Michela Nardelli
Multifidelity active learning for aerospace design and optimization.
Rel. Lorenzo Casalino, Paolo Maggiore, Laura Mainini. Politecnico di Torino, Master of science program in Aerospace Engineering, 2022
|
Preview |
PDF (Tesi_di_laurea)
- Thesis
Licence: Creative Commons Attribution Non-commercial No Derivatives. Download (11MB) | Preview |
Abstract
I problemi di ottimizzazione ingegneristica del mondo reale sono spesso estremamente complessi e onerosi, in termini di tempo e costi computazionali. In ingegneria aerospaziale, questi possono riguardare analisi fluidodinamiche, il design di strutture, di sistemi o la loro integrazione in un contesto multidisciplinare: è necessario gestire in modo ottimale più fonti di informazione. L'analisi della singola disciplina risulta già costosa, quindi estenderla in un quadro multidisciplinare diventa spesso inaccessibile. Tuttavia, un trade-off tra diverse configurazioni di progettazione è utile per guidare il processo decisionale nelle fasi preliminari di progetto. Per questi motivi sono richiesti metodi avanzati per accelerare la valutazione delle alternative progettuali.
I possibili approcci si basano sull'uso di modelli più veloci, chiamati anche surrogati, che vengono impiegati per fornire approssimazioni di risposte fisiche per guidare il processo di progettazione e ottimizzazione
Relators
Academic year
Publication type
Number of Pages
Course of studies
Classe di laurea
URI
![]() |
Modify record (reserved for operators) |
