ETD

• Eddy-viscosity Reynolds Force Vector
• Machine-Learning
• RANS
• WRLES

Il presente lavoro studia l’impiego di tecniche data-driven e Machine Learning per migliorare le previsioni RANS in flussi turbolenti separati, mantenendo un costo computazionale contenuto. In particolare, viene studiato l’approccio eddy-viscosity Reynolds Force Vector (evRFV), che utilizza dati ad alta fedeltà ottenuti mediante WRLES per ricavare una viscosità turbolenta ottimale e un termine vettoriale correttivo da introdurre nel bilancio medio della quantità di moto.
La metodologia è stata inizialmente verificata sul caso preliminare delle Periodic Hills e successivamente applicata al benchmark AIJ Test Case A mostrando un significativo miglioramento della soluzione RANS, soprattutto nella previsione del campo medio e delle regioni di separazione e ricircolo.
I campi correttivi sono stati quindi utilizzati come target per l’addestramento di una Graph Neural Network, addestrata su due configurazioni geometriche e testata su una terza non vista, mostrando una buona capacità di generalizzare la correzione appresa.
Infine, il confronto tra simulazioni URANS e WRLES è stato utilizzato per analizzare dinamiche non stazionarie riprodotto dal modello URANS e per valutare la possibilità di estendere le strategie di correzione anche alla componente non stazionaria del flusso.