PORTALE DELLA DIDATTICA

Ricerca CERCA
  KEYWORD

AA - Multiscale modelling for materials science and process engineering

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 12/12/2023      PROPONI LA TUA CANDIDATURA