ETD

• data assimilation
• machine learning
• OpenFOAM

This work aims to improve the accuracy of RANS simulations of atmospheric flows in urban environments through an approach that combines Data Assimilation and Machine Learning techniques to optimize a turbulence model.
The study benchmark is the AIJ 'Test Case A', characterized by an isolated block subjected to an Atmospheric Boundary Layer (ABL) flow and supported by experimental reference data. The dataset derived from the RANS simulations was obtained using OpenFOAM, highlighting the limitations of steady-state simulations. High-fidelity reference data were obtained through Wall-Resolved Large Eddy Simulation (WRLES).
Subsequently, a Data Assimilation procedure was implemented using the DAFOAM tool, based on variational techniques. This procedure allowed for the determination of a spatial forcing term to be introduced into the RANS equations in order to correct the flow field relative to the WRLES.
The final phase involved the development of a Graph Neural Network (GNN) trained to perform regression by mapping features based on Pope’s tensor invariants to a corrective field on the domain nodes. Finally, this methodology was validated on geometries unseen during training, yielding excellent results for both velocity field reconstruction and the calculation of the drag coefficient.

Il presente lavoro si propone di migliorare l’accuratezza delle simulazioni RANS di flussi atmosferici in ambiente urbano attraverso un approccio che combina tecniche di Data Assimilation e Machine Learning per ottimizzare un modello di turbolenza.
Il benchmark di studio è il “Test Case A” dell’AIJ, caratterizzato dalla presenza di un blocco isolato investito da un flusso di Atmospheric Boundary Layer (ABL) e corredato da dati sperimentali di riferimento.
Il data-set derivante dalle simulazioni RANS è stato ottenuto in ambiente OpenFOAM, andando a evidenziare i limiti delle simulazioni stazionarie. I dati di riferimento ad alta fedeltà sono stati ottenuti tramite simulazione WRLES (Wall-Resolved Large Eddy Simulation).
Successivamente, è stata implementata una procedura di Data Assimilation mediante il tool DAFOAM, basata su tecniche variazionali. Tale procedura ha permesso di determinare un termine forzante spaziale da introdurre nelle equazioni RANS, al fine di correggere il campo di moto rispetto alla WRLES.
L'ultima fase ha riguardato lo sviluppo di una Rete Neurale a Grafi (GNN) addestrata per effettuare una regressione mappando features basate sugli invarianti tensoriali di Pope a un campo correttivo sui nodi del dominio. Questa metodologia è stata infine validata su geometrie non viste durante l’addestramento, con ottimi risultati sia per la ricostruzione del campo di velocità, sia per il calcolo del coefficiente di resistenza.