (senza MC sugli output) con l'approccio avanzato che include la simulazione Monte Carlo. I risultati evidenziano l'importanza di un'analisi comparativa tra i due metodi, con l’obiettivo di contribuire positivamente a risolvere i limiti riscontrati nelle ricerche precedenti. Questo confronto, pur non risolvendo completamente tutte le problematiche relative all'incertezza e alla non-linearità, offre nuovi spunti per migliorare la rappresentatività delle analisi in contesti industriali complessi.
La discussione mette in luce i vantaggi e le criticità dei due approcci, suggerendo che l'adozione di un'integrazione più sofisticata potrebbe fornire soluzioni più robuste, pur riconoscendo che la risoluzione completa dei problemi di incertezza e interazione tra variabili rimane una sfida aperta. Le conclusioni propongono direzioni future per migliorare l'implementazione del modello e ampliare l’applicazione di questa metodologia in altri settori industriali. Il contributo di questa ricerca risiede nella volontà di rispondere ai gap esistenti nelle metodologie tradizionali, senza però presentare una soluzione definitiva, ma piuttosto aprendo la strada a nuove e promettenti aree di indagine.
|