L’incremento della domanda energetica ha causato un aumento dell’inquinamento dovuto a gas tossici, di conseguenza diventa sempre più importante trovare metodi per riuscire a monitorare e prevedere queste emissioni. Lo scopo di questo Tirocinio consiste nell’analisi delle emissioni di CO ed NOx di una centrale energetica alimentata da turbine a gas mediante tecniche di machine learning supervisionato. In particolare, è stato applicato il metodo Partial Least Squares (PLS) e i risultati sono stati confrontati con quelli trovati in Letteratura. Viene inoltre fornito un esempio per il monitoraggio delle emissioni con lo scopo di operare un’analisi critica degli effetti delle condizioni di processo sugli inquinanti, al fine di migliorare l’efficienza e la sostenibilità ambientale.

Previsione e monitoraggio di inquinanti atmosferici (CO e NOx) in centrali elettriche alimentate da turbine a gas mediante metodi statistici multivariati

MARZOLLA, IRENE
2022/2023

Abstract

L’incremento della domanda energetica ha causato un aumento dell’inquinamento dovuto a gas tossici, di conseguenza diventa sempre più importante trovare metodi per riuscire a monitorare e prevedere queste emissioni. Lo scopo di questo Tirocinio consiste nell’analisi delle emissioni di CO ed NOx di una centrale energetica alimentata da turbine a gas mediante tecniche di machine learning supervisionato. In particolare, è stato applicato il metodo Partial Least Squares (PLS) e i risultati sono stati confrontati con quelli trovati in Letteratura. Viene inoltre fornito un esempio per il monitoraggio delle emissioni con lo scopo di operare un’analisi critica degli effetti delle condizioni di processo sugli inquinanti, al fine di migliorare l’efficienza e la sostenibilità ambientale.
2022
Forecasting and monitoring air pollutants (CO and NOx) in gas-turbine-based power plants through multivariate statistical methods
Partial Least Square
CO
NOx
Monitoraggio
Multivariate statist
File in questo prodotto:
File Dimensione Formato  
Marzolla_Irene.pdf

accesso riservato

Dimensione 11.73 MB
Formato Adobe PDF
11.73 MB Adobe PDF

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/52647