Nello studio dei flussi interni nelle turbomacchine, la fluidodinamica computazionale (CFD) è universalmente utilizzata sia in fase di progetto che di verifica delle performance. Questo processo richiede modelli di turbolenza robusti e veloci basati su un approccio RANS, come il k-epsilon o il k-omega. Questi modelli basano il calcolo della viscosità turbolenta su assunzioni e parametri derivati sperimentalmente nel corso degli anni, comportando forti limitazioni in presenza di ricircolazioni o separazioni, comunemente presenti nelle turbomacchine. La tridimensionalità e non linearità di questi fenomeni rendono gli strumenti standard di regressione o di analisi statistica inadatte a indagare le relazioni che intercorrono tra I vari campi turbolenti. In questo campo eccellente invece la disciplina del machine learning, ed in particolare il deep learning, che riescono a ricostruire efficacemente relazioni non lineari sfruttando grosse basi dati.
In quest'ottica, la ricerca proposta si impone l'obiettivo di modellare I fenomeni turbolenti in flussi reali tramite metodologie direttamente derivate dal machine learning, ed in particolare tramite reti neurali al fine di realizzare un modello di turbolenza indipendente dalla chiusura di Boussinesque. Uno studio preliminare verrà condotto utilizzando reti neurali multi-layer con training supervisionato (ANN). Il modello ottenuto verrà implementato all'interno di OpenFoam, una libreria opensource in C++ per calcoli CFD, e verrà utilizzata per ottenere una wall function adattiva, una correzione per dei modelli standard e un modello di tubolenza data-driven. Una comparazione tra approcci standard CFD e i modelli ANN consentirà di mettere in luce l'effettiva capacità dei risultati ottenuti.
I fondi di avvio alla ricerca saranno utilizzati per promuovere un percorso di internazionalizzazione, sia attraverso missioni presso gruppi di ricerca esteri che la partecipazione a conferenze e workshop sulla tematica.
La ricerca proposta presenta un alto contenuto di innovatività; qui di seguito verranno analizzate le principali motivazioni.
Macrotematica trattata
L'argomento di studio, ovvero l'analisi e la predizione della turbolenza tramite machine learning, è oggetto di dibattito all'interno della comunità scientifica solo a partire dell'ultimo quinquennio. Ad oggi non sono ancora presenti riviste/conferenze completamente dedicate alla tematica. Pertanto le probabilità di effettuare avanzamenti rispetto allo stato dell¿arte sono particolarmente elevate.
Creazione della wall function adattiva
Effettuando un'analisi dei lavori pubblicati negli scorsi anni, tutti I gruppi di ricerca hanno concentrato la loro attenzione sulla correzione di modelli di turbolenza preesistenti. Praticamente nessun gruppo ha per ora proposto la modellazione di una wall function adattiva. I risultati di uno studio preliminare condotto dal proponente mostrano che sia possibile addestrare una rete neurale per creare una wall function robusta e generale. La legge di parete così creata presenta già una capacità predittiva migliore del k-epsilon standard quando applicata a geometrie semplici, ma il lavoro può essere ancora esteso aumentandone la robustezza e la generalità. Lo sviluppo del lavoro in questa direzione, eventualmente effettuando un training su casi reali, potrebbe condurre a avanzamenti maggiori nell'ambito della modellazione turbolenta nella fluidodinamica computazionale.
Correzione di un modello di turbolenza pre-esistente
Diversi gruppi di ricerca sono riusciti ad ottenere dei risultati incoraggianti nella correzione del comportamento vicino parete di modelli di turbolenza pre-esistenti. Tuttavia gli approcci presenti in letteratura implementano delle correzioni ad hoc, ovvero specificatamente progettate per la geometria in analisi. In questo modo i modelli ottenuti non sono generali e sono difficilmente replicabili all¿interno della CFD industriale. Uno studio preliminare sulle principali debolezze di questo approccio è già stato condotto, e le possibilità di miglioramento almeno rispetto alla generalità del modello ottenuto sono particolarmente alte.
Creazione di un modello di turbolenza data-driven
Tutti I lavori fino ad ora pubblicati hanno solamente corretto la parte anisotropa dei modelli già esistenti. Tuttavia, grazie alla vasta disponibilità di informazioni dettagliate sulla turbolenza, dovrebbe essere possibile realizzare una rete neurale multilayer in grado di funzionare per configurazioni semplici. Questo approccio non è presente in letteratura e consentirebbe un avanzamento maggiore dello stato dell'arte sulla tematica.