• Artificial neural network
• Exhaust emissions
• Gasoline engine
• Genetic Algorithm
• Multiobjective Optimization Problem

Nel mondo vi sono in circolazione circa 1,2 miliardi di veicoli, dei quali la maggior
parte fa uso di un propulsore basato su combustibili fossili. A causa dell'impatto
ambientale che ne deriva, i governi hanno imposto delle normative sulla restrizione
degli inquinanti sempre più stringenti. Di conseguenza, prima dell'omologazione di un
motore a combustione interna, l'azienda produttrice deve assicurarsi che questo sia
conforme alle leggi vigenti. Ciò richiede una fase di calibrazione nella sala prove
motore, un processo che consiste, prima nella caratterizzazione e dopo nella
configurazione del propulsore, attraverso una serie di test e misure sperimentali
manuali, le quali richiedono un ingente investimento di risorse economiche e
temporali. Dato il loro successo nei problemi di modellizzazione fisica, nel campo
della ricerca sono stati svolti lavori nei quali si trova l'uso di reti neurali (ANN) come
strumento volto a minimizzare il numero di test necessari per la caratterizzazione del
motore. Tale strumento, può anche essere usato in accoppiata ad un ottimizzatore
genetico, un algoritmo di ottimizzazione euristico basato sul concetto di evoluzione
darwiniano che consente di migliorare le soluzioni trovate durante il proseguimento
delle iterazioni, fino ad arrivare ad un punto di ottimo. Quindi, dopo la
caratterizzazione del motore attraverso la rete neurale, questa può essere usata
assieme ad un ottimizzatore genetico con il fine di fornire una rosa di punti che
costituiscano un insieme di configurazioni di precalibrazione ottime, le quali
consentiranno all'ingegnere addetto alla calibrazione motore di accelerare
notevolmente il processo, evitando una fase iniziale di tentativi volti ad identificare la
zona di funzionamento ottima per il propulsore e consentendo un notevole risparmio
di tempo. Nel presente progetto (svolto presso HPE COXA (https://www.hpe.eu/)),
ci si pone come obbiettivo lo sviluppo di una rete neurale, che sia capace di
caratterizzare le emissioni del motore (NOx, THC e CO) in dipendenza dei
parametri che descrivono il ciclo di iniezione del carburante. La caratterizzazione
viene effettuata su un punto operativo iniziale e, in seguito, si fa in modo che la rete
permetta di estendere le capacità predittive su un punto operativo differente, usando
soltanto una quantità minima di campioni aggiuntivi. In seguito, si utilizza un
ottimizzatore genetico, il quale, basandosi sulle predizioni della rete, fornisce una rosa
di punti di calibrazione ottimi, che permetteranno all'addetto ai test in sala prove di
partire da una configurazione del motore vicina al punto di ottimo reale. Verranno
discussi i risultati ottenuti, alla luce dei quali verrà suggerita una metodologia con cui
effettuare le misure, così da permettere un allenamento efficiente della rete neurale, e
per far sì che i campioni aggiuntivi necessari per estendere le capacità su un dominio
differente siano rappresentativi del regime al quale si riferiscono, facendo in modo che ne sia necessaria soltanto una minima quantità.