Ottimizzazione della forma basata su surrogati per la progettazione di velivoli: Implementazione in CEASIOMpy

Abstract

La presente tesi è stata sviluppata nell’ambito del progetto europeo COLOSSUS durante un tirocinio curriculare presso CFS Engineering in collaborazione con l’Università di Genova. Il lavoro riguarda lo sviluppo e l’integrazione, all’interno di CEASIOMpy, di una funzionalità per l’ottimizzazione geometrica aerodinamica basata su modelli surrogati. L’obiettivo principale è stato quello di estendere il modulo SMTrain per consentire un’esplorazione efficiente di spazi di progetto ad alta dimensionalità nelle fasi preliminari della progettazione aeronautica, nelle quali l’impiego diretto di simulazioni CFD ad alta fedeltà risulta spesso computazionalmente proibitivo. Il workflow implementato permette di definire variabili geometriche e limiti di progetto tramite l’interfaccia grafica di CEASIOMpy, generare un Design of Experiments mediante campionamento Latin Hypercube, eseguire analisi aerodinamiche a bassa fedeltà con AVL e addestrare modelli surrogati basati su Kriging o Radial Basis Functions. Il framework supporta inoltre una strategia opzionale multi-fidelity, nella quale simulazioni SU2 a più alta fedeltà vengono introdotte selettivamente per raffinare il modello. La metodologia è stata validata sul caso benchmark dell’ala ONERA M6 e successivamente applicata all’ottimiz- zazione del winglet di un UAV sviluppato da Dope Hubs per la UAS Challenge 2025. Nel complesso, il lavoro estende CEASIOMpy con una procedura flessibile e integrata per l’ottimizzazione geometrica aerodinamica basata su modelli surrogati.

This thesis was developed within the European COLOSSUS project during a curricular internship at CFS Engineering in collaboration with the University of Genoa. The work focuses on the development and integration, within CEASIOMpy, of a surrogate-based aerodynamic shape optimisation capability. The main objective was to extend the SMTrain module in order to enable efficient exploration of high-dimensional design spaces during the early stages of aircraft design, where the direct use of high-fidelity CFD simulations is often computationally prohibitive. The implemented workflow allows the user to define geometric design variables and bounds through the CEASIOMpy graphical interface, generate a Design of Experiments through Latin Hypercube Sampling, perform low-fidelity aerodynamic analyses with AVL, and train surrogate models based on Kriging or Radial Basis Functions. The framework also supports an optional multi-fidelity strategy, in which higher-fidelity SU2 simulations are selectively introduced to refine the surrogate model. The methodology was validated on the ONERA M6 wing benchmark and was then applied to the optimisation of the winglet of a UAV developed by Dope Hubs for the UAS Challenge 2025. Overall, this work extends CEASIOMpy by introducing a flexible and integrated workflow for surrogate-based aerodynamic shape optimisation, consistent with the existing architecture of the framework and suitable for conceptual aircraft design applications.