Riassunto analitico
L'obiettivo della tesi è lo studio della possibilità di usare reti neurali ricorrenti in ambito di modellazione motore, in particolare con lo scopo di modellare alcuni indici di combustione e le temperature dello scarico. Dopo un'attenta analisi delle principali architetture di reti neurali, lo stato dell'arte delle reti neurali ricorrenti è stato studiato esaustivamente, in modo da realizzare una base solida per l'attività sperimentale di questa tesi. Essendo questi modeli basati su dati sperimentali, due principali tipi di dati sono stati usati: registrazioni continue del motore al banco e misurazione di valori medi riferiti a condizioni di funzionamento del motore. Altrettante procedure originali sono state ideate per il design e il training di reti neurali sui due tipi di dataset, e i migliori risultati sono stati ottenuti con la seconda tipologia di dati. Gli iperparametri delle reti sono stati scelti tramite diverse tecniche di ottimizzazione, i cui risultati sono stati studiati e confrontati. Il lavoro è stato condotto interamente in ambiente Matlab, dove una complessa architettura di codici è stata sviluppata autonomamente, in modo da adattare la procedura di creazione della rete alle richieste dell'utente. Nel complesso, i modelli di reti neurali ricorrenti hanno dimostrato di essere in grado di predirre profili continui con grande accuratezza, pur non essendo esenti da alcuni problemi, in particolare l'abilità di generalizzare su dati non visti e la grande mole di esperimenti richiesti per l'ottimizzazione degli iperparametri. I risultati di questa tesi vogliono dimostrare le potenzialità dei metodi di modellazione motore basati su tecniche di machine learning, e di proporre un'efficace metodologia di creazione delle reti volta a minimizzarne gli svantaggi.
|
Abstract
The aim of this thesis is to investigate the usage of recurrent neural networks in the field of internal combustion engine modelling, in particular with the intent to model combustion indices and exhaust temperatures. After a thorough examination of the main network architectures, the state of the art of RNN modelling has been extensively studied, in order to lay the foundation for the methodology adopted in this work. These models being data-driven, two main types of datasets have been used: continuous engine recordings and steady-state measurements of engine operating points. Two original procedures for network design and training on each type of dataset are proposed, with the best results being obtained by training on mean values. The network hyperparameters have been chosen through different optimisation techniques, the results of which have been studied and compared. The work has entirely been carried out in the Matlab environment, where a complex architecture of scripts has been developed, in order to accommodate the network design to the requests of the user. Overall, the RNN-based models have shown to be able to predict continuous time-series with high accuracy, though they are not exempt from a few problems, namely the ability to generalise on unseen data and the extensive experimentation required to optimise the hyperparameters. The results of this thesis attempt to demonstrate the potential of machine learning-based engine modelling techniques, as well as to develop a robust design procedure aimed at addressing their limitations.
|