• machine learning
• intelligenza artificiale
• deep learning
• regimi di flusso
• reverse jet scrubber
• x-micromixer
• stirred vessel
• artificial intelligence
• flow regimes

Sviluppo, per quattro casi studio, di tecniche per l’identificazione ed il monitoraggio dei regimi di flusso in diverse apparecchiature dell’Ingegneria Chimica utilizzando modelli di Machine Learning e Deep Learning. La prima applicazione riguarda la predizione dello shear layer generato da una corrente d'aria che impatta un cilindro rettangolare, in modo da testare le prestazioni di diversi algoritmi. Si passa poi alla determinazione dei regimi di flusso, che si alternano durante intervalli di osservazione, in uno stirred vessel con la turbina posizionata ad una distanza dal fondo tale da produrre instabilità di flusso. Si usano reti neurali di Deep Learning per la classificazione di immagini di un X-micromixer nei diversi regimi sia stazionari che non stazionari. Infine, si caratterizzano e si classificano i regimi pulsato, froth e di transizione che si generano nel condotto di ingresso di un Reverse Jet Scrubber.
Il lavoro nasce dalla necessità di sviluppare nuovi sensori in grado di identificare i cambiamenti nella linea di produzione in tempo reale e sulla necessità di gestire e analizzare in modo efficiente i dati raccolti. La possibilità di avere informazioni dirette sulle condizioni del sistema in esame può portare a adeguamenti più rapidi, con un conseguente aumento della capacità produttiva e la possibilità di realizzare processi più efficienti e flessibili con una sensibile riduzione dei costi di produzione.

Development of techniques for the identification and monitoring of flow regimes in different Chemical Engineering devices using Machine Learning and Deep Learning models for four case studies. The first application concerns the prediction of the shear layer generated by an air current that impacts a rectangular cylinder, to test the performance of different algorithms. The next step is to determine the flow regimes, which alternate during observation, in a stirred vessel with the turbine positioned at a distance from the bottom such as to produce flow instability. Deep Learning neural networks are used for the classification of images of an X-micromixer in the different stationary and non-stationary regimes. Finally, the pulsed, froth and transition regimes generated in the inlet duct of a Reverse Jet Scrubber can be classified.
The work comes from the need to develop new sensors capable of defining changes in the production line in real time and the need to efficiently manage and analyze the collected data. The possibility of having direct information on the conditions of the system in question can lead to faster adjustments, with a consequent increase in production capacity and the possibility of creating more efficient and flexible processes with a significant reduction in production costs.