Metodi di apprendimento automatico per la predizione di flussi compressibili in componenti aerospaziali = Machine Learning methods for the prediction of compressible flows in aerospace components

I modelli di ordine ridotto sono sempre più riconosciuti come strumenti fondamentali per abilitare applicazioni della Computational Fluid Dynamics (CFD) in tempo reale, in particolare se affiancati a strategie basate sul Machine Learning in configurazioni a geometria fissa. Il loro costo computazionale ridotto li rende estremamente attrattivi per compiti di progettazione e ottimizzazione, specialmente in spazi parametrici ad alta dimensionalità. Inoltre, ROMs stanno diventando strumenti fondamentali per accelerare le simulazioni ad alta fedeltà, fornendo condizioni iniziali efficaci e abilitando processi di ottimizzazione di forma in contesti industriali. La presente tesi si concentra sullo sviluppo e sull’applicazione di un algoritmo di interpolazione non-lineare basato sulla Convex Displacement Interpolation (CDI), che consente di stimare soluzioni intermedie del campo di moto sfruttando sensori basati sulla fisica del problema, progettati per identificare strutture coerenti nel campo di flusso, come ad esempio i sensori di onda d’urto. A differenza dei metodi lineari come la Proper Orthogonal Decomposition (POD), incapaci di catturare fenomeni di advezione delle strutture di flusso, gli approcci non-lineari superano questa limitazione introducendo un mapping che tiene conto di tali movimenti. In particolare, la CDI introduce una mappatura di deformazione in grado di tracciare lo spostamento delle principali strutture fluide (es. urti, fasci d’espansione o vortici) nello spazio dei parametri, fornendo così predizioni più accurate e fisicamente coerenti. Un aspetto chiave di questo lavoro è l’impiego di sensori che tengono conto della fisica del problema, parte integrante dell’algoritmo CDI. Questi sensori sono progettati per identificare e tracciare le strutture coerenti del flusso nello spazio delle soluzioni, analizzando i gradienti delle grandezze conservative. Per garantire l’affidabilità e l’accuratezza dei sensori, è stata condotta un’analisi dell’errore per ciascun sensore su tutti i casi test esaminati. Successivamente, è stato costruito un dataset mediante una serie di simulazioni RANS eseguite con un solver CFD sviluppato internamente, in linguaggio Fortran90, su diversi casi studio: una presa d’aria subsonica di un TurboFan e una presa supersonica a doppia rampa. L’algoritmo di interpolazione non-lineare è stato quindi implementato attraverso un codice numerico proprietario. La procedura di interpolazione inizia con l’estrazione delle strutture coerenti mediante i sensori e tali sensori generano delle nuvole di punti (point clouds) per ogni snapshot di soluzione. Un algoritmo di registrazione allinea i point clouds all’interno del dataset, garantendo la definizione di mapping bidirezionali tra i diversi parametri. Questi mapping vengono utilizzati per interpolare in maniera non-lineare sia le strutture coerenti sia i campi di moto associati. La tecnica si distingue per la sua natura non-intrusiva, in quanto non richiede l’accesso diretto alle equazioni di governo, pur preservando elevati livelli di fedeltà fisica. I risultati di questo lavoro dimostrano la capacità dell’approccio di generare predizioni accurate del campo di moto in un ampio intervallo di condizioni. Ciò rappresenta un passo significativo verso le potenzialità della CFD in tempo reale