Development of an automatic framework for kinetic model validation

In recent years, the quantity and quality of data regarding combustion experiments have been steadily increase, as well as the number of kinetic mechanisms of rising complexity, made up of a great number of parameters. Moreover, even a little modification of some of these parameters can lead to significantly different results. This calls for the creation of an automatic framework, able to handle at the same time such great availability of data, and also the results coming from their simulation. Furthermore, this results in the compelling need to understand the reliability and the performance of the different models, by comparing their predictions with experimental data. Doing this in the whole range of operating conditions, and for several models, is far from easy and particularly time-consuming. Thus, standardized data repositories are currently under development for a quick and structured access to the high amount of experimental datasets. The major purpose of this thesis is to develop such a structured and automatic framework. It is in the context, as outlined above, that SciExpeM was developed. SciExpeM is a structured framework able to automatically acquire new data, run experiment simulations and analyse as well as assess the goodness of the prediction for the models by the integration of the Curve Matching framework. For these reasons, SciExpeM proved to be an extremely powerful tool, intended as a model validation framework able also to extract crucial information from data. Eventually, the features of SciExpeM will be improved to allow the complete development and validation of a mechanism in a unique platform. These will involve the automatic update of the model parameters, the mechanism skeletal reduction for industrial applications and the automatic model generation. Furthermore, the applications of SciExpeM goes beyond the "simple" development and validation of kinetic mechanism. Thus, the stored knowledge might be used for the automatic generation of new and improved data-based models. Besides, data stored can be used to train Artificial Neural Network so as to extend the awareness of the combustion principles. Overall, the results coming from the very first applications of the framework demonstrate the effective improvement of the validation phase, providing useful information about the behaviour of a model inside such a complex domain.

Negli ultimi anni, la quantità e la qualità dei dati relativi agli esperimenti di combustione sono aumentate costantemente, così come il numero di meccanismi cinetici di complessità crescente, costituiti da un gran numero di parametri. Inoltre, anche una piccola modifica di alcuni di questi parametri può portare a risultati significativamente differenti. Ciò richiede la creazione di un framework automatico, in grado di gestire contemporaneamente una così grande disponibilità di dati, e anche i risultati derivanti dalla loro simulazione. Inoltre, ciò si traduce nella necessita impellente di comprendere l'affidabilità e le prestazioni dei diversi modelli, confrontando le loro previsioni con i dati sperimentali. Testare e comprendere l'affidabilità di un meccanismo cinetico in tutta la gamma di condizioni operative, e per diversi modelli, è tutt'altro che facile e particolarmente dispendioso in termini di tempo. Pertanto, sono attualmente in fase di sviluppo archivi di dati standardizzati per un accesso rapido e strutturato all'elevata quantità di set di dati sperimentali. Lo scopo principale di questa tesi 'e sviluppare un framework strutturato e automatico. E' in questo contesto, come descritto sopra, che SciExpeM è stato sviluppato. SciExpeM è un framework strutturato in grado di acquisire automaticamente nuovi dati, eseguire simulazioni di esperimenti e analizzare, nonché valutare la bontà della previsione per i modelli mediante l'integrazione del framework Curve Matching. Per questi motivi SciExpeM si è rivelato uno strumento estremamente potente, inteso come framework di validazione del modello in grado anche di estrarre informazioni cruciali dai dati. Conseguentemente a questo lavoro, le funzionalità di SciExpeM saranno migliorate per consentire lo sviluppo completo e la convalida di un meccanismo in un'unica piattaforma. Questi riguarderanno l'aggiornamento automatico dei parametri del modello, la riduzione scheletrica del meccanismo per applicazioni industriali e la generazione automatica del modello. Inoltre, le applicazioni di SciExpeM vanno oltre il "semplice" sviluppo e validazione del meccanismo cinetico. Pertanto, la conoscenza archiviata potrebbe essere utilizzata per la generazione automatica di modelli basati sui dati nuovi e migliorati. Inoltre, i dati memorizzati possono essere utilizzati per addestrare la rete neurale artificiale in modo da estendere la consapevolezza dei principi di combustione. Nel complesso, i risultati provenienti dalle primissime applicazioni del framework dimostrano l'effettivo miglioramento della fase di validazione, fornendo utili informazioni sul comportamento di un modello all'interno di un dominio così complesso.