EquationMiner/docs/limiti.md

Limiti noti ed estensioni

Limiti noti

Limite	Perché	Effetto	Dove
Residui autocorrelati nei raffreddamenti ($\rho_1 \approx 0.5$–0.7, \mathrm{RMSE} 1.5–3 volte \sigma)	scarti casuali (±4 °C) e deriva lenta non sono nel modello (A14)	i parametri sono buoni (\tau entro pochi % dal valore nominale), ma gli intervalli di confidenza sono troppo stretti nonostante la correzione AR(1) (A17) e i domini risultano «non adeguati»	assunzioni.md A14, A17
Il \sigma stimato ignora la parte lenta del rumore	la derivata seconda elimina la deriva (A13)	\sigma sottostimata → «non adeguato» più frequente	A13
Il riscaldamento non è fittato	2–3 campioni, meno dei parametri utili (A23)	si riporta solo il salto \Delta, che sottostima l'ampiezza reale del gradino perché parte della salita cade sul campione precedente	algoritmi.md §7
Incertezze condizionate nei raffreddamenti intermedi	c e \tau sono fissi, la loro incertezza non si propaga (A18)	gli intervalli di A sono troppo stretti	A18
Nessun vincolo di continuità	ogni dominio è indipendente (A11)	gli intermedi non sono vincolati a combaciare col gradino	A11
Un solo esponenziale per raffreddamento	modello esp_decad (A7)	un raffreddamento con due processi (conduzione e convezione) non è descritto bene	A7
Gradini cercati su una sola serie	serie_riferimento (A4)	serie con gradini diversi richiedono due analisi	A4
Soglia dei gradini fissa	soglia_gradino_c in config (A5)	va adattata a gradini più piccoli o scarti più grandi	configurazione.md
Provato su pochi dati	3 seed di gen_data con la configurazione d'esempio	nessuna validazione su dati reali o su rumore molto diverso	test.md

Estensioni possibili (non presenti)

Estensione	Cosa servirebbe
Modello a due esponenziali per il raffreddamento	voce in modelli.MODELLI con 5 parametri, partenza su griglia a due \tau, ordinamento \tau_1 < \tau_2, nome nelle liste di modelli_per_tipo (moduli.md)
Modelli di transizione liscia (logistica) o polinomi superiori	stessa procedura; limitare il centro della logistica al dominio per evitare che degeneri in esponenziale
Fit congiunto con continuità tra domini	un unico problema ai minimi quadrati con penalità sul salto residuo ai confini
Fit del riscaldamento	richiede più campioni (sensore più lento o campionamento più fitto)
Scelta dei modelli guidata da un agente (Claude Code)	era nel progetto iniziale e è stata tolta: la regola automatica (algoritmi.md §6) basta per questi dati
Rumore colorato nel fit (minimi quadrati generalizzati)	modello AR(1) dei residui per correggere intervalli e pesi invece del solo fattore \sqrt{(1+\rho_1)/(1-\rho_1)}

Scelte progettuali già fatte

Scelta	Alternativa scartata	Motivo
Domini dai gradini di T_C	PELT + fusione per BIC	i regimi qui sono determinati dai gradini; PELT con costo quadratico spezzerebbe gli esponenziali lisci
Riscaldamento non fittato, descritto come salto	fit su 2–3 punti	parametri non identificabili
c e \tau fissati negli intermedi	\tau libero ovunque	\tau non identificabile con 12–25 campioni e scarti casuali
Partenza per griglia su \tau (proiezione delle variabili)	partenze casuali	deterministico e più robusto per \tau
Perdita robusta soft_l1	minimi quadrati	gli scarti casuali sono outlier
Output per CSV in sottocartelle numerate	cartella piatta	ogni passo è ispezionabile separatamente
Un modulo per responsabilità, CLI a due comandi	script per fase, pacchetti motore/ e uscita/	meno codice, nessuna duplicazione