pulizia

fit_raffreddamento_1tratto.py

@@ -7,10 +7,11 @@ from scipy.optimize import curve_fit
 df = pd.read_csv("data.csv")
 df["time_s"] = df["time since start [ms]"] / 1000.0
 
-T_INF = 22.99   # temperatura ambiente media ponderata [°C]
-T0    = 117.5   # inizio finestra di fit [s]
+T_INF  = 22.99  # temperatura ambiente media ponderata [°C]
+T0     = 115.0  # inizio finestra di fit [s]
+T_END  = 115.9  # fine finestra di fit [s]
 
-mask = df["time_s"] >= T0
+mask = (df["time_s"] >= T0) & (df["time_s"] <= T_END)
 t_fit = df.loc[mask, "time_s"].values
 T_fit = df.loc[mask, "temp_obj IR [C]"].values
 
@@ -18,8 +19,7 @@ T_fit = df.loc[mask, "temp_obj IR [C]"].values
 def modello(t, A, tau):
     return T_INF + A * np.exp(-(t - T0) / tau)
 
-# Stima iniziale: A dal primo punto, tau arbitrario
-A0  = T_fit[0] - T_INF
+A0   = T_fit[0] - T_INF
 tau0 = 20.0
 
 popt, pcov = curve_fit(
@@ -31,37 +31,35 @@ popt, pcov = curve_fit(
 A_fit, tau_fit = popt
 
 # --- R² ---
-T_pred   = modello(t_fit, *popt)
-ss_res   = np.sum((T_fit - T_pred) ** 2)
-ss_tot   = np.sum((T_fit - T_fit.mean()) ** 2)
-r2       = 1 - ss_res / ss_tot
+T_pred = modello(t_fit, *popt)
+ss_res = np.sum((T_fit - T_pred) ** 2)
+ss_tot = np.sum((T_fit - T_fit.mean()) ** 2)
+r2     = 1 - ss_res / ss_tot
 
 print(f"A   = {A_fit:.4f} °C")
 print(f"tau = {tau_fit:.4f} s")
 print(f"R²  = {r2:.6f}")
 
 # --- Curva continua per il plot ---
-t_curve = np.linspace(T0, df["time_s"].max(), 500)
+t_curve = np.linspace(T0, T_END, 500)
 T_curve = modello(t_curve, *popt)
 
 # --- Plot ---
 fig, ax = plt.subplots(figsize=(12, 5))
 
-df_plot = df[df["time_s"] >= 115]
+df_plot = df[(df["time_s"] >= T0) & (df["time_s"] <= T_END)]
 ax.plot(df_plot["time_s"], df_plot["temp_obj IR [C]"],
         color="steelblue", linewidth=0.8, label="Dati raw (temp_obj)")
 ax.plot(t_curve, T_curve,
         color="tomato", linewidth=2, linestyle="--",
         label=f"Fit: $T_{{\\infty}}$ + {A_fit:.2f}·exp(-(t-{T0})/{tau_fit:.1f})")
-ax.axvline(T0, color="gray", linewidth=0.8, linestyle=":")
-ax.text(T0 + 0.5, ax.get_ylim()[0], f"t₀ = {T0} s", color="gray", fontsize=8, va="bottom")
 
 ax.set_xlabel("Tempo [s]")
 ax.set_ylabel("Temperatura [°C]")
-ax.set_title(f"Fit raffreddamento esponenziale  |  R² = {r2:.4f}")
+ax.set_title(f"Fit 1° tratto [{T0}–{T_END} s]  |  R² = {r2:.4f}")
 ax.legend()
 ax.grid(True, alpha=0.3)
 
 plt.tight_layout()
-plt.savefig("fit_raffreddamento.png", dpi=150, bbox_inches="tight")
+plt.savefig("fit_raffreddamento_1tratto.png", dpi=150, bbox_inches="tight")
 plt.show()

fit_raffreddamento_pesi.py

@@ -1,80 +0,0 @@
-import pandas as pd
-import numpy as np
-import matplotlib.pyplot as plt
-from scipy.optimize import curve_fit
-
-# --- Dati ---
-df = pd.read_csv("data.csv")
-df["time_s"] = df["time since start [ms]"] / 1000.0
-
-T_INF   = 22.99  # temperatura ambiente media ponderata [°C]
-T_START = 115.0  # inizio finestra di fit [s]
-T0      = T_START  # t0 coincide con il primo punto
-W_ZERO_START = 115.9
-W_ZERO_END   = 117.2
-
-mask = df["time_s"] >= T_START
-t_fit = df.loc[mask, "time_s"].values
-T_fit = df.loc[mask, "temp_obj IR [C]"].values
-
-# Pesi espliciti: w=0 nell'intervallo escluso, w=1 altrove
-# curve_fit usa sigma come deviazione standard -> sigma grande = peso nullo
-sigma = np.where(
-    (t_fit >= W_ZERO_START) & (t_fit <= W_ZERO_END),
-    1e10,   # peso ~ 0
-    1.0     # peso pieno
-)
-
-# --- Modello con A e tau liberi (ottimizza R²) ---
-def modello(t, A, tau):
-    return T_INF + A * np.exp(-(t - T0) / tau)
-
-A0   = T_fit[0] - T_INF
-tau0 = 20.0
-
-popt, pcov = curve_fit(
-    modello, t_fit, T_fit,
-    p0=[A0, tau0],
-    sigma=sigma,
-    absolute_sigma=True,
-    method="trf",
-    bounds=([0, 0.1], [np.inf, np.inf])
-)
-A_fit, tau_fit = popt
-perr = np.sqrt(np.diag(pcov))
-
-# --- R² (solo sui punti con peso pieno) ---
-mask_w = (t_fit < W_ZERO_START) | (t_fit > W_ZERO_END)
-T_pred_w = modello(t_fit[mask_w], *popt)
-ss_res = np.sum((T_fit[mask_w] - T_pred_w) ** 2)
-ss_tot = np.sum((T_fit[mask_w] - T_fit[mask_w].mean()) ** 2)
-r2 = 1 - ss_res / ss_tot
-
-print(f"A   = {A_fit:.4f} ± {perr[0]:.4f} °C")
-print(f"tau = {tau_fit:.4f} ± {perr[1]:.4f} s")
-print(f"R²  = {r2:.6f}  (calcolato sui punti con peso pieno)")
-
-# --- Curva continua ---
-t_curve = np.linspace(T_START, df["time_s"].max(), 500)
-T_curve = modello(t_curve, *popt)
-
-# --- Plot ---
-fig, ax = plt.subplots(figsize=(12, 5))
-
-ax.plot(t_fit, T_fit,
-        color="steelblue", linewidth=0.8, label="Dati raw (temp_obj)")
-ax.axvspan(W_ZERO_START, W_ZERO_END,
-           color="orange", alpha=0.25, label=f"Zona esclusa [{W_ZERO_START}–{W_ZERO_END} s]")
-ax.plot(t_curve, T_curve,
-        color="tomato", linewidth=2, linestyle="--",
-        label=f"Fit: $T_{{\\infty}}$ + {A_fit:.2f}·exp(-(t-{T0})/{tau_fit:.2f})")
-
-ax.set_xlabel("Tempo [s]")
-ax.set_ylabel("Temperatura [°C]")
-ax.set_title(f"Fit con pesi espliciti (w=0 in [{W_ZERO_START}–{W_ZERO_END} s])  |  R² = {r2:.4f}")
-ax.legend()
-ax.grid(True, alpha=0.3)
-
-plt.tight_layout()
-plt.savefig("fit_raffreddamento_pesi.png", dpi=150, bbox_inches="tight")
-plt.show()

report.md

@@ -73,6 +73,37 @@ $$T(t) = 22.99 + 185.18 \cdot e^{-\frac{t - 115.0}{16.27}} \quad [°C]$$
 
 ---
 
+### 2.2 Raffreddamento 1° tratto
+
+Fit sul primo sotto-tratto di raffreddamento **[115.0, 115.9 s]**, la finestra precedente alla zona di transizione. Pesi uniformi (w = 1 su tutti i punti). Parametri liberi: $A$, $\tau$.
+
+**Finestra:** t₀ = 115.0 s → 115.9 s.
+
+#### Parametri stimati
+
+| Parametro | Descrizione | Valore |
+|---|---|---|
+| $A$ | Sovratemperatura iniziale | **194.51 °C** |
+| $\tau$ | Costante di tempo | **13.17 s** |
+
+#### Curva stimata
+
+$$T(t) = 22.99 + 194.51 \cdot e^{-\frac{t - 115.0}{13.17}} \quad [°C]$$
+
+#### Bontà del fit
+
+| Metrica | Valore |
+|---|---|
+| $R^2$ | **0.9998** |
+
+#### Grafico
+
+![Fit 1° tratto](fit_raffreddamento_1tratto.png)
+
+*Dati raw `temp_obj IR [C]` (blu) e curva di fit (rosso tratteggiato) nella finestra [115.0–115.9 s].*
+
+---
+
 ### 2.3 Raffreddamento 2° tratto
 
 Fit sul solo tratto di raffreddamento stazionario, a partire dall'istante in cui la scatola ha completato l'uscita dal forno. In questa finestra i dati seguono il modello esponenziale senza discontinuità, quindi non sono necessari pesi espliciti.