Ricerc@Sapienza

La ricerca sarà focalizzata sullo sviluppo e la validazione di un modello di turbolenza innovativo di tipo Reynolds Averaged Navier Stokes (RANS) adatto a predire l¿effetto della rotazione e della anisotropia della turbolenza in presenza pareti multiple. Verrà applicato una strategia di `Machine Learning¿ utilizzando i risultati di accurate simulazioni LES e DNS condotte in flussi pertinenti alle problematiche di raffreddamento interno ed esterno di pale rotoriche di turbine a gas, anche in presenza di particelle solide disperse (metalli da erosione pale, ceneri e `soot¿ negli esausti della camera di combustione).
Il modello innovativo verrà sviluppato con l¿obiettivo di ridurre al minimo la quota di empiricismo intrinseco nella modellazione RANS. Si è scelto di partire da un approccio di tipo `elliptic-relaxation¿ sviluppato da Hanjalic et al. (k-eps-z-f), con l¿aggiunta di una correzione non lineare (cubica) in grado di tenere in conto l¿anisotropia della turbolenza e la curvatura delle linee di corrente e di una seconda correzione per sensitivizzare il modello all¿effetto della rotazione (cft. Art.n. 14).
Per calibrare e validare il modello assemblato si utilizzerà un `Multi Objective Evolutionary Algorithm¿ che, a partire dalle soluzioni istantanee delle simulazioni condotte, consenta di individuare la combinazione di coefficienti più appropriata per permettere al modello di restituire il risultato più accurato, segnatamente in prossimità della parete dove i fenomeni associati allo scambio termico e alla interazione delle particelle solide sono più rilevanti e più difficili da predire.
L¿ottimizzazione verrà condotta su applicazioni rotanti di interesse quali getti su superficie rigida curva, convezione forzata e getti inclinati liberi che riproducono rispettivamente le condizioni di `impinging, internal e film cooling¿.
Per perseguire gli scopi del progetto, tre esperti saranno coinvolti nel team di ricercatori della Sapienza.