Applicazione di meta-modelli a supporto della simulazione CFD di rilasci incidentali in ambito Oil & Gas = Application of meta-models to support CFD simulation of incidental releases in the Oil & Gas context

Nel contesto dell’Oil & Gas, la necessità di salvaguardare l’ambiente e la salute umana da eventi incidentali catastrofici ha portato a definire requisiti più stringenti facenti parte delle normative preposte al controllo di sostanze infiammabili e tossiche. Per soddisfare tali requisiti ed evitare quindi che la successione di scenari incidentali siano fonte di rischio, è stata posta particolare attenzione ai metodi prevenzione e mitigazione delle conseguenze di scenari incidentali. Il presente lavoro si colloca, in particolare, all’interno dell’analisi delle conseguenze di rilasci incidentali da una tubazione in pressione presente su una piattaforma offshore di produzione di Gas Naturale. Lo studio dell’evoluzione fenomenologica del rilascio risulta necessario per predire la conseguente formazione di una nube infiammabile e viene effettuato sfruttando la fluidodinamica computazionale. In particolare, viene adottata una soluzione modellistica che mira a ridurre i tempi di calcolo per la simulazione incidentale del fenomeno, suddividendo lo studio del rilascio in due parti (Approccio 2 Steps) che seguono la successione fenomenologica dell’evento. La fase di “rilascio” viene analizzata all’interno di un definito dominio fisico denominato “Source Box” e i risultati di questo studio vengono in seguito inseriti come output per la successiva fase di “dispersione”. A causa della difficoltà di riprodurre il fenomeno del rilascio al variare delle condizioni di rilascio, è stato sviluppato un modello a reti neurali in grado di fornire una libreria di source che riproducano il fenomeno considerando tutte le diverse combinazioni possibili dei parametri in gioco. Il modello a reti neurali, tramite sistemi di input-elaborazione-output, è in grado di predire il fenomeno di rilascio tramite un processo di apprendimento nel quale gli viene fornito un training set scelto all’interno della dimensione dei parametri in input che si vuole variare. Per verificare l’accuratezza del modello, vengono confrontati i risultati che il modello è in grado di estrapolare sulla base del set di addestramento e le simulazioni CFD che riproducono il fenomeno nelle stesse condizioni. Il risultato raggiunto mostra che la scelta di un modello a reti neurali può rappresentare una valida strategia per ridurre le simulazioni CFD di rilascio da implementare poiché riesce, tramite un opportuno trainig set, a predire il fenomeno con buona approssimazione rispetto ad i risultati ottenuti dalle simulazioni computazionali. Questo approccio permette di ridurre i tempi computazionali previsti dall’analisi numerica che verrebbe altrimenti impiegata per l’implementazione di tutte le casistiche necessarie per valutare la fase di rilascio. Il lavoro è stato finanziato dal Ministero dello Sviluppo Economico (MISE) ed è stato sviluppato presso il laboratorio SEADOG (Safety & Environmental Analysis Division for Oil & Gas) del Politecnico di Torino.