| KEYWORD |
Accoppiamento di CFD e Artificial Intelligence per il design innovativo di reattori chimici
Parole chiave CFD, MACHINE LEARNING, NEURAL NETWORKS
Riferimenti GIANLUCA BOCCARDO, DANIELE MARCHISIO
Gruppi di ricerca AA - Multiscale modelling for materials science and process engineering
Tipo tesi MODELLAZIONE
Descrizione Il design di processi chimici passa attraverso l’ottimizzazione delle condizioni di funzionamento del processo e, per molti sistemi, della conformazione geometrica del sistema: questo e’ vero soprattutto nel caso di sistemi porosi come i reattori catalici, i filtri, e gli elettrodi di batterie per energy storage.
In questo lavoro di tesi verranno sviluppati modelli di fluidodinamica computazionale (CFD) di questi sistemi porosi, con l’obiettivo di studiarne le prestazioni al variare delle condizioni di processo.
Il focus del lavoro sara’ poi utilizzare i risultati di una campagna di simulazioni CFD per “allenare” algoritmi di machine learning innovativi (reti neurali convolutive) capaci di riprodurre accuratamente il risultato CFD in pochi secondi. Queste reti neurali verrano quindi utilizzate per esplorare diverse condizioni ed ottimizzare il processo in modo piu’ efficace rispetto all’ottimizzazione “classica”.
In questo progetto di tesi verrano utilizzati (e la candidata/o imparera’ ad utilizzare): risolutori CFD open-source (OpenFOAM), scripting in codice Python, framework di machine learning per costruzione di reti neurali (PyTorch).
Scadenza validita proposta 13/09/2025
PROPONI LA TUA CANDIDATURA