polito.it
Politecnico di Torino (logo)

Simulazioni CFD e Machine Learning sull’impatto della struttura dei tessuti sulla loro permeabilità all’aria = CFD simulations and Machine Learning on the impact of fabric structure on air permeability

Marco Liprandi

Simulazioni CFD e Machine Learning sull’impatto della struttura dei tessuti sulla loro permeabilità all’aria = CFD simulations and Machine Learning on the impact of fabric structure on air permeability.

Rel. Gianluca Boccardo, Ada Ferri, Eleonora Bianca. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Chimica E Dei Processi Sostenibili, 2025

[img] PDF (Tesi_di_laurea) - Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives.

Download (10MB)
Abstract:

Il mercato dei tessuti è in continua crescita, sia per quanto riguarda i tessuti convenzionali che per i tessuti tecnici e la permeabilità dei tessuti all’aria risulta di primaria importanza in diverse applicazioni tecniche. L’approccio basato su fluidodinamica computazionale (CFD) permette di valutare la permeabilità già in fase di progetto, diminuendo i costi economici derivanti dalle prove sperimentali, mentre un modello surrogato basato su machine learning puo’ ridurre il costo computazionale rispetto all’approccio CFD, permettendo operazioni di esplorazione ed ottimizzazione di diversi set di parametri. In quest’ottica l’obiettivo di questo lavoro di tesi è stata la creazione di un modello basato sul machine learning, utilizzando una rete neurale fully connected, per lo studio della permeabilità all’aria dei tessuti intrecciati, analizzati tramite CFD (usata per la creazione del dataset) al variare di alcuni parametri di design fondamentali come armatura e fabric count. Utilizzando il software CFD open source OpenFOAM si è valutata la permeabilità dei tessuti all’aria in modo da creare un dataset robusto e validato su dati sperimentali presenti in letteratura. I tessuti sono stati modellati come mezzi porosi trascurando, con scelte supportate dalla letteratura, la micro-permeabilità dei fili per i campioni analizzati. Le geometrie analizzate sono state generate tramite il software TexGen a partire da parametri geometrici presenti in letteratura, e le geometrie virtuali generate sono state validate tramite la variazione di un parametro geometrico di fitting, il reduction factor, in modo da minimizzare l’errore tra i risultati delle simulazioni CFD e quelli sperimentali. I risultati presentano l’individuazione del parametro di fitting per ogni geometria e armatura studiate. Questa metodologia ha consentito la generazione di un dataset utilizzato per l’allenamento di una rete neurale capace di prevedere i valori di permeabilità a partire da combinazioni inesplorate dei parametri di design del tessuto.

Relatori: Gianluca Boccardo, Ada Ferri, Eleonora Bianca
Anno accademico: 2025/26
Tipo di pubblicazione: Elettronica
Numero di pagine: 110
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Chimica E Dei Processi Sostenibili
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-22 - INGEGNERIA CHIMICA
Aziende collaboratrici: NON SPECIFICATO
URI: http://webthesis.biblio.polito.it/id/eprint/37037
Modifica (riservato agli operatori) Modifica (riservato agli operatori)