Caricamento in corso...
Machine Learning applicato al controllo dei flussi
01DMNIW
A.A. 2021/22
Lingua dell'insegnamento
Italiano
Corsi di studio
Dottorato di ricerca in Ingegneria Aerospaziale - Torino
Organizzazione dell'insegnamento
| Didattica | Ore |
|---|---|
| Lezioni | 20 |
Docenti
| Docente | Qualifica | Settore | h.Lez | h.Es | h.Lab | h.Tut | Anni incarico |
|---|---|---|---|---|---|---|---|
| Cafiero Gioacchino | Professore Associato | IIND-01/F | 12 | 0 | 0 | 0 | 2 |
Collaboratori
Didattica
| SSD | CFU | Attivita' formative | Ambiti disciplinari | *** N/A *** | 4 |
|---|
Il controllo dei flussi è uno degli argomenti principali di ricerca nell’ambito della fluidodinamica, sia per applicazioni aeronautiche che automotive. Lo sviluppo di metodologie sia attive che passive ha dato luogo a significativi miglioramenti dell’efficienza aerodinamica. Le strategie di controllo, laddove fossero attive e a ciclo chiuso, erano principalmente basate su metodi euristici oppure su modelli di basso ordine. Lo sviluppo delle capacità di calcolo ha portato ad una grande disponibilità di dati sia numerici che sperimentali che hanno dato luogo ad una diversa prospettiva per il controllo: imparare dai dati per poter migliorare le prestazioni aerodinamiche. In tale ambito sono incluse le metodologie basate sul machine learning. In questo corso verranno innanzitutto presentate le metodologie più comune di controllo dei flussi. In seguito, si procederà ad effettuare una panoramica delle tecniche basate sul machine learning che sono di maggiore interesse nel campo del controllo dei flussi, presentando anche esempi ed esperienze in laboratorio.
Flow control is one of the main topics in the fluid dynamic research, both in the aeronautic and automotive framework. The development of active and passive methodologies for flow control has brought to the light significant improvements of the aerodynamic efficiency. The active flow control strategies were typically based on heuristic models or low-order models of the problem. The strong development of the computational capabilities has provided the scientific community with a wealth of numerical and experimental data, which opened the path towards a new perspective for the flow control: learn from data to improve the aerodynamics performance. In this framework are included machine learning and data driven techniques. In this module, the main flow control strategies will be presented and discussed. Furthermore, an overview of the main machine learning techniques that find their application on flow control will be introduced, with examples both from the literature and from directly measured experimental data.
- Analisi matematica
- Algebra lineare
- Programmazione (Matlab/Python)
- Calculus
- Linear algebra
- Coding (Matlab/Python)
Parte 1
1. Cenni introduttivi: Richiamo di alcune trattazioni della fluidodinamica utili per la definizione delle strategie di controllo.
2. Tecniche di controllo dei flussi: passive e attive. Tecniche attive con controllo a loop chiuso e a loop in retroazione
3. Strumentazione per il controllo: sensori e attuatori per un loop di controllo attivo. Bilancio energetico.
Parte 2
4. Regressioni e selezione del modello: fit di dati, gradient descent, cross-validazione, criteri di informazione.
5. Clustering e classificazione: selezione dei parametri, k-means clustering, support vector machines.
6. Reti neurali and deep learning: reti a singolo o multi strato, algoritmi di retropropagazione.
7. Machine learning control: reinforcement learning, algoritmi genetici, genetic programming.
Part 1
1. Introduction: Refresh of fundamental concepts in fluid dynamics.
2. Flow control techniques: passive e active. Active flow control with closed loop and feedback.
3. Equipment for flow control: sensors and actuators for active flow control. Energy balance.
Part 2
4. Regression and model selection: curve fitting, gradient descent, cross-validation, information criteria.
5. Clustering e classification: feature selection, k-means clustering, support vector machines.
6. Neural networks and deep learning: one and multi-layer networks, backpropagation algorithm.
7. Machine learning control: reinforcement learning, genetic algorithms, genetic programming.
A distanza in modalità sincrona
On line synchronous mode
Presentazione orale
Oral presentation
P.D.2-2 - Luglio
P.D.2-2 - July