Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

Nel mondo dell'aviazione, il motore è il cuore, ma il compressore è i polmoni. Questo componente, uno stack di pale rotanti all'interno di un tubo metallico, deve aspirare l'aria, comprimerla con forza e spingerla verso la camera di combustione con un'efficienza incredibile. Se l'aria non fluisce in modo fluido, il motore può stallare, perdere potenza o addirittura guastarsi. Per decenni, gli ingegneri si sono affidati a due strumenti principali per comprendere questo flusso complesso: esperimenti fisici in galleria del vento e simulazioni al computer. Gli esperimenti sono accurati ma costosi e difficili da eseguire all'interno di una macchina rotante. Le simulazioni al computer sono economiche e flessibili, ma spesso faticano a prevedere con precisione perfetta la turbolenza caotica e vorticosa dell'aria. La sfida è sempre stata come ottenere il meglio di entrambi i mondi: l'affidabilità dei dati del mondo reale e la visione ampia di un modello informatico, senza spendere una fortuna o aspettare anni per i risultati.

Un team di ricercatori presso l'Arts et Métiers in Francia ha sviluppato un nuovo modo per colmare questo divario, concentrandosi su un compressore di prova specifico noto come CME2. Hanno creato un sistema ibrido che prima combina misurazioni sperimentali limitate con simulazioni al computer per costruire un quadro altamente accurato del flusso d'aria. Poi, hanno insegnato a un programma informatico come apprendere da questo quadro migliorato, creando uno strumento in grado di prevedere il flusso con precisione in modo autonomo in futuro. L'obiettivo era correggere gli errori delle simulazioni standard al computer affinché potessero eguagliare la qualità degli esperimenti costosi, ma senza la necessità che gli esperimenti fossero presenti ogni volta che viene eseguito un nuovo calcolo.

I ricercatori sono partiti da un banco di prova per compressore a singolo stadio a Lille, in Francia. Questa macchina fa ruotare un rotore con trenta pale e un insieme stazionario di quaranta pale. Per vedere cosa accadeva all'interno, hanno utilizzato una tecnica chiamata Velocimetria a Immagine di Particelle (Particle Image Velocimetry). Questo metodo consiste nell'impregnare l'aria con minuscole particelle di fumo e proiettare un foglio laser attraverso la macchina per illuminarle. Una telecamera ad alta velocità cattura il movimento di queste particelle, permettendo al team di mappare la velocità dell'aria in tre sezioni specifiche lungo l'altezza delle pale. Tuttavia, queste misurazioni esistono solo in quelle tre sottili fette; il resto della macchina rimane un punto cieco.

Per colmare le lacune, il team ha eseguito simulazioni al computer utilizzando due diversi livelli di dettaglio. Una simulazione era un modello stazionario e semplificato che girava velocemente ma tralasciava alcuni dei dettagli complessi e variabili del flusso. L'altra era una simulazione molto più dettagliata e instazionaria che catturava la turbolenza vorticosa, ma richiedeva una potenza di calcolo enorme e presentava comunque alcune imprecisioni. I ricercatori hanno poi utilizzato un metodo statistico chiamato assimilazione dei dati per fondere queste tre fonti di informazione: le scarse misurazioni laser, la simulazione rapida e la simulazione dettagliata. Questo processo ha agito come un filtro intelligente, prendendo le previsioni informatiche approssimative e guidandole affinché corrispondessero ai dati laser reali dove esistevano, utilizzando al contempo la fisica dei modelli informatici per riempire il resto della macchina. Il risultato è stato una mappa completa e di alta qualità del flusso d'aria, molto più accurata di qualsiasi singola fonte da sola.

Con questa nuova mappa superiore in mano, i ricercatori hanno affrontato una nuova sfida. Il processo di assimilazione dei dati era potente, ma richiedeva la presenza delle misurazioni laser durante il calcolo. Volevano uno strumento che potesse produrre lo stesso risultato di alta qualità senza dover necessitare dei dati laser ogni volta. Per raggiungere questo obiettivo, si sono rivolti all'apprendimento automatico (machine learning). Hanno addestrato una rete neurale, un tipo di programma informatico progettato per riconoscere schemi, utilizzando i dati dalla loro mappa migliorata. Il programma ha imparato a osservare le caratteristiche locali del flusso, come la velocità dell'aria e la rapidità con cui tale velocità cambia, e poi a prevedere un termine di correzione. Questo termine di correzione era essenzialmente una "spinta" matematica che poteva essere aggiunta alle equazioni standard del computer per costringerle a comportarsi più come il flusso reale di alta qualità.

Quando hanno testato questi strumenti di machine learning, i risultati sono stati promettenti ma hanno rivelato un limite critico. Quando lo strumento è stato addestrato sui dati della parte centrale della pala, ha funzionato molto bene in quella regione, riducendo significativamente l'errore rispetto alla simulazione standard. Tuttavia, quando lo strumento addestrato sulla parte centrale della pala è stato applicato alla punta della pala, o viceversa, le previsioni sono diventate inaffidabili. Nella zona più complessa, vicino alle punte delle pale dove l'aria ruota violentemente, un singolo modello di machine learning addestrato su una parte della macchina ha reso la simulazione al computer peggiore di quanto non fosse in precedenza. Il modello semplicemente non riusciva a generalizzare la sua conoscenza a un ambiente fisico così diverso.

Per risolvere questo problema, i ricercatori hanno sviluppato una strategia nota come "miscela di esperti" (mixture of experts). Inve invece di fare affidamento su un unico programma informatico onnisciente, hanno creato un sistema che agisce come un controllore del traffico. Questo controllore osserva la posizione all'interno della macchina e decide quale dei tre strumenti specializzati di machine learning sia il più adatto per quel punto specifico. Se l'aria è vicino al mozzo, utilizza lo strumento addestrato sui dati del mozzo; se è vicino alla punta, passa allo strumento addestrato sui dati della punta. Combinando questi esperti specializzati, il sistema è stato in grado di mantenere un'elevata accuratezza in tutta la macchina. Il risultato finale è stato un modello che ha ridotto l'errore nella simulazione al computer a un livello molto vicino alla mappa di assimilazione dei dati di alta qualità, ma senza richiedere alcun dato sperimentale durante il calcolo.

Lo studio dimostra che, sebbene il machine learning possa migliorare drasticamente le simulazioni al computer di macchinari complessi, un singolo modello spesso non è sufficiente per gestire ogni situazione. Combinando i punti di forza dell'assimilazione dei dati con un sistema intelligente che passa tra strumenti di apprendimento specializzati, i ricercatori hanno creato un metodo robusto che preserva l'accuratezza anche nelle regioni più difficili del flusso. Questo approccio offre una strada percorribile per progettare motori aeronautici più efficienti e sicuri, permettendo agli ingegneri di fare affidamento su modelli informatici che siano affidabili quanto gli esperimenti fisici, ma molto più veloci ed economici da utilizzare.