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.
Il progetto di ricerca proposto presenta un alto contenuto di innovatività data dallo sviluppo di strategie machine-learnt per lo studio dei flussi turbolenti tipici delle turbomacchine; di seguito saranno analizzate le principali motivazioni.
Negli ultimi anni strumenti e tecniche data-driven hanno dimostrato la loro efficacia in molte applicazioni e il Machine Learning è diventato gradualmente un paradigma per approcciarsi a nuovi progetti innovativi. Tuttavia, gli esperti di fluidodinamica computazionale industriale (CFD) sono ancora riluttanti a far propri approcci simili nella pratica standard e finora sono state proposte pochissime soluzioni. Infatti, l¿analisi e la predizione della turbolenza tramite machine learning, è oggetto di dibattito all¿interno della comunità scientifica solo a partire dell¿ultimo quinquennio. Ad oggi non sono ancora presenti riviste o conferenze completamente dedicate a questa tematica. Pertanto, le probabilità di effettuare avanzamenti rispetto allo stato dell¿arte sono particolarmente elevate.
Tutti i lavori fino ad ora pubblicati hanno solamente corretto la parte anisotropa dei modelli già esistenti. Tuttavia, grazie alla costante crescite della disponibilità di informazioni dettagliate sulle prestazioni delle turbomacchine, è possibile realizzare una rete neurale multilayer perceptron in grado di funzionare per configurazioni semplici. Questo approccio non è presente in letteratura e consentirebbe un avanzamento maggiore dello stato dell¿arte sulla tematica.
Inoltre, uno dei punti chiave del progetto è la definizione di un adeguato trattamento del fluido a parete. Molti lavori sottolineano che una risoluzione insufficiente degli strati limite può portare a previsioni errate delle prestazioni della turbomacchina e in tutti questi casi i gruppi di ricerca hanno concentrato la loro attenzione sulla correzione dei modelli di turbolenza preesistenti. Praticamente nessun gruppo ha per ora proposto la modellazione di una wall function adattiva.
Le wall function sono universalmente impiegate per replicare la fisica all¿interno dello strato limite dove la risoluzione della griglia non è sufficiente. Le wall function più comuni derivavano dall'osservazione di alcuni flussi canonici, ma sono frequentemente applicate in flussi in cui le ipotesi di base cessano di essere vere, come ad esempio i passaggi rotanti. In questi casi, le formulazioni matematiche delle wall function non tengono conto della distorsione sullo strato limite dovuta all'azione combinata delle forze centrifughe e di Coriolis.
Uno studio preliminare condotto dal proponente illustra come sia possibile addestrare una rete neurale per creare una wall function robusta e generale, che presenta già una capacità predittiva migliore dei modelli standard quando applicata su geometrie semplici, ma il lavoro può essere ancora migliorato aumentandone la robustezza e la generalità. Lo sviluppo del lavoro in questa direzione potrebbe condurre ad avanzamenti maggiori nell¿ambito della modellazione turbolenta nella fluidodinamica computazionale.