Sviluppo e validazione di tecniche avanzate di modellazione della turbolenza tramite Machine Learning per applicazioni nel campo delle turbomacchine

Anno
2020
Proponente Francesco Aldo Tucci - Dottorando
Sottosettore ERC del proponente del progetto
PE6_7
Componenti gruppo di ricerca
Componente Categoria
Alessandro Corsini Tutor di riferimento
Abstract

Lo studio dei flussi turbolenti viene condotto attraverso la fluidodinamica computazionale (CFD). Questa trova largo impiego sia in ambito industriale che di ricerca, perché è in grado di produrre risultati affidabili in materia di design e ottimizzazione di un prodotto, testando velocemente un prototipo senza ricorrere a test in laboratorio. Questo processo richiede l¿utilizzo dei modelli di turbolenza che, basandosi su assunzioni di natura empirica, comportano forti limitazioni in presenza di zone di ricircolo o separazione comunemente presenti nelle turbomacchine. Trattandosi perciò di una modellazione di flussi reali, i risultati saranno tanto più accurati quanto più piccole saranno le approssimazioni. Pertanto, la modellazione dei flussi turbolenti richiede in un costante compromesso tra accuratezza e costi computazionali delle simulazioni numeriche, ma partendo dalla grande quantità di dati disponibili sulle prestazioni delle turbomacchine, con gli algoritmi di Machine Learning è possibile correggere e migliorare i modelli CFD senza aumentarne i costi di calcolo.
Il progetto di ricerca che si propone ha come obbiettivo lo sviluppo di un sistema di correzione data-driven per modellare gli effetti che rotazione scambio termico e gradienti di pressione sia avversi che favorevoli hanno sui flussi turbolenti, che vada oltre le limitazioni dell¿Approssimazione di Boussinesque, risultando quanto più accurato e generale possibile e svincolato da qualsiasi derivazione di natura empirica. Il modello ottenuto verrà implementato in OpenFoam, una libreria opensource in C++ per calcoli CFD, e utilizzato per ottenere una wall function adattiva, la correzione dei modelli standard (k-epsilon o k-omega) e un modello di turbolenza data-driven. Infine, una comparazione tra approcci standard CFD e i modelli data-driven consentirà di mettere in luce l¿effettiva capacità dei risultati ottenuti.

ERC
PE8_6, PE8_5, PE8_7
Keywords:
TURBOLENZA, APPRENDIMENTO AUTOMATICO, INGEGNERIA COMPUTAZIONALE, MACCHINE A FLUIDO, INTELLIGENZA ARTIFICIALE

© Università degli Studi di Roma "La Sapienza" - Piazzale Aldo Moro 5, 00185 Roma