Optimization of the equivalent oscillator for VIV modelling and comparison with deep learning techniques

In this present work, a deep analysis of the equivalent oscillator model is performed. This is a consolidated mechanical model used to reproduce the phenomenon of Vortex Induced Vibration. This model reproduces vortex shedding by considering the flow as an equivalent aerodynamic mass, attached to the actual structure and connected to a negative aerodynamic damping able to provide energy input to the system. A punctual analysis and implementation of the model has been done in order to reproduce the most important fluid-dynamic features of both rigid and flexible cylinder structure. The theoretical analysis is combined with experimental comparison of real cases in order to consolidate and optimize the model. A central issue of the model is that it relies on a particular parameters formulation in order to work. An extensive analysis of the parameters has been done using Genetic Algorithm in order to highlight how these parameters affect the performance of the model. The last part of the thesis is concentrated on the introduction of a new modelling technique based on Machine Learning and Deep Learning analysis, since it is gaining more attention these days due to larger computational resources and accessibility to larger amount of data. Neural Network model is designed and trained on real experimental datasets and its results are compared with the equivalent oscillator model.

In questo lavoro di tesi viene eseguita un'analisi approfondita del modello di oscillatore equivalente. Si tratta di un modello meccanico consolidato utilizzato per riprodurre il fenomeno del Vortex Induced Vibration. Questo modello riproduce il distacco dei vortici considerando il flusso come una massa aerodinamica equivalente, attaccata alla struttura reale e collegata a uno smorzatore aerodinamico negativo in grado di fornire energia di input al sistema. Un'analisi puntuale e l'implementazione del modello è stata fatta per riprodurre le caratteristiche più importanti di interazione fluido-dinamica tra il fluido e la struttura sia per il caso rigido che flessibile. L'analisi teorica è abbinata al confronto sperimentale di casi reali al fine di consolidare e ottimizzare il modello. Un problema centrale del modello è che si basa su una particolare formulazione dei parametri delle forze degli oscillatori. Un'ampia analisi dei parametri è stata effettuata utilizzando l'algoritmo genetico per evidenziare come questi parametri influenzano le prestazioni del modello. L'ultima parte della tesi si concentra sull'introduzione di una nuova tecnica di modellazione basata sull'analisi di Machine Learning e Deep Learning poiché sta guadagnando maggiore attenzione ultimamente a causa delle maggiori risorse computazionali e dell'accessibilità a una maggiore quantità di dati. Il modello di rete neurale è progettato e addestrato su set di dati sperimentali reali e i suoi risultati vengono confrontati con il modello di oscillatore equivalente.