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.
La ricerca proposta ha un notevole grado di innovatività, in quanto ha l¿ambizione di coniugare i risultati ottenuti in diversi settori, culturalmente diversi tra di loro, per lo sviluppo di un approccio sicuramente originale finalizzato allo studio della problematica industriale del raffreddamento palare in rotori di turbine assiali.
Ad oggi nella letteratura non esiste ancora evidenza di modelli URANS accurati per la soluzione di scambio termico in flussi multifase rotanti, sia in termini di predizione della variazione delle temperature superficiali che degli effetti dell¿impatto delle particelle (deposito e risospensione) sulla vita residua del componente.
Dalla analisi svolta si è visto che, anche laddove si sia provato a sviluppare modelli basati su approcci di tipo `machine learning¿, come proposto in questa ricerca, tali approcci sono stati applicati su singole configurazioni (getti o flussi interni) e/o su problematiche di flusso più semplificate (senza tenere in conto rotazione, deviazione delle linee di corrente, anisotropia della turbolenza, ecc.).
Per poter meglio caratterizzare il modello rispetto alle diverse condizioni di flusso, diversi studi LES o DNS verranno condotti (o ne saranno acquisiti i risultati) in configurazioni riguardanti scambio termico coniugato su pareti lambite da flussi multifase secondo le modalità tipo `impinging jet¿, scambio termico convettivo e `film cooling¿. La ragione dietro la scelta di espletare un gran numero di simulazioni è legata al fatto che si vorrà ricercare non solo l¿ottimizzazione dei coefficienti, ma soprattutto verificare, nel corso dello sviluppo del modello l¿influenza di diversi parametri di flusso (temperature, velocità del flusso, velocità di corpo rigido) e dei loro numeri adimensionali (Reynolds, Nusselt, Rotation number) al fine di estrarre una sorta di `correlazione numerica¿ basata però su studi di carattere generale e con accuratezza garantita dall¿uso di approcci LES o DNS.
Infine l¿implementazione dei modelli sviluppati in codici caratterizzati da schemi numerici accurati e ottimizzati rispetto al calcolo parallelo, consentirà di sviluppare uno strumento di predizione sicuramente più affidabile rispetto ai tradizionali modelli URANS attualmente disponibili e a costi computazionali assolutamente ridotti rispetto all¿onere richiesto dai calcoli LES o DNS sulla base dei quali l¿algoritmo di ottimizzazione è stato sviluppato.