Assessment of deep-learning augmented models of transport properties in rarefied flows

Modeling non-equilibrium effects in hypersonic flows is particularly challenging. The scarcity of reliable data, representative of the actual flight conditions, hampers the development of general constitutive models. A promising strategy entails the augmentation of the Navier–Stokes model via physics-constrained neural networks to correct the viscous stress tensor and heat flux vector. During the training phase, physical consistency is enforced through additional constraining equations which guarantee the full respect of fundamental principles. An adjoint based approach is used to efficiently compute the network parameters. In this thesis, the methodology is assessed against a two-dimensional shear flow of low-pressure Argon in the transitional regime, demonstrating improved accuracy in capturing non-equilibrium effects and enhancing predictive capabilities.

La modellazione degli effetti di non-equilibrio nei flussi ipersonici rappresenta una sfida particolarmente complessa. La scarsità di dati affidabili, rappresentativi delle reali condizioni di volo, ostacola lo sviluppo di modelli costitutivi generali. Una strategia promettente consiste nella correzione dei modelli di Navier–Stokes tramite reti neurali vincolate dalla fisica, al fine di correggere il tensore degli sforzi viscosi e il vettore del flusso termico. Durante la fase di addestramento, la coerenza fisica viene garantita attraverso equazioni di vincolo aggiuntive che assicurano il pieno rispetto dei principi fondamentali. Un approccio basato sulle equazioni aggiunte viene utilizzato per calcolare in modo efficiente i parametri della rete neurale. In questa tesi, la metodologia è valutata su un flusso di taglio bidimensionale di Argon a bassa pressione in regime di transizione, dimostrando una maggiore accuratezza nella cattura degli effetti di non-equilibrio e un miglioramento delle capacità predittive.