Tecniche data-driven per la predizione del campo di pressione per la ricostruzione dei dati aria = Data-driven techniques for the prediction of pressure field for the reconstruction of air data

Le sfide sempre più stringenti sia dal punto di vista aerodinamico che per quanto riguarda l’aspetto legato ad una maggiore sostenibilità ambientale, prevedono la necessaria comparsa di strumenti alternativi per riuscire a soddisfare le maggiormente vincolanti richieste da parte del mercato e della società. Negli ultimi anni continuano a prendere una posizione via via più radicata concetti innovativi basati sull’intelligenza artificiale e su tecniche di soft-computing. Il presente lavoro di tesi è stato sviluppato nell’ambito di un’attività di ricerca condotta presso l’azienda Leonardo, in collaborazione con il Dipartimento di Ingegneria Meccanica e Aerospaziale (DIMEAS) del Politecnico di Torino, e ha lo scopo di sviluppare un approccio per riuscire a determinare, attraverso l’utilizzo di misure locali di pressione statica fatte mediante sensori “flush” sulla superficie esterna del velivolo, i dati aria dello stesso, in particolare: l’angolo di incidenza α, l’angolo di derapata β, il numero di Mach di volo e, per la misura della quota barometrica, la pressione statica. Tutto questo a partire da una serie di dati forniti dall’azienda di interesse che sono frutto di analisi numeriche condotte su un velivolo di cui non è concesso fornire informazioni. Inizialmente si daranno alcune informazioni a livello teorico sia sui sistemi dati aria attualmente utilizzati, che alcune definizioni che riguardano i sempre più attuali concetti di virtual sensors e di come questi inizino a prendere parte in molti ambiti legati all’ingegneria e non solo. Si fornisce in seguito una descrizione teorica generale sulle reti neurali e sul loro funzionamento, andando a concentrarsi principalmente sulle reti neurali a base radiale (RBF-NN). Nella prima parte della tesi viene analizzato un primo caso (test case 0) in preparazione a quello di interesse aziendale. E stata pertanto realizzata una rete neurale in grado di predire i dati aria (α, β e numero di Mach di volo) utilizzando un dataset creato da analisi numeriche e limitato rispetto al caso reale. Avendo a disposizione un elevato numero di possibili prese di pressione, si è eseguito uno studio di sensitività su queste, andando ad identificare quelle che meglio riuscissero ad individuare una variazione dei dati aria. Nella seconda parte dell’elaborato si tratta un caso reale andando inizialmente ad ampliare il dataset fornito in modo da renderlo più denso in preparazione all’applicazione della rete neurale. Come per il test-case 0, si esegue uno studio di sensitività e si vanno a definire quattro diverse architetture di reti neurali sempre aventi come obiettivo la ricostruzione dei dati aria avendo come input la lettura dei valori di pressione locali su ogni singola presa. Si effettua poi un'analisi di Montecarlo, e si confronta la robustezza delle diverse reti neurali a diverse condizioni di incertezza di lettura sul dato di pressione. Infine, con l’obiettivo di riuscire ad identificare eventuali malfunzionamenti di una o più prese ed anche di ottenere risultati migliori in condizioni di failure, si sviluppa una rete neurale chiamata DIO-NN (Dimensionless Input and Output Neural Network) e la si confronta con le reti neurali precedentemente sviluppate.