PORTALE DELLA DIDATTICA

Ricerca CERCA
  KEYWORD

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 02/12/2023      PROPONI LA TUA CANDIDATURA