Applicazione di reti neurali per la stima della carica di refrigerante presente in una pompa di calore

The main goal of this thesis project is to assess the performance of a neural network in the understanding of the physical phenomena characterizing a water-to-water heat pump, with regards to the refrigerant charge detection and by extension refrigerant charge leakage. The selected neural network is of the feedforward type, and it is built on three layers: the first one is the input layer; the second is characterized by sigmoid neurons; the third, which is the output layer, has linear-activation neurons. The number of neurons in the middle layer is chosen by the user: hence it has been possible to test a wide range of complexity for the network. The test set is made by the heat pump under analysis and by highly adjustable secondary circuits, to simulate any possible working condition that may occur on the field. The results have been satisfactory. Even if the chosen neural network was relatively simple in its structure, the physical phenomena involved have been correctly understood and elaborated by the network. It has also been verified how it is usually required to artificially expand the dataset given as an input to the network, but also how this operation is effectively understood by the network. This statement has a high impact because it means that it is possible to conduct a limited number of tests on the field and then expand them artificially without causing malfuncions in the network and making the whole data collecting process quicker. In conclusion it is possibile to assess that this work is a further confirmation of the power of neural networks in the understanding of a physical phenomenon, and how their information processing capability skills are fast and effective.

Il presente lavoro di tesi ha l’obiettivo di verificare la possibilità di utilizzo di una rete neurale per la comprensione dei fenomeni fisici propri di una pompa di calore acqua-acqua, con una particolare attenzione alla stima della carica di refrigerante in essa contenuta e conseguentemente alle eventuali perdite dello stesso. La rete neurale utilizzata è di tipo feedworward, costituita da tre layers: il primo di input, il secondo caratterizzato da neuroni di tipo sigmoide, e il terzo di output con neuroni con funzione di attivazione lineare. Il layer intermedio ha un numero di neuroni stabilito dall’utente: è stato possibile quindi testare reti con un grado di complessità variabile. Il set di prova è costituito dalla pompa di calore oggetto di analisi e da circuiti secondari controllabili in modo da simulare qualsiasi condizione di funzionamento ipoteticamente richiesta in un contesto reale. Lo studio condotto ha portato a risultati molto soddisfacenti: pur utilizzando una rete neurale relativamente semplice, i fenomeni fisici sottesi al funzionamento della pompa di calore sono stati efficacemente compresi dalla rete. Si è inoltre verificato come sia in generale necessario ampliare artificialmente il numero di osservazioni in input, ma al contempo come tale operazione sia efficacemente compresa ed elaborata dalla rete: questo elemento fornisce il notevole vantaggio di poter eseguire nella pratica un numero di prove limitato, purché svolte seguendo un criterio opportuno, per poi in seguito completare il set di dati artificialmente, senza ottenere problemi nel funzionamento della rete e rendendo l’intero processo più rapido. Si può concludere pertanto che il lavoro presentato sia una conferma ulteriore della potenza delle reti neurali nella comprensione di un generico fenomeno fisico, e della loro capacità di elaborazione delle informazioni in tempi rapidi e con efficacia.