Computational fluid dynamics (CFD) simulations play a fundamental role in the study and design of fluid systems such as, e.g., centrifugal pumps. Typically, the design process for such turbomachines follows an iterative, trial-and-error approach, in which physical and geometrical parameters are manually tuned, and the corresponding performance is evaluated through successive CFD simulations, with each run potentially requiring several hours depending on the complexity of the model. Despite their accuracy and the extensive use by industrial manufacturers, the high computational cost of CFD simulations makes many-query applications, such as design optimization, computationally impractical. This thesis investigates the use of reduced-order models (ROMs) to accelerate CFD simulations of centrifugal pumps. In particular, it focuses on a non-intrusive data-driven model, combining traditional methods such as proper orthogonal decomposition (POD) with machine learning techniques, specifically neural networks (NNs), to create a surrogate model capable of reproducing flow fields and subsequently evaluating the pump's performance metrics, at a fraction of the computational cost, while preserving a satisfactory level of accuracy. The proposed surrogate model was first developed and validated on a benchmark centrifugal pump case provided by COMSOL Multiphysics. Then, the methodology was extended to a more realistic and industrially relevant case, using data provided by Trillium Flow Technologies, an industrial pump producer. Results demonstrate the potential of ROMs to achieve substantial computational speed-ups while maintaining an acceptable level of accuracy, thereby enabling more efficient design and optimization processes in centrifugal pump engineering.
Le simulazioni di fluidodinamica computazionale (CFD) rivestono un ruolo fondamentale nello studio e nella progettazione dei sistemi fluidodinamici, in particolare nel contesto delle pompe centrifughe. Tipicamente, il processo di progettazione di tali turbomacchine segue un approccio iterativo basato su tentativi, in cui i parametri fisici e geometrici vengono regolati manualmente e le performance della pompa valutate attraverso successive simulazioni CFD, ciascuna delle quali può richiedere diverse ore di calcolo a seconda della complessità del modello. Nonostante la loro elevata accuratezza e il largo impiego da parte dei produttori industriali, l’eccessivo costo computazionale delle simulazioni CFD rende impraticabili applicazioni che richiedono numerose valutazioni al variare dei parametri, come l’ottimizzazione progettuale. Questo lavoro di tesi indaga l’uso di modelli di ordine ridotto (ROMs) per accelerare le simulazioni CFD di pompe centrifughe. In particolare, si concentra su tecniche non intrusive basate sui dati, come la decomposizione ortogonale propria (POD) combinata con modelli di machine-learning, come le reti neurali (NNs), al fine di creare un modello surrogato in grado di riprodurre i campi fisici del fluido e, successivamente, di valutare i parametri di prestazione della pompa, riducendo notevolmente il costo computazionale e mantenendo al contempo un livello di accuratezza soddisfacente. Il modello surrogato proposto in questa tesi è stato inizialmente sviluppato e validato su un caso di riferimento di una pompa centrifuga fornito dal software COMSOL Multiphysics. Successivamente, la metodologia è stata estesa a un caso più realistico e rilevante a livello industriale, mediante l'utilizzo di dati proprietari provenienti da Trillium Flow Technologies, un'azienda specializzata del settore. I risultati dimostrano il potenziale dei modelli di ordine ridotto nell’ottenere una significativa riduzione computazionale pur mantenendo un livello di accuratezza soddisfacente, facilitando lo sviluppo di processi di progettazione e ottimizzazione nell’ambito dell’ingegneria delle pompe centrifughe.
Accelerating numerical simulations of centrifugal pumps through reduced-order modeling and scientific machine learning
Del Priore, Alfredo
2024/2025
Abstract
Computational fluid dynamics (CFD) simulations play a fundamental role in the study and design of fluid systems such as, e.g., centrifugal pumps. Typically, the design process for such turbomachines follows an iterative, trial-and-error approach, in which physical and geometrical parameters are manually tuned, and the corresponding performance is evaluated through successive CFD simulations, with each run potentially requiring several hours depending on the complexity of the model. Despite their accuracy and the extensive use by industrial manufacturers, the high computational cost of CFD simulations makes many-query applications, such as design optimization, computationally impractical. This thesis investigates the use of reduced-order models (ROMs) to accelerate CFD simulations of centrifugal pumps. In particular, it focuses on a non-intrusive data-driven model, combining traditional methods such as proper orthogonal decomposition (POD) with machine learning techniques, specifically neural networks (NNs), to create a surrogate model capable of reproducing flow fields and subsequently evaluating the pump's performance metrics, at a fraction of the computational cost, while preserving a satisfactory level of accuracy. The proposed surrogate model was first developed and validated on a benchmark centrifugal pump case provided by COMSOL Multiphysics. Then, the methodology was extended to a more realistic and industrially relevant case, using data provided by Trillium Flow Technologies, an industrial pump producer. Results demonstrate the potential of ROMs to achieve substantial computational speed-ups while maintaining an acceptable level of accuracy, thereby enabling more efficient design and optimization processes in centrifugal pump engineering.File | Dimensione | Formato | |
---|---|---|---|
2025_07_Del_Priore_Executive_Summary_02.pdf
accessibile in internet per tutti a partire dal 01/07/2026
Descrizione: Executive summary
Dimensione
5.23 MB
Formato
Adobe PDF
|
5.23 MB | Adobe PDF | Visualizza/Apri |
2025_07_Del_Priore_Thesis_01.pdf
accessibile in internet per tutti a partire dal 01/07/2026
Descrizione: Thesis
Dimensione
7.51 MB
Formato
Adobe PDF
|
7.51 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/240053