L’obiettivo di questa tesi è l’applicazione degli algoritmi di machine learning per ottenere un miglioramento dei modelli di turbolenza in ambito CFD. L’applicazione delle cosiddette simulazioni high-fidelity ottenute utilizzando i modelli DNS o LES, nonostante la loro capacità di rappresentare fedelmente la fenomenologia del flusso in esame, sono applicabili solo per geometrie semplici e caratterizzate da bassi numeri di Reynolds. Ben più sfruttati sono i modelli RANS che prevedono la scomposizione della quantità fluidodinamiche in una componente media ed una fluttuante. Data la natura approssimata dell’approccio RANS risulta evidente come insorgono delle discrepanze con il reale andamento del campo di moto.