Identification and control of non-linear dynamic systems using artificial intelligence-based methods

I compressori rappresentano un componente essenziale nei motori degli aerei, il loro design e funzionamento deve risultare altamente affidabile in quanto la sicurezza e le performance dei motori dipendono da questi. I compressori assiali presentano instabilità, come pompaggio e stallo rotante, intorno al massimo delle loro curve di rendimento, per questo storicamente si gestivano facendo lavorare il compressore lontano dalla curva di pompaggio. Funzionando in punti non ottimali si garantisce sia integrità strutturale che sicurezza ma si limita l’intervallo di portata d’aria utilizzabile all’interno del compressore. È di forte interesse riuscire ad aumentare l’intervallo di operabilità del compressore per migliorare le sue prestazioni, diventa quindi di cruciale importanza essere capaci di predire comportamenti instabili perché questi causano aumenti di temperatura e stress sulle pale, guasti da fatica e cali di efficienze. Un sistema dinamico riconosciuto per descrivere in modo ottimale, sia pompaggio che stallo rotante, è il modello di Moore-Greitzer, avente tre equazioni finali corrispondenti alle derivate delle tre variabili dipendenti del sistema: il coefficiente di portata ϕ, il coefficiente di carico ψ e l’ampiezza quadratica dello stallo rotante J. Oltre alle grandezze geometriche che identificano la struttura del sistema, il comportamento del compressore dipende dal parametro di Greitzer B e il guadagno della caratteristica esterna γ_T. In questo contesto, il lavoro di tesi mira a sviluppare una rete neurale in grado di predire i valori di B e γ_T, avendo come input gli andamenti delle variabili dipendenti in uno specifico intervallo di tempo. Inizialmente si è creato un database sul quale allenare la rete neurale risolvendo il sistema di Moore-Greitzer, utilizzando il metodo di Runge-Kutta del quarto ordine per una moltitudine di compressori, identificati da diversi valori di B e γ_T. In secondo luogo, sono state sviluppate due reti neurali attraverso un’attenta regolazione degli iperparametri. Una è stata allenata con un database avente il comportamento di tutte e tre le variabili nel tempo, mentre l’altra con solamente ϕ e ψ. Dal confronto di queste è emerso che la seconda rete neurale otteneva migliori risultati della prima, perciò, è stata scelta per ulteriori analisi. Infine, considerando che il database iniziale conteneva il comportamento del compressore durante un lungo periodo di tempo (due cicli di pompaggio), si è testato il modello con minori intervalli di tempo, fino ad avere database con solo il primo 5% dei dati iniziali. I risultati mostrano come, anche con solo l’inizio del comportamento del compressore, la rete neurale è capace di predire con accuratezza i valori di B e γ_T e pertanto come sia possibile, risolvendo il metodo di Runge-Kutta con i due valori stimati, determinare come evolverà il sistema, identificando in caso la presenza di un’instabilità.