Ricerc@Sapienza

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.