VIV modelling techniques : a comparison between equivalent oscillator and deep learning

In this present work, a review of Vortex Induced Vibration modelling techniques is performed, in order to highlight the strengths and the weaknesses of each implementation. The aim of this study is to exploit the theoretical and experimental results on rigid cylinders to increase the performances of an effective and consolidated existing model, which is the “equivalent oscillator”. This model reproduces vortex shedding phenomenon by considering the flow behaviour as an equivalent aerodynamic mass, attached to the structure and connected to a negative aerodynamic damping, able to provide the physical energy input. A punctual research of the previous model implementations have been carried out and past models formulations have been deeply analysed. As a result of this study, the most suitable model has been optimized by means of the Genetic Algorithm, in order to obtain a refined result in terms of experimental data reproduction. Additionally, a further step is performed in the investigation of the modelling techniques. In this work, it is studied how Machine Learning can be used in vortex induced vibration modelling. Limits and possibilities of this relatively new technology are explored, since it is gaining more attention these days, due to the larger available computational resources and the accessibility to a more important amount of data. A deep learning neural network is designed and trained, in order to test its predictive performances on build-up and decay bibliographic data. Moreover, another type of deep learning network is exposed, the Long Short-Term Memory or LSTM, which is able to learn the relationship between the subsequent steps of a curve and forecast how the curve should continue, also on the basis of previous known examples. In the end, a comparison between pros and cons of the different approaches is performed.

In questo lavoro di tesi, è stata eseguita una revisione delle tecniche di modellazione delle vibrazioni indotte da vortici, al fine di evidenziare i punti di forza e di debolezza di ogni implementazione. Lo scopo di questo studio è sfruttare i risultati teorici e sperimentali su cilindri rigidi per aumentare le prestazioni di un modello esistente efficace e consolidato, che è l'oscillatore equivalente. Questo modello riproduce il fenomeno di distacco di vortici considerando l’apporto del fluido per mezzo di una massa aerodinamica equivalente, attaccata alla struttura e collegata ad una sorgente di smorzamento aerodinamico negativo, in grado di fornire l’input di energia fisicamente misurato. Si è svolta una ricerca puntuale delle precedenti implementazioni ed i modelli esistenti sono state analizzati con attenzione. Come punto di arrivo di questa operazione di ricerca, il modello più efficace è stato ottimizzato per mezzo del cosiddetto “Algoritmo Genetico”, al fine di ottenere un risultato più preciso in termini di riproduzione dei dati sperimentali. Inoltre, viene eseguito un ulteriore passo nell'indagine delle tecniche di modellazione. In questo lavoro, si è ricercato come il “Machine Learning” possa essere utilizzato nel modellare i fenomeni di vibrazioni indotte da vortici. Vengono esplorati i limiti e le possibilità di questa tecnologia relativamente nuova, che sta guadagnando sempre più attenzione ultimamente, anche a causa delle maggiori risorse computazionali a disposizione e dell’accesso ad una quantità di dati più ingente. È stata progettata una rete neurale di tipo “Deep Learning”, al fine di testare le sue prestazioni predittive su dati bibliografici di “Build-up” e “Decay”. Inoltre, si descrive un altro tipo di rete neurale, detta Long Short-Term Memory o LSTM, che è in grado di apprendere la relazione tra i punti consecutivi di una curva e prevedere come la curva dovrebbe continuare, anche sulla base di altre curve di esempio fornite in precedenza. Alla fine, viene eseguito un confronto tra i punti a favore e quelli a sfavore dei diversi approcci.