• body-exact model
• cfd
• deep q-network
• model-free control
• modelling paradox
• power take-off
• wave energy converter

Questa tesi analizza l'applicazione e i vantaggi dell'utilizzo delle reti neurali profonde nel controllo di un convertitore di energia ondosa. Viene presentato un nuovo tipo di convertitore, costituito da un pendolo inverso sommerso, e viene fornita una stima dell'energia che questo dispositivo può catturare in un mare chiuso, come il Mediterraneo. Le limitazioni derivanti dalla teoria lineare emergeranno nel confronto tra un modello lineare, un modello parzialmente non lineare (body-exact) sviluppato in Python e un modello basato su CFD. Il modello CFD, sviluppato con il software open-source OpenFOAM, verrà descritto nel dettaglio e utilizzato come riferimento per la validazione. Si tenterà inoltre di estendere le capacità del modello body-exact per includere gli effetti di resistenza turbolenta riscontrati nel modello CFD. Infine, viene sviluppato un algoritmo Deep Q-Network (DQN), privo di modello, per ottimizzare i valori di smorzamento del sistema di conversione dell’energia (Power Take-Off). Costruendo internamente un modello del sistema, il controllore basato su rete neurale evita il cosiddetto “paradosso della modellazione” ("modeling paradox"), che si verifica quando un modello fisico, valido solo in condizioni di bassa energia, viene utilizzato per controllare un sistema che opera in stati ad alta energia.

This thesis investigates the application and advantages of using deep neural networks in the control of a wave energy converter. A novel kind of wave energy converter, consisting in a submerged, inverse pendulum, is introduced, and an estimation of the power harnessed by this device in a closed sea, as the Mediterranean, will be provided. The limitations of the results coming from linear theory will appear as the linear model will be compared with a partially nonlinear (body exact), python-based model and to a CFD-based model. The CFD model, developed with the open-source software OpenFOAM, will be detailed and used as a validation benchmark. An attempt to extend the body-exact model’s capability to account for the turbulent drag effects of the CFD model is done. Finally, a model free, Deep Q-Network (DQN) algorithm is developed to optimize the damping values of the proposed Power Take-Off system. By internally constructing the model of the system, the neural network-based controller avoids the so-called “modelling paradox”, which occurs when a physics-based, low energy model is used to develop a controller that drives the device into high energy states.