Deep Learning e CFD: sviluppo di modelli per la previsione della visibilità in scenari d’incendio in galleria = Deep Learning and CFD: model development for predicting visibility in tunnel fire scenarios

L’elaborato si propone di offrire un’analisi approfondita sull'evoluzione e l'integrazione dell'intelligenza artificiale (AI) nella progettazione antincendio basata sulle prestazioni (PBD), con particolare attenzione alle reti neurali convoluzionali trasposte e alla loro applicazione nella previsione della stratificazione dei fumi e della visibilità in scenari di incendio all'interno di gallerie stradali. Lo studio inizia con una panoramica sul ruolo della fluidodinamica computazionale (CFD) nella simulazione dei suddetti eventi critici e prosegue con una disamina dello sviluppo dell’AI in ambito PBD, con un approfondimento sullo stato dell'arte dell'ingegneria antincendio supportata dal deep learning. Viene quindi realizzata l’implementazione di simulazioni fluidodinamiche computazionali per la generazione di dati, utilizzati come base per l’addestramento del modello di AI. Successivamente, si passa alla costruzione dell’ architettura della rete neurale, composta da strati convoluzionali trasposti e strati densi, e ci si concentra sul processo di ottimizzazione degli iperparametri tramite l’algoritmo Hyperband. Particolare attenzione viene dedicata alla scelta delle funzioni di loss, con una transizione dal Mean Squared Error (MSE) all’integrazione dello Structural Similarity Index (SSIM), al fine di migliorare la fedeltà strutturale delle immagini generate. L’analisi evidenzia i vantaggi di una loss combinata nel migliorare la qualità delle previsioni, soprattutto per scenari di incendio con modesti tassi di rilascio di calore (HRR). Vengono inoltre analizzate le immagini di output ottenute tramite l’impiego di matrici di confusione per valutare la capacità del modello di distinguere tra aree visibili e non visibili durante l'incendio, mostrando come l’ultimo modello sviluppato riduca i falsi positivi (FP) con maggiore efficacia di quanto siano in grado di fare quelli tradizionali. Infine, vengono presentati i risultati ottenuti dalle previsioni della rete in diversi scenari, con una stima accurata delle aree compromesse e dell’altezza dei fumi, offrendo un contributo pratico per ottimizzare le procedure di evacuazione, in particolare per quanto attiene al calcolo del tempo di uscita disponibile (ASET). Attraverso un rigoroso approccio sperimentale e l’applicazione di tecniche avanzate di deep learning, l’elaborato propone soluzioni innovative per migliorare la sicurezza nelle gallerie stradali, favorendo un sistema di progettazione antincendio più efficace e accurato, in un’ottica di prevenzione dei rischi per l’ambiente, gli utenti e gli impianti.