Enhancing computational fluid dynamics with deep learning: a Fourier neural operator-based emulator for topology thermal optimization

In energy optimization, the design and efficiency of fluid-to-solid heat exchangers are crucial. The main objectives are to minimize pressure drop and maximize heat trans- fer. Traditionally, achieving these goals requires computationally intensive simulations. This research leverages Artificial Intelligence (AI) , in particular Deep Learning (DL) algorithms, to optimize the topology of heat exchangers ducts, enhancing performance, efficiency and reducing computational time. The objective is to design, implement, and study an AI-based emulator of a Computational Fluid Dynamics (CFD) solver that reproduces traditional results while cutting computa- tion time. The deep learning model chosen is the U-net Fourier Neural Operator (U-FNO), trained on results from a CFD optimization algorithm using a finite volume, incompressible, steady flow solver with adaptive mesh refinement (AMR). The CFD algorithm employs a multi-objective continuous adjoint strategy for topology optimization, enhancing heat transfer while controlling dissipated mechanical power. The U-FNO significantly acceler- ates inference time and achieves super-resolution predictions. Integrating the U-FNO may substantially improve heat exchanger optimization. The primary outcome is reduced inference time, enabling rapid assessment of optimal duct geometry without compromising accuracy. The neural network, being able to capture the global behavior of the flowfield, can generate results even if fed with different resolution inputs from the one that it has been trained on (zero-shot super-resolution). The research validates this approach through conjugate heat transfer simulations on various test cases, showing up to three orders of magnitude faster performance than traditional PDEs solvers while maintaining a good level of accuracy. In some cases the AI emulator outperforms the CFD optimizer in terms of overall performances.

Nell’ambito dell’ottimizzazione energetica, il design e l’efficientamento degli scambiatori di calore fluido-solido sono di fondamentale importanza. Gli obiettivi principali sono min- imizzare la caduta di pressione e massimizzare il trasferimento di calore. Tradizionalmente per raggiungerli sono necessarie simulazioni computazionalmente intensive. Questa ricerca sfrutta l’Intelligenza Artificiale (AI) e algoritmi di Deep Learning (DL) per ottimizzare la topologia dei condotti degli scambiatori di calore, migliorando le prestazioni e riducendo il tempo di calcolo. L’obiettivo è progettare, implementare e studiare un emulatore basato su AI di un riso- lutore di Fluidodinamica Computazionale (CFD) che riproduca i risultati ottenuti da metodi tradizionali riducendo i tempi di calcolo. L’architettura di rete neurale scelta è chiamata U-net Fourier Neural Operator (U-FNO), addestrata sui risultati di un algoritmo di ottimizzazione CFD che utilizza un risolutore a volume finito, a flusso incomprimibile, stazionario con raffinamento della mesh adat- tivo (AMR). L’algoritmo CFD impiega una strategia multi-obiettivo per l’ottimizzazione topologica, massimizzando il trasferimento di calore e minimizzando la potenza meccanica dissipata. L’architettura U-FNO accelera significativamente i tempi di inferenza e ottiene previsioni ad alta risoluzione. L’integrazione del modello U-FNO può ottimizzare gli scambiatori di calore riducendo significativamente i tempi di inferenza e permettendo una rapida valutazione della geome- tria ottimale senza perdita di accuratezza. La rete neurale, grazie alla capacità di appren- dere comportamenti globali, gestisce risoluzioni diverse da quelle usate in addestramento (super-risoluzione). I risultati sono stati testati tramite simulazioni di trasferimento di calore coniugato, mostrando prestazioni fino a tre ordini di grandezza più veloci rispetto ai solver PDE tradizionali. In alcuni casi, l’emulatore AI sviluppato supera anche i solver CFD tradizionali sia in velocità sia in qualità dei risultati.