Models and nonlinear control strategies for blood glucose regulation in artificial pancreas [Modelli e strategie di controllo non lineare per la regolazione della glicemia nel pancreas artificiale]

Type 1 diabetes is an autoimmune disease in which the immune system accidentally attacks and destroys beta cells in the pancreas, limiting the organ's ability to produce insulin. An artificial pancreas is a technique that uses a pump to administer the right amount of insulin subcutaneously after analysing data collected by sensors, including continuous glucose monitoring. During the last three decades, numerous techniques for regulating an artificial pancreas have been explored in both clinical and simulated environments. This work utilises the modified Hovorka model, an extensive nonlinear model that illustrates the impact of insulin on the transportation, removal, and endogenous synthesis in both accessible and inaccessible compartments for the purpose of controlling blood glucose levels by insulin administration. Management of blood glucose levels in persons diagnosed with type 1 diabetes continues to be a difficult endeavor, requiring the creation of sophisticated control techniques for artificial pancreas systems. Linear and nonlinear control methods have been presented considering the modified Hovorka model for improving glucose management, emphasizing their distinct advantages, constraints, and suitability. Nonlinear controllers, including sliding mode control, sliding mode integral control and double integral control, and double integral fast terminal siding mode control have exceptional efficacy in regulating glucose dynamics, particularly when accounting for perturbations such as meal consumption. By using genetic algorithm based optimization, these controllers efficiently reduce the tracking errors and decrease settling times, surpassing conventional method such as proportional integral control. This study also explores linear model predictive control, which predicts future system states to accurately and efficiently control glucose levels. It utilizes quadratic programming involving MATLAB/Simulink integrated qpOASES block to draw states towards the target points. The results of a comparative analysis demonstrate that linear model predictive control is superior than nonlinear controllers in terms of its ability to efficiently reduce overshoot, undershoot, and steady state errors; nevertheless, difficulties may arise when hard constraints are applied. Moreover, the thesis examines the function of fractional order controllers including proportional integral, fractional order proportional integral, sliding mode control and fractional order sliding mode control by employing Bergman's minimum model. It demonstrates that non-integer-order controllers do not consistently surpass their integer-order counterparts, indicating the necessity for further investigation in the design of fractional order control approaches.

Il diabete di tipo 1 è una malattia autoimmune in cui il sistema immunitario attacca e distrugge accidentalmente le cellule beta nel pancreas, limitando la capacità dell'organo di produrre insulina. Un pancreas artificiale è una tecnica che utilizza una pompa per somministrare la giusta quantità di insulina per via sottocutanea dopo aver analizzato i dati raccolti dai sensori, incluso il monitoraggio continuo del glucosio. Negli ultimi tre decenni, numerose tecniche per la regolazione di un pancreas artificiale sono state esplorate sia in ambienti clinici che simulati. Questo lavoro utilizza il modello Hovorka modificato, un modello non lineare esteso che illustra l'impatto dell'insulina sul trasporto, la rimozione e la sintesi endogena in compartimenti accessibili e inaccessibili allo scopo di controllare i livelli di glucosio nel sangue mediante somministrazione di insulina. La gestione dei livelli di glucosio nel sangue nelle persone a cui è stato diagnosticato il diabete di tipo 1 continua a essere un'impresa difficile, che richiede la creazione di sofisticate tecniche di controllo per i sistemi di pancreas artificiale. Sono stati presentati metodi di controllo lineari e non lineari considerando il modello Hovorka modificato per migliorare la gestione del glucosio, sottolineandone i vantaggi, i vincoli e l'idoneità. I controllori non lineari, tra cui il controllo della modalità scorrevole, il controllo integrale della modalità scorrevole e il controllo integrale doppio, e il controllo della modalità di raccordo terminale veloce integrale doppio hanno un'efficacia eccezionale nella regolazione delle dinamiche del glucosio, in particolare quando si tiene conto di perturbazioni come il consumo di pasti. Utilizzando l'ottimizzazione basata su algoritmi genetici, questi controllori riducono in modo efficiente gli errori di tracciamento e diminuiscono i tempi di assestamento, superando il metodo convenzionale come il controllo integrale proporzionale. Questo studio esplora anche il controllo predittivo del modello lineare, che prevede gli stati futuri del sistema per controllare in modo accurato ed efficiente i livelli di glucosio. Utilizza la programmazione quadratica che coinvolge il blocco qpOASES integrato MATLAB/Simulink per disegnare gli stati verso i punti target. I risultati di un'analisi comparativa dimostrano che il controllo predittivo del modello lineare è superiore ai controllori non lineari in termini di capacità di ridurre in modo efficiente gli errori di overshoot, undershoot e stato stazionario; tuttavia, possono sorgere difficoltà quando vengono applicati vincoli rigidi. Inoltre, la tesi esamina la funzione dei controllori di ordine frazionario tra cui integrale proporzionale, integrale proporzionale di ordine frazionario, controllo della modalità scorrevole e controllo della modalità scorrevole di ordine frazionario utilizzando il modello minimo di Bergman. Dimostra che i controllori di ordine non intero non superano costantemente le loro controparti di ordine intero, indicando la necessità di ulteriori indagini nella progettazione di approcci di controllo di ordine frazionario.