Validation techniques for combustion kinetic experiments based on the curve matching algorithm

In recent years, the process of models validation gets new vigour with the advent of the Big Data era. The increasing number of experimental data and the access to advanced technologies of analysis opened unexplored horizons on developing advanced validation model techniques. One of the main domains active on such research topic is the one of combustion kinetics of whom the CRECK Lab, with its consolidated experience, is one of the most representative research teams. In this context, a dominant method to evaluate simulations models has not been established yet. However, within this project, the innovative Curve Matching (CM) algorithm, which provides a quantitative index of agreement between model and experiment curves, has been selected as a standard. The thesis, in collaboration with the CRECK Modeling Group, proposes a new analysis approach with the ultimate purpose of guiding scientific models enhancement. The method, combines statistics with visual analytics techniques and goes beyond the CM results. It focuses the analysis on the subset of outliers of such results, associating each of them with the input and output conditions (e.g., input fuels, reactor or output species) which characterize the validated model relative to its experiment. A set of multidimensional visualization techniques is performed in order to detect if possible trends or mutual information between experiment conditions and outliers exist. Such a framework might be a powerful tool if on the hands of kinetic modelers, setting the basis for models validation and enhancement in future projects. An explicative example of such visual analysis approach, coded in Python, would be presented. It investigates data extrapolated from the ReSpecTh repository and three models developed by the CRECK Modeling Group.

Negli ultimi anni, il processo di validazione di modelli ha acquisito un nuovo vigore con l'avvento dell'era dei Big Data. Il crescente numero di dati sperimentali e l'accesso a tecnologie avanzate di analisi hanno aperto orizzonti inesplorati sullo sviluppo di avanzate tecniche di validazione dei modelli sperimentali. Uno dei principali domini attivi riguardante tale tematica di ricerca è quello della cinetica di combustione di cui il CRECK Lab, con la sua consolidata esperienza, è uno dei team di ricerca più rappresentativi. In questo contesto, non è stato ancora stabilito un metodo dominante per valutare i modelli di simulazione. Tuttavia, all'interno di questo progetto, l’innovativo algoritmo Curve Matching (CM) è stato selezionato come standard, il quale fornisce un indice quantitativo di corrispondenza tra le curve di un modello e del relativo esperimento. La tesi, in collaborazione con il CRECK Modeling Group, propone un nuovo approccio di analisi che ha come ultimo fine quello di guidare il miglioramento dei modelli scientifici. Il metodo, combina tecniche di statistica con quelle di analisi visiva, andando oltre i risultati del CM. L’analisi si concentra sul sottogruppo di outliers di tali risultati, associando ciascuno di essi con le condizioni di input e output (ad esempio, combustibili di input, reattore o specie di output) che caratterizzano il modello validato e il relativo esperimento. Una serie di tecniche di visualizzazione multidimensionale viene eseguita al fine di rilevare se possibili trend o informazioni reciproche tra le condizioni dell'esperimento e outliers esistono. Tale metodologia di analisi nelle mani di modellatori cinetici diverrebbe uno strumento potente, ponendo le basi per la validazione e il miglioramento di modelli nei futuri progetti di ricerca. Sarà presentato un esempio esplicativo di tale approccio di analisi visuale, codificato in Python. Esso indagherà dei dati estrapolati dal dataset ReSpecTh e tre modelli sviluppati dal CRECK Modeling Group.