# config.toml — UNICA fonte dei valori di fitseg. Suffissi: _s secondi, _c gradi C, _rel frazione.
# Nessun default nel codice: chiave mancante = errore (exit 3).

[dati]
colonna_tempo = "t_ms"
unita_tempo = "ms"                 # "ms" | "s"
serie = ["T_C", "dT_C"]            # colonne da approssimare
separatore = ","

[domini]                           # riconoscimento di riposo / riscaldamento / raffreddamento (nessun LLM)
serie_riferimento = "T_C"          # serie su cui si cercano i gradini di riscaldamento
soglia_gradino_c = 20.0            # salto positivo tra due campioni consecutivi che segna un gradino di riscaldamento
soglia_bordo_sigma = 6.0           # il gradino si estende ai campioni adiacenti con salto > soglia × sigma robusta dei salti
distanza_min_salti_campioni = 3    # rilevazioni più vicine di così sono lo stesso gradino
n_min_punti = 6                    # campioni minimi per dominio (sotto: "indeterminato")
scarta_dopo_salto_n = 3            # campioni esclusi dal fit all'inizio di un dominio dopo un gradino (transizione del sensore)

[fit]
modelli_abilitati = ["costante", "lineare", "quadratico", "esp_decad", "esp_doppio", "logistica"]
n_start = 20                       # partenze multiple per i modelli non lineari (logistica)
perdita = "soft_l1"                # "linear" | "soft_l1" | "huber" (robusta agli outlier)
scala_perdita_sigma = 3.0          # scala della perdita robusta, in unità di sigma rumore
tau_min_rel = 0.05                 # limite inferiore di tau, come frazione della durata del dominio
tau_max_rel = 50.0                 # limite superiore di tau, come frazione della durata del dominio
n_griglia_tau = 40                 # punti della griglia log-spaziata su tau (proiezione delle variabili)
soglia_condizione = 1.0e8          # numero di condizione (jacobiano normalizzato) oltre cui i parametri sono "non identificabili"
correggi_autocorrelazione = true   # allarga gli intervalli di confidenza se ACF1 dei residui > soglia_acf
soglia_acf = 0.3
soglia_delta_aicc = 2.0            # entro questa differenza vince il modello con meno parametri
rmse_vs_rumore_max = 1.3           # RMSE <= valore × sigma rumore => modello adeguato
seed = 0                           # seme delle partenze multiple

[output]
cartella_lavoro = "lavoro"