Applicazione di algoritmi di machine learning per l’ottimizzazione della geometria di un foro di refrigerazione in ambito turbogas = Application of machine learning algorithms for the optimization of the geometry of a cooling hole in the turbogas field.

Oggigiorno, nell’industria aeronautica, la continua richiesta di massimizzare le performance dei motori e di diminuire il consumo di carburante ha spinto i progettisti ad indagare metodi per poter spingere al massimo le temperature di esercizio in entrata alla turbina di alta pressione. È noto che il rendimento termico e la potenza erogata da un motore a turbina a gas dipendano dalla temperatura all'ingresso della turbina. Idealmente, il motore a turbina a gas deve funzionare a temperature di ingresso della turbina elevate per raggiungere un'elevata potenza ed efficienza termica. Sfortunatamente, in realtà, la temperatura di ingresso della turbina consentita è limitata dalla sopravvivenza strutturale dei suoi componenti. Un efficace sistema di raffreddamento, quale il raffreddamento a film, risulta dunque essenziale poiché assicura che le componenti esposte a questi gas operino a livelli di temperatura ottimali, aiutando a preservare l’integrità strutturale e garantendo così l'efficienza complessiva del motore. Una miglior efficacia di raffreddamento, a parità di condizioni al contorno, consentirebbe un aumento della temperatura di ingresso alla turbina di alta pressione e di conseguenza un miglioramento dell’efficienza e della potenza di quest’ultima e quindi dell’intero motore. Un approccio per migliorare le prestazioni di raffreddamento consiste nel modificare la geometria dei fori di refrigerazione del sistema di raffreddamento a film, al fine di migliorare la distribuzione del refrigerante sulla superficie. Il seguente lavoro di tesi si è focalizzato sulla ricerca e l’individuazione della geometria ottimale di un foro di refrigerazione, per specifiche condizioni al contorno, al fine di massimizzare l’efficacia di raffreddamento, ovvero il parametro che quantifica le performance del sistema di cooling. L’ottimizzazione è stata condotta attraverso un approccio che ha combinato la capacità predittiva dei modelli di apprendimento automatico e la precisione delle simulazioni CFD. I modelli sono stati opportunamente addestrati al fine di consentire l’analisi di numerose geometrie e di individuare soluzioni promettenti, le quali sono state successivamente sottoposte a simulazioni CFD per verificare la bontà dei risultati ottenuti dagli algoritmi di apprendimento automatico. Tale processo ha permesso di identificare la geometria che, tra le possibili soluzioni ottimali, massimizza l’efficacia di raffreddamento. Infine, la geometria selezionata è stata caratterizzata tramite simulazioni CFD al variare delle condizioni operative. L'approccio ibrido utilizzato in questa attività consente di eseguire ottimizzazioni più rapide rispetto i metodi di ottimizzazione numerica comunemente in uso.