DeepFoil. Deep learning applied to the analysis of subsonic isolated airfoils

Artificial intelligence is finding its way in numerous fields from medicine to engineering, from literature to legislation. With the ever-increasing power of nowadays computers the theories developed in the past are ready to be tested on the ground. The goal of this thesis is to explore the potential of deep neural network and the impact that it can have on computational fluid dynamics and the engineering process of the preliminary design and optimization of airfoils. The result obtained is a tool based on a deep neural network model that is able, when compared to the commonly used simulation software XFOIL, to simulate a sizeable sample of airfoils in different aerodynamic conditions in less time, therefore with an impactful saving in terms of time and cost, and with an acceptable margin of error. This tool is called DeepFOIL.

L'intelligenza artificiale sta avendo successo in diversi campi dalla medicina all'ingegneria, dalla letteratura alla legge. Con la continua crescita della potenza dei computer le teorie del passato sono pronte per essere messe alla prova sul campo. L'obiettivo di questa tesi è di esplorare il potenziale delle reti neurali ad apprendimento profondo e l'impatto che possono avere sulla fluidodinamica computazionale. Questo è risultato nello sviluppo di uno strumento basato su un modello ad apprendimento profondo che sia in grado, quando comparato con il software comunemente utilizzato per simulazioni chiamato XFOIL, di simulare una vasta gamma di profili alari in condizioni aerodinamiche variegate in meno tempo, e quindi con un impatto importante sui tempi e i costi di sviluppo specialmente negli studi preliminari e di ottimizzazione, con un margine di errore accettabile. Questo strumento verrà chiamato DeepFOIL.