Realizzazione e messa a punto degli impianti di raffreddamento e lubrificazione per una vettura di Formula SAE tramite analisi termofluidodinamica e acquisizione di telemetria in pista

L’obiettivo di questa tesi è illustrare quali siano stati i metodi di studio e le soluzioni adottate per ottimizzare gli impianti di raffreddamento e lubrificazione della monoposto da competizione sviluppata dal team Unibo Motorsport, in preparazione alla stagione di gara 2016 della Formula SAE®. Inizialmente saranno analizzate le principali problematiche di entrambi gli impianti attraverso simulazioni CFD (Computational Fluid Dynamics) e dati telemetrici degli anni passati. In seguito, saranno mostrati i diversi procedimenti di progettazione e il completamento degli impianti unitamente ad una loro valutazione economica. Infine, per verificare l’effettivo successo delle operazioni svolte a bordo vettura, verranno mostrate acquisizioni telemetriche relative alle gare ed altre simulazioni relative alle nuove geometrie sviluppate. Un altro obiettivo della trattazione è mettere a disposizione dei futuri membri del reparto motore un documento che contenga tutte le considerazioni fatte a riguardo degli impianti studiati. Questo è fondamentale all’interno di un ambiente come un team di Formula SAE®, dove ogni anno si ha il ricambio di una buona parte dei membri. Se gli studi svolti sugli impianti venissero persi, i nuovi arrivati si troverebbero a mettere le mani su un qualcosa di sconosciuto e lo sviluppo della vettura negli anni si troverebbe enormemente rallentato. Il “learning by doing” che ha sempre caratterizzato questo progetto viene infatti affiancato con armonia dalla possibilità di consultare esperienze pregresse relative al caso di studio considerato.

Smart sampling approaches for Decision-Focused Learning

Many real-word decision- making problems are defined based on forecast parameters: for example, one may plan an urban route by relying on traffic predictions. In these cases, the conventional approach consists in training a predictor and then solving an optimization problem. This may be problematic since mistakes made by the predictor may trick the optimizer into taking dramatically wrong decisions. Recently, the field of Decision-Focused Learning overcomes this limitation by merging the two stages at training time, so that predictions are rewarded and penalized based on their outcome in the optimization problem. There are however still significant challenges toward a widespread adoption of the method, mostly related to the limitation in terms of generality and scalability. One possible solution for dealing with the second problem is introducing a caching-based approach, to speed up the training process. This project aims to investigate these techniques, in order to reduce even more, the solver calls. For each considered method, we designed a particular smart sampling approach, based on their characteristics. In the case of the SPO method, we ended up discovering that it is only necessary to initialize the cache with only several solutions; those needed to filter the elements that we still need to properly learn. For the Blackbox method, we designed a smart sampling approach, based on inferred solutions.