Optimization of a Flush Air Data System Based on Neural Network

L'intelligenza artificiale (IA) è una frontiera innovativa che sta trasformando il settore aeronautico, offrendo soluzioni avanzate a sfide sempre più complesse, sia in termini di efficienza operativa che per quanto riguarda la sicurezza e la gestione dei rischi. L'integrazione di algoritmi intelligenti consente un miglioramento significativo nelle prestazioni e nell'analisi dei dati, con una conseguente riduzione dei costi e un aumento della sostenibilità ambientale. In questo contesto, il soft computing, con tecniche come le reti neurali e gli algoritmi genetici, fornisce approcci più flessibili e adattativi, capaci di gestire grandi volumi di dati, promuovendo innovazione e crescita in un settore in costante evoluzione. Questo lavoro di tesi è stato elaborato nell'ambito di un progetto di ricerca condotto presso l'azienda Leonardo, in collaborazione con il Dipartimento di Ingegneria Meccanica e Aerospaziale (DIMEAS) del Politecnico di Torino. L'obiettivo principale è stato quello di ottimizzare un approccio sviluppato per la determinazione, tramite una rete neurale, dei dati aria (AoA, AoS, numero di Mach di volo e pressione statica) di un velivolo di cui non è concesso fornire informazioni, a partire da misure locali di pressione ottenute mediante l'utilizzo di sensori “flush” (FADS) posizionati sulla superficie esterna dello stesso. Nella parte iniziale dell'elaborato viene fornita una breve introduzione teorica e una panoramica del caso di studio in oggetto. Segue uno studio di sensitività sulle prese di pressione per identificare quali risultano essere ottimali per la determinazioni dei dati aria, in termini di angolo di attacco, angolo di sideslip e numero di Mach. Si presenta quindi un approccio per il calcolo della pressione statica a partire dai valori di pressione locale letti dalle prese. Nella parte successiva si mostra uno studio focalizzato sui parametri di addestramento della rete neurale. In questo contesto si utilizza sia un approccio statistico, tramite uno studio di correlazione, che un algoritmo genetico per la ricerca dei parametri ottimali. Segue quindi l'addestramento della rete neurale in grado di predire i dati aria, avendo come input la lettura dei valori di pressione locale su ogni presa. La parte finale dell'elaborato è infine dedicata a una ricerca sulle tecniche di FDIA (Fault Detection, Identification and Accommodation), ovvero il processo utilizzato per l'identificazione e la successiva gestione di eventuali guasti o malfunzionamenti di una o più prese.