Implementazione di un Modello Surrogato in CEASIOMpy utilizzando una strategia di tipo Multi-Fidelity per la previsione dei coefficienti aerodinamici
View/ Open
Author
Gronda, Giacomo <2000>
Date
2025-03-25Data available
2025-03-27Abstract
Questa tesi esplora l’applicazione del Machine Learning alle simulazioni CFD, concentrandosi su due nuovi moduli per CEASIOMpy, sviluppati da Airinnova e CFS Engineering. Questi moduli consentono l’addestramento e l’uso di modelli surrogati basati su una strategia Multi-Fidelity per prevedere coefficienti aerodinamici chiave, essenziali per la valutazione delle prestazioni degli aeromobili. Nella fase preliminare di progettazione aeronautica, l’analisi di numerose configurazioni con molte incognite richiede numerosi test in galleria del vento e simulazioni CFD ad alta e bassa fedeltà, con costi computazionali elevati. Il modello surrogato sviluppato riduce questo onere fornendo approssimazioni efficienti dei modelli completi per diverse variabili di progetto. Il modulo si integra perfettamente con CEASIOMpy, in particolare con pyAVL, GMSH e SU2Run, strumenti fondamentali per la generazione dei dataset necessari all’addestramento. L’approccio Multi-Fidelity supporta diversi livelli di dati a bassa fedeltà, migliorando flessibilità e precisione. La tesi introduce il problema, analizza lo stato dell’arte e descrive nel dettaglio la progettazione e l’implementazione del modulo. Un aspetto chiave è l’uso della metodologia Design of Experiments (DoE) per il campionamento, garantendo un’ampia copertura delle simulazioni a bassa fedeltà e concentrando quelle ad alta fedeltà nelle regioni dove è richiesta maggiore accuratezza. I risultati dimostrano che i modelli surrogati prevedono con precisione i coefficienti aerodinamici (es. CL, CD) riducendo significativamente i costi computazionali. Il lavoro si conclude con una valutazione critica dei risultati e proposte per sviluppi futuri, tra cui l’estensione della strategia Multi-Fidelity all’ottimizzazione multi-obiettivo nella progettazione aeronautica. This thesis investigates the application of Machine Learning to CFD simulations, focusing on two new modules for CEASIOMpy, developed by Airinnova and CFS Engineering. These modules enable training and use of surrogate models based on a Multi-Fidelity strategy to predict key aerodynamic coefficients, crucial for aircraft performance evaluation. In the preliminary aircraft design phase, analyzing numerous configurations with many unknowns requires extensive wind tunnel tests and high/low-fidelity CFD simulations, which are computationally expensive. The developed surrogate model reduces this burden by providing efficient approximations of full-order models across various design parameters. The module integrates seamlessly with CEASIOMpy, particularly pyAVL, GMSH, and SU2Run, which generate the datasets needed for training. The Multi-Fidelity approach supports multiple levels of low-fidelity data, improving flexibility and accuracy. The thesis outlines the problem, reviews the state-of-the-art, and details the module’s design and implementation. A key aspect is the Design of Experiments (DoE) methodology for sampling, ensuring broad low-fidelity coverage while concentrating high-fidelity simulations where precision is critical. Results demonstrate that the surrogate models accurately predict aerodynamic coefficients (e.g., CL,CD) while significantly reducing computational costs. The work concludes with an evaluation of results and future research directions, including extending the Multi-Fidelity strategy to multi-objective optimization in aircraft design.
Type
info:eu-repo/semantics/masterThesisCollections
- Laurea Magistrale [5507]