• adjoint simulation
• Markov Chain Monte Carlo
• probabilità

L'identificazione delle sorgenti di inquinanti in ambienti complessi presenta sfide significative nelle scienze e nell'ingegneria ambientale. Questa tesi, intitolata "Implementazione e analisi delle condizioni al contorno di Robin in OpenFOAM per l'identificazione inversa di sorgenti inquinanti utilizzando adjoint based MCMC", affronta queste sfide modificando e sviluppando la condizione al contorno di Robin e quindi applicando la modellazione numerica avanzata, la modifica del dominio in funzione delle varie posizioni dell'inlet rispetto al building e l'inferenza probabilistica nella determinazione della posizione delle sorgenti in base a questi diversi domini.
Al centro di questo lavoro c'è l'implementazione e la modifica della condizione al contorno di Robin in OpenFOAM, e quindi l'influenza di questa nuova condizione nel determinare le posizioni delle sorgenti in base ai diversi domini che saranno caratterizzati dalle diverse distanze tra l'inlet e il building. Questa implementazione ha permesso di modellare accuratamente il trasporto degli inquinanti e le interazioni al contorno, che sono essenziali per risolvere il problema inverso. Per caratterizzare l'influenza di questa nuova condizione implementata, è stata rigorosamente valutata l'invarianza dei flussi di velocità tra diversi sottodomini. Inoltre, particolare attenzione è stata prestata alla modifica del dominio spostando sistematicamente il building più vicino all'inlet. Lo scopo di questa modifca era quello di analizzare se la vicinanza del building all'inlet influisce sui flussi, nonché l'accuratezza e l'affidabilità delle previsioni delle sorgenti inquinanti.
Per risolvere il problema inverso, è stato utilizzato l'algoritmo Monte Carlo a catena di Markov aggiunto (MCMC) per stimare la posizione (X, Y, Z) e l'intensità (S) della sorgente di inquinamento. L'analisi ha avuto lo scopo di comprendere se le variazioni nelle configurazioni di dominio (distanza tra l'inlet e il building) abbiano un impatto sulla predizione dei parametri della sorgente. L'inferenza bayesiana ha permesso all'algoritmo di tenere conto delle incertezze nelle previsioni dei modelli e nelle misurazioni sperimentali, fornendo un solido quadro probabilistico. Analisi dettagliate dei grafici MCMC e delle distribuzioni successive hanno evidenziato come le configurazioni dei domini influenzino l'accuratezza delle previsioni.
Questo studio ha rilevato che i flussi rimangono in gran parte invarianti tra i sottodomini, indipendentemente dalle modifiche ai domini, confermando la robustezza dell'implementazione. Tuttavia, il cambiamento della posizione del building rispetto all'inlet ha mostrato un potenziale di influenza sulla previsione della sorgente, soprattutto in termini di incertezze spaziali lungo gli assi orizzontali (X, Y). Questi risultati evidenziano l'importanza della configurazione del dominio nel contesto della modellazione inversa e dell'implementazione delle condizioni al contorno.
Integrando la modellazione CFD avanzata, l'implementazione e la modifica delle condizioni al contorno di Robin, le modifiche del dominio e gli algoritmi MCMC basati su adjoint, questa tesi fornisce un quadro robusto e adattabile per l'identificazione inversa delle sorgenti inquinanti. I risultati offrono informazioni importanti sull'interazione tra la geometria del dominio, la coerenza del flusso di velocità e le previsioni probabilistiche. La metodologia e i risultati aiutano a far progredire il monitoraggio ambientale, la gestione dell'inquinamento e la modellazione computerizzata, gettando le basi per studi futuri che coinvolgono domini dinamici, scenari multi-fonte e convalida sperimentale.