Proper orthogonal decomposition of primary breakup in fuel atomizer

Methods based on artificial intelligence and machine learning help humans to understand physical phenomena, develop new solutions and take smart decisions based on the analysis of big data. Machines need to be trained adopting - for instance - reduced order models or dimensionality reduction methods and statistical methods. The Proper Orthogonal Decomposition (POD) is a powerful approach but rather limited with regard to its weakness to treat 3D unsteady flow, i.e. 4- dimensions variables. In an attempt to address this limitation it is proposed to re-investigate the POD methodology, defining as quality indicator the ability of the approach to reduce the dimensions of data, i.e. to enclose as much flow energy as possible in the first modes. At the same time, the capability to explain the flow features is considered as quality indicator. The code implementing the POD is tested on a canonical flow (Stuart vortexes) and is performed a pre-study to comprehend the typical structures and the evolution of the flow phenomena inside the gasoline atomizer. Then the different approaches are applied to some slices coming from 3D large Eddy Simulations (LES) of atomizer 3-phase flow with complex geometries. POD generates very different results depending for instance on the phase considered. The outcome of the study is reported together with suggestion for future developments.

I metodi basati sull'intelligenza artificiale e il machine learning aiutano i ricercatori a comprendere i fenomeni fisici, sviluppare nuove soluzioni e prendere decisioni efficaci mediante l’analisi dei dati. Le tecniche di apprendimento utilizzate per addestrare le AI prevedono l’utilizzo di enormi quantità di dati, creando la necessità di impiego di metodi di riduzione dimensionale e di tecniche statistiche. La Proiezione Ortogonale Propria (Proper Orthogonal Decomposition) è un approccio utile in questa ottica, tuttavia limitato quando applicato a fluidi tempo varianti in 3D, ovvero variabili in 4 dimensioni. Nel tentativo di superare questo limite, si propone di riesaminare la metodologia POD, definendo come indicatore di qualità la sua capacità di ridurre le dimensioni dei dati, vale a dire racchiudere quanta più energia di flusso possibile nei primi modi di vibrare. Allo stesso tempo, anche la capacità di comprendere le strutture del fluido è considerata un indicatore di qualità. Il codice che implementa la POD viene testato su di un flusso canonico (vortici di Stuart) e viene eseguita un’analisi per comprendere le strutture tipiche e l'evoluzione del fluido all'interno dell'atomizzatore. Le diverse soluzione sviluppate vengono poi testate su alcune sezioni di fluido ottenute con piani perpendicolari alla direzione principale del fluido. I dati sono ottenuti tramite simulazione fluidodinamica (3D LES tempo variante) di fluido trifase iniettato tramite atomizzatori con geometrie complesse. La POD genera risultati differenti a seconda - ad esempio - della fase considerata. In fase di dissertazione finale viene riportato il risultato dello studio insieme a suggerimenti per sviluppi futuri.