| KEYWORD |
AA - Multiscale modelling for materials science and process engineering
Sviluppo di modello surrogato basato su machine learning per la modellazione fluidodinamica di reattori agitati
Parole chiave CFD, MACHINE LEARNING, NEURAL NETWORKS
Riferimenti GIANLUCA BOCCARDO, ANTONIO BUFFO, DANIELE MARCHISIO
Gruppi di ricerca AA - Multiscale modelling for materials science and process engineering
Tipo tesi MODELLISTICA E SIMULAZIONE
Descrizione In questo lavoro di tesi verranno condotte simulazioni di fluidodinamica computazionale (CFD) di reattori agitati per l'analisi del moto del fluido in diverse configurazioni geometriche e diverse condizioni operative (e.g.: tipo e dimensione dell'agitatore, velocita' di agitazione o viscosita' del fluido).
Usando i risultati di queste simulazioni verranno allenati algoritmi di machine learning (reti neurali classiche e convolutive) per creare modelli surrogati dal bassissimo costo computazionale, utili per l'analisi parametrica e l'ottimizzazione di processo.
Scadenza validita proposta 13/09/2025
PROPONI LA TUA CANDIDATURA