Predizione di campi fluidodinamici mediante approcci basati sul machine learning = Fluid dynamic fields prediction using machine learning based approaches

In questo lavoro di tesi si propone di sfruttare le più recenti scoperte tecnologiche per effettuare una predizione del comportamento di flussi turbolenti. La Proper Orthogonal Decomposition permette di ottenere una decomposizione di un campo fluidodinamico come sovrapposizione di modi. Tale decomposizione viene fornita ad una rete neurale precedentemente addestrata a ricordare dipendenze a lungo termine denominata “Long Short-Term Memory” (LSTM), per predirre il comportamento del campo di moto in istanti di tempo successivi. Si andrà ad analizzare a fondo il comportamento delle reti neurali LSTM su campi relativamente semplici,al fine di evidenziarne le peculiarità e gli eventuali limiti. Lo scopo è ottenere una piena consapevolezza del comportamento di queste reti, in modo da ottenere una buona padronanza delle stesse ed utilizzarle in campi fluidodinamici più complessi. Tale conoscenza consente di predirre il comportamento di grandezze di interesse del campo (ad esempio la pressione), o anche per arricchiare migliorare la risoluzione temporale di misure sperimentali con frequenze di acquisizione limitate. Le potenzialità della tecnica aprono il campo a sviluppi futuri dove essa può essere implementata per studiare in maniera rapida il comportamento del campo di moto quando soggetto al controllo attivo, al fine di minimizzare il costo in termini di esperimenti e garantendo allo stesso tempo l’esplorazione di un ampio spazio parametrico.