Ottimizzazione di soluzioni di cooling mediante tecniche di Machine Learning e simulazioni CHT = Optimization of cooling solutions through Machine-Learning methodologies and Conjugate Heat Transfer (CHT) simulations.

La tesi sviluppa un percorso metodologico integrato per l’ottimizzazione dei canali di raffreddamento interni di una paletta di turbina ad alta pressione, assumendo come riferimento il profilo NASA C3X. Il lavoro prende avvio dalla costruzione e validazione di un modello CFD in Conjugate Heat Transfer, accuratamente confrontato con dati di letteratura lungo più stazioni di apertura. L’adozione di una formulazione turbolenta di transizione, insieme alla definizione coerente della scala di lunghezza turbolenta e della rugosità di parete, innalza la fedeltà del campo termo-aerodinamico previsto rispetto agli approcci standard. La fase successiva amplia lo spazio progettuale mediante un Design of Experiments che varia in modo sistematico posizione e diametro dei fori di raffreddamento nel rispetto di vincoli fluidodinamici e strutturali, generando un insieme di configurazioni fisicamente consistenti. Su questo corpus si addestra un modello surrogato basato su reti neurali profonde, capace di stimare indicatori termici rappresentativi al mid-span, che a sua volta guida un ottimizzatore evolutivo nell’individuazione di layout con distribuzione di temperatura più favorevole e costo computazionale contenuto. Il contributo scientifico risiede nella dimostrazione, su un benchmark realistico, della maturità di una catena che unisce validazione CHT, esplorazione sperimentale del design, modellazione surrogata e ricerca globale, fornendo una base riproducibile per estensioni multi-obiettivo e per l’integrazione di vincoli termo-strutturali più stringenti.