A study on secondary flows in turbine linear cascades using a data-driven approach

The demand for highly efficient turbomachinery requires the continuous optimization of their design, which traduces, among other things, in making efforts to mitigate loss sources. Among these there are the endwall losses, including the loss contribution due to secondary vortical structures formation through the blade’s passage, which typically accounts for one third of the overall turbine’s efficiency reduction. While Computational Fluid Dynamics (CFD) provides insights into 3D vortical structures, its high computational cost heavily limits extensive design space exploration. This thesis presents an automated, data-driven workflow for the rapid prediction of secondary losses in linear turbine cascades, significantly reducing computational bottlenecks. To achieve this, a Python-based Blade Processing Tool (BPT) was developed to fully automate the generation, meshing, and solving of turbine linear cascades. By leveraging a GPU-accelerated CFD solver, simulation times were reduced by a factor of 14. The BPT was used to build a database of 864 RANS simulations following a Full-Factorial Design of Experiments (DoE). The numerical setup’s reliability was validated against experimental data from the SPLEEN cascade, extensively tested at the von Karman Institute for Fluid dynamics. Finally, the generated database was used to train two Machine Learning surrogate models: a Gaussian Process Regression (GPR) and Radial Basis Function Network (RBFN). Both successfully mapped the correlations between six design parameters and endwall losses with good accuracy (MSE ≈ 10e−6 ), confirming flow deflection as the primary endwall loss driver. GPR proved to be the superior model due to its uncertainty quantification capabilities. Ultimately, this work demonstrates that coupling GPU acceleration with machine learning provides a promising foundation for ultra-fast, simulation-free turbomachinery optimization.

La richiesta di turbomacchine ad alta efficienza ne impone la loro continua ottimizzazione, che si traduce, tra le atre cose, nel cercare di mitigare il più possibile le fonti di perdita aerodinamica. Tra queste vi sono le perdite di endwall, che includono il contributo di perdita associato alla generazione di strutture vorticose all’interno del canale interpalare, tipicamente stimate come un terzo della riduzione d’efficienza totale nelle turbine. Sebbene la fluidodinamica computazionale (CFD) fornisca una buona comprensione di tali strutture tridimensionali, il suo elevato costo computazionale limita fortemente l’esplorazione estensiva dello spazio di progetto. Questa tesi propone un flusso di lavoro automatizzato e basato sui dati (data-driven) per la rapida stima delle perdite secondarie nelle schiere lineari di turbine, riducendo significativamente i colli di bottiglia computazionali. Per raggiungere questo obiettivo, è stato prodotto un sofware interamente sviluppato in linguaggio Python, il Blade Processing Tool (BPT), al fine di automatizzare completamente la generazione, creazione della mesh e simulazione fluidodinamica di schiere lineari di turbine. Sfruttando un solutore CFD accelerato tramite GPU, i tempi di simulazione sono stati ridotti di un fattore 14. Il BPT è stato utilizzato per costruire un database di 864 simulazioni RANS seguendo un approccio di progettazione degli esperimenti di tipo Full-Factorial (Full-Factorial Design of Experiments). L’affidabilità del setup numerico è stata validata rispetto ai dati sperimentali della schiera SPLEEN, testata innumerevoli volte presso il von Karman Institute for Fluid Dynamics. Infine, i dati estratti dal database sono stati impiegati per addestrare due modelli surrogati: una Gaussian Process Regression (GPR) e una Radial Basis Function Network (RBFN). Entrambi hanno mappato con successo le correlazioni tra i sei parametri di progetto e le perdite di estremità con un’elevata accuratezza (MSE ≈ 10e−6 ), confermando la deflessione del flusso come causa principale delle perdite. La GPR si è dimostrata il modello superiore grazie alle sue capacità di quantificazione dell’incertezza. In definitiva, questo lavoro dimostra che combinare l’accelerazione GPU con il machine learning fornisce una base promettente per un’ottimizzazione ultra veloce delle turbomacchine, senza la necessità di eseguire simulazioni CFD.