Intelligenza artificiale: prospettive modellazione fluidodinamica

La comunità scientifica ripone grandi aspettative nello studio e nella modellazione dei fenomeni turbolenti attraverso l'analisi dei big data. In particolare, negli ultimi anni ci si è serviti dell'apprendimento automatico o Machine Learning (ML) principalmente per migliorare ed incrementare le prestazioni dei modelli di turbolenza con chiusura sui momenti primi o RANS (Reynolds Average Numerical Simulations).

L'utilizzo degli algoritmi di intelligenza artificiale promette nuove interessanti prospettive nella modellazione fluidodinamica. Diversi aspetti complicano la modellazione fluidodinamica attraverso questi strumenti, come ad esempio la dipendenza dal sistema di riferimento, le scale molto diverse delle variabili da considerare e soprattutto una letteratura che sull'argomento contiene principalmente lavori esplorativi, senza una vera e propria metodologia affermata.

In questo lavoro è stata mostrata una possibile applicazione delle reti neurali come leggi di parete adattive. Il tipo di normalizzazione proposta si è rivelata particolarmente efficace per regolarizzare i dati. In aggiunta, l'utilizzo esclusivo di termini scalari e degli invarianti della turbolenza ha consentito di derivare leggi di parete che sono indipendenti dal sistema di riferimento.

Per testare la legge di parete è stato necessario creare una condizione al contorno in OpenFOAM in grado di interfacciarsi con Python. L'utilizzo di questa interfaccia non ha comportato sostanziali rallentamenti nella convergenza del solutore o un incremento dei tempi di calcolo. La comparazione tra l'approccio standard e la legge di parete adattiva è stata effettuata su due casi differenti, mostrando in entrambi in caso un miglioramento della modellazione del flusso a parete.