Applicazione di tecniche di Machine Learning all'ottimizzazione fluidodinamica in campo missilistico = Application of Machine Learning techniques to fluid dynamics optimization in the missile field

Con l’evolversi della tecnologia si è modificato anche lo scenario in cui essa è applicata, ormai la troviamo in ogni azione quotidiana spesso senza neanche rendercene conto. Questa evoluzione ha portato delle migliorie dal punto di vista aziendale che ha permesso di essere sempre più competitivi all’interno del mercato attuale. Con questa asserzione si è cercato di sfruttare la tecnologia del Deep Learning e in particolare delle reti neurali, per aggiornare un algoritmo aziendale nel calcolo di parametri semi-empirici riferiti al campo missilistico. Le reti neurali ormai sono una tecnologia affermata ormai da anni che dimostrato la sua validità nei campi più disparati. Si è scelto di dividere il problema in più step, sia per facilitarne il lavoro causa del fatto che tutti i parametri sono interconnessi fra loro, sia per verificare i risultati di volta in volta dei vari addestramenti, andando a migliorare quando necessario il codice modificando gli iper-parametri. Il primo check consisteva nel calcolo di un pacchetto di funzioni aeronautiche e strutturali. Con i risultati promettenti ottenuti si è passati ad eliminare tutte le configurazioni missilistiche non di interesse per questo lavoro di tesi. L’ultimo step è la risoluzione del pacchetto di tutti i parametri aero-meccanici. Per far ciò si è sfruttato un dataset fornito dall’ azienda contenente un numero prestabilito di configurazioni missilistiche. In seguito, grazie all’utilizzo del tool di Matlab per lo sviluppo e l’addestramento di tale tecnologia, si è giunti a risultati molto promettenti che, se l’azienda lo riterrà opportuno, potranno permettere la sostituzione del vecchio algoritmo con reti neurali più veloci, robuste ed ugualmente precise.