Artificial intelligence in household refrigerators: business strategy and the environment

Introducing elements of innovation capable of making refrigerators more sustainable from an environmental point of view has become fundamental today to contribute to people and the environment. For what concerns domestic refrigerators, this goal revolves around optimizing the utilization of global natural resources while fostering enhanced food storage practices and promoting sustainable, health-conscious eating habits. This work presents an original analysis of the main external factors that impact energy consumption in household refrigerators during regular use based on the literature review and other identified sources of information. Likewise, it identifies challenges and opportunities for the application of Artificial Intelligence in these appliances, delving into a case study that aims to develop a Machine-Learning model to predict frost formation on the evaporator of home refrigerators. Accordingly, an innovative solution without extra sensors is presented, combining methods and tools from design and engineering. This study unveils the factors influencing frost formation, designs a Machine Learning model to predict frost formation, assesses the model's accuracy, explores the necessity of extra sensors, and presents insights into the model's reliability. Finally, the work reflects on the transformative potential of the developed machine-learning application to align appliance industry manufacturers' strategies with environmental responsibility principles to address critical sustainability challenges and contribute to a better future.

Introdurre elementi di innovazione in grado di rendere i frigoriferi più sostenibili dal punto di vista ambientale è diventato oggigiorno fondamentale per contribuire alle persone e all'ambiente. Per quanto riguarda i frigoriferi domestici, per raggiungere questo obiettivo è necessario puntare sull’ottimizzazione dell'utilizzo delle risorse naturali globali, promuovendo al contempo pratiche di conservazione degli alimenti più efficaci e incentivando l’adozione di abitudini alimentari sostenibili e attente alla salute. Questa tesi presenta un'analisi originale dei principali fattori esterni che incidono sul consumo energetico nei frigoriferi domestici durante l'uso quotidiano, basata sulla revisione della letteratura e su altre fonti di informazione identificate. Allo stesso modo, identifica le sfide e le opportunità che possono nascere dall'applicazione di soluzioni basate sull'Intelligenza Artificiale in questi elettrodomestici. Inoltre, viene presentato un caso studio che ha l’obiettivo di sviluppare un modello di Machine-Learning per prevedere la formazione di brina sull'evaporatore dei frigoriferi domestici. Successivamente, viene descritta una soluzione innovativa senza sensori aggiuntivi, che combina metodi e strumenti del design e dell'ingegneria. Lo studio ha portato all’identificazione dei fattori che influenzano la formazione del ghiaccio, alla progettazione di un modello di Machine Learning per prevedere la formazione del ghiaccio sull’evaporatore. Si è poi valutata l'accuratezza del modello, esplorando la necessità di aggiungere ulteriori sensori. Sono poi presentate considerazioni sull'affidabilità del modello. Infine, il lavoro riflette sul potenziale di trasformazione dell'applicazione di Machine Learning sviluppata per allineare le strategie dei produttori del settore degli elettrodomestici con i principi di responsabilità ambientale per affrontare le sfide fondamentali della sostenibilità e contribuire a un futuro migliore.