Ehancing aerodynamic design processes with deep neural network surrogates

In recent years, artificial intelligence has experienced exponential growth, driven by technological innovations, the increasing availability of computational resources, and a growing interest across numerous application domains. In particular, machine learning techniques based on deep neural networks are emerging as powerful and versatile tools, capable of complementing traditional methods in virtually every engineering field. The objective of this thesis is to investigate the applicability and effectiveness of the latest machine learning technologies, with a specific focus on neural networks, in the field of aerodynamic optimization. In particular, the work aims to assess the potential impact of these techniques on the design process of an aerodynamic component, which has traditionally relied on computational fluid dynamics. To this end, a complete and structured optimization method has been conceived and developed, in which artificial neural networks are employed as surrogate models for evaluating the aerodynamic performance of two-dimensional airfoil profiles. The proposed framework integrates the generation of parameterized geometries, the creation of a dataset through simulations, the training of predictive models, and the actual execution of the optimization process. As a representative case study, the methodology is applied to minimize the transonic drag of a symmetric airfoil that models the pylon of an external store mounted beneath the fuselage of an advanced trainer aircraft. The airfoil design is constrained by strict geometric requirements and must incorporate a flat surface section covering at least 35% of the chord to facilitate manufacturing and system integration. The results demonstrate the potential for deep learning based surrogates to accelerate the design cycle.

Negli ultimi anni l’intelligenza artificiale ha registrato una crescita esponenziale, trainata da innovazioni tecnologiche, dalla crescente disponibilità di risorse computazionali e da un interesse sempre più diffuso in numerosi settori applicativi. In particolare, le tecniche di apprendimento automatico basate su reti neurali profonde si stanno affermando come strumenti potenti e versatili, capaci di affiancare i metodi tradizionali in pressoché ogni ambito ingegneristico. L'obiettivo di questa tesi è indagare l'applicabilità e l’efficacia delle più recenti tecnologie di machine learning, con un focus specifico sulle reti neurali, nell’ambito dell’ottimizzazione aerodinamica. In particolare, il lavoro si propone di valutare il potenziale impatto di tali tecniche nel processo progettuale di un componente aerodinamico, che tradizionalmente si affida alla fluidodinamica computazionale. A tal fine, è stato ideato e sviluppato un metodo di ottimizzazione completo e strutturato, in cui le reti neurali artificiali sono impiegate come modelli surrogati per la valutazione delle performance aerodinamiche di profili alari bidimensionali. Il framework proposto integra la generazione di geometrie parametrizzate, la costruzione di un dataset attraverso simulazioni, l’addestramento di modelli predittivi e l’esecuzione dell’ottimizzazione vera e propria. Come caso studio rappresentativo, la metodologia è stata applicata alla minimizzazione della resistenza aerodinamica in regime transonico di un profilo alare simmetrico, rappresentativo del pilone di un carico esterno montato sotto la fusoliera di un velivolo da addestramento avanzato. Il progetto del profilo alare è soggetto a rigorosi vincoli geometrici e deve includere una sezione di superficie piatta che copra almeno il 35% della corda, al fine di agevolare le operazioni di produzione ed integrazione. I risultati ottenuti dimostrano il potenziale dei modelli surrogati basati su tecniche di deep learning nel velocizzare il ciclo di progettazione.