Battery electric vehicles contribute significantly to the reduction of greenhouse gas emissions; therefore, it’s imperative due to their negative impacts on climate and global warming to predict the magnitude of these emissions generated over the entire life cycle of the transport vehicle. The aim of this study is to develop a predictive model capable of estimating the greenhouse gas emissions for an industrial electric shuttle using an approach that exploits machine learning methods to develop models for assessing environmental impacts by using electric vehicle design parameters to estimate emissions for new products. Machine learning algorithms were trained on life cycle assessment data to enable designers to predict the environmental impacts of a new electric vehicle. Different regression algorithms were compared by selecting the most appropriate inputs and evaluating their reciprocal weights using correlation analysis; model architecture and training parameters were optimized. The best results were obtained with the Gradient Boosted Trees model. Finally, the model is applied to a tourist shuttle to determine its environmental impact.

I veicoli elettrici a batteria contribuiscono in maniera rilevante alla riduzione delle emissioni di gas serra; pertanto, è indispensabile a causa dei loro impatti negativi sul clima e sul riscaldamento globale, prevedere l’entità di queste emissioni generate lungo l'intero ciclo di vita del mezzo di trasporto. Lo scopo di questo studio è quello di sviluppare un modello predittivo in grado di valutare le emissioni di gas serra per una navetta elettrica industriale utilizzando un approccio che sfrutta i metodi di apprendimento automatico per sviluppare modelli di valutazione degli impatti ambientali utilizzando i parametri di progettazione del veicolo elettrico per stimare le emissioni di nuovi prodotti. Gli algoritmi di apprendimento automatico sono stati addestrati sui dati dell’analisi del ciclo di vita per consentire ai progettisti di prevedere gli impatti ambientali di un nuovo veicolo elettrico. Sono stati confrontati diversi algoritmi di regressione selezionando gli input più opportuni e valutandone i pesi reciproci avvalendosi dell'analisi di correlazione; l'architettura dei modelli e i parametri di addestramento sono stati ottimizzati. I risultati migliori sono stati ottenuti con il modello Gradient Boosted Trees. Infine, il modello viene applicato ad una navetta turistica, per determinarne l’impatto ambientale.

Sviluppo di un modello di impatto ambientale parametrico per veicoli elettrici industriali basato su tecniche di machine learning

ERCOLI, MAURO
2021/2022

Abstract

Battery electric vehicles contribute significantly to the reduction of greenhouse gas emissions; therefore, it’s imperative due to their negative impacts on climate and global warming to predict the magnitude of these emissions generated over the entire life cycle of the transport vehicle. The aim of this study is to develop a predictive model capable of estimating the greenhouse gas emissions for an industrial electric shuttle using an approach that exploits machine learning methods to develop models for assessing environmental impacts by using electric vehicle design parameters to estimate emissions for new products. Machine learning algorithms were trained on life cycle assessment data to enable designers to predict the environmental impacts of a new electric vehicle. Different regression algorithms were compared by selecting the most appropriate inputs and evaluating their reciprocal weights using correlation analysis; model architecture and training parameters were optimized. The best results were obtained with the Gradient Boosted Trees model. Finally, the model is applied to a tourist shuttle to determine its environmental impact.
2021
2023-02-21
Development of a parametric environmental impact model for industrial electric vehicles based on machine learning techniques
I veicoli elettrici a batteria contribuiscono in maniera rilevante alla riduzione delle emissioni di gas serra; pertanto, è indispensabile a causa dei loro impatti negativi sul clima e sul riscaldamento globale, prevedere l’entità di queste emissioni generate lungo l'intero ciclo di vita del mezzo di trasporto. Lo scopo di questo studio è quello di sviluppare un modello predittivo in grado di valutare le emissioni di gas serra per una navetta elettrica industriale utilizzando un approccio che sfrutta i metodi di apprendimento automatico per sviluppare modelli di valutazione degli impatti ambientali utilizzando i parametri di progettazione del veicolo elettrico per stimare le emissioni di nuovi prodotti. Gli algoritmi di apprendimento automatico sono stati addestrati sui dati dell’analisi del ciclo di vita per consentire ai progettisti di prevedere gli impatti ambientali di un nuovo veicolo elettrico. Sono stati confrontati diversi algoritmi di regressione selezionando gli input più opportuni e valutandone i pesi reciproci avvalendosi dell'analisi di correlazione; l'architettura dei modelli e i parametri di addestramento sono stati ottimizzati. I risultati migliori sono stati ottenuti con il modello Gradient Boosted Trees. Infine, il modello viene applicato ad una navetta turistica, per determinarne l’impatto ambientale.
File in questo prodotto:
File Dimensione Formato  
Sviluppo di un modello di impatto ambientale parametrico per veicoli elettrici industriali basato su tecniche di machine learning.pdf

accesso aperto

Dimensione 6.12 MB
Formato Adobe PDF
6.12 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/12235