Sviluppo e validazione di tecniche avanzate di modellazione della turbolenza tramite Machine Learning per applicazioni nel campo delle turbomacchine
Componente | Categoria |
---|---|
Alessandro Corsini | Tutor di riferimento |
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.