Reduced Order Modelling

Trillium Pumps Italy S.p.A, specializzata nella produzione di pompe centrifughe, deve affrontare una crescente complessità durante la fase di design nel caso di pompe custom, poiché le macchine richieste dal mercato devono garantire prestazioni sempre più elevate e, nello stesso tempo, essere adattate e personalizzate secondo le necessità dei clienti. L’attuale approccio, basato su simulazioni CFD, comporta elevati costi computazionali, lunghi tempi di calcolo e un impatto energetico significativo, rallentando il time-to-market e limitando l’esplorazione di configurazioni progettuali ottimali. Con la supervisione scientifica del professor Andrea Manzoni (Dipartimento di Matematica del Politecnico di Milano), il progetto esplora l’utilizzo di tecniche di Physics Informed Machine Learning (PIML) e Reduced Order Modeling (ROM) per sviluppare una procedura computazionale efficiente per la soluzione di problemi fluidodinamici, con l’obiettivo di valutarne la fattibilità in contesti industriali reali come la progettazione avanzata di pompe centrifughe.

Fase 1

Analisi del processo AS-IS e ricerca nella letteratura scientifica

L’attività iniziale comprende un’analisi approfondita del dominio del problema, con particolare attenzione al processo di progettazione e simulazione numerica delle pompe centrifughe, ai parametri geometrici e fluidodinamici rilevanti e agli indicatori prestazionali di interesse, al fine di individuare un caso di studio rappresentativo. Parallelamente, viene condotta un’analisi dello stato dell’arte sulle tecniche di PIML applicate a problemi fluidodinamici turbolenti, con l’obiettivo di identificare modelli e metodologie promettenti per lo sviluppo dei modelli surrogati.

Fase 2

Progettazione e configurazione del modello surrogato

Questa fase prevede la costruzione di un dataset di training attraverso una campagna mirata di simulazioni numeriche. Vengono valutate tecniche di riduzione dimensionale, come la Proper Orthogonal Decomposition (POD) e tecniche non lineari basate su auto-encoder convoluzionali, per ottenere una rappresentazione ridotta delle variabili di campo in termini di poche variabili latenti. Infine, viene progettato un modello surrogato, basato su Reti Neurali (NN), in grado di apprendere la relazione tra parametri fisici e variabili latenti, considerando anche la possibile dipendenza temporale del fenomeno.

Fase 3

Sviluppo software e implementazione del prototipo

La terza fase prevede l’implementazione del prototipo, l’addestramento dei modelli e la valutazione delle performance. Il modello surrogato viene addestrato sul dataset precedentemente costruito e validato su nuovi scenari, per prevedere le variabili di campo e calcolare gli indici di prestazione fluidodinamici.

Il progetto,nato all’interno della collaborazione con il competence center MADE 4.0 e attualmente in corso, ha portato allo sviluppo di un modello surrogato POD-NN capace di ricostruire in modo efficiente e accurato i campi fisici e gli indicatori di prestazione derivati. I risultati preliminari evidenziano una significativa riduzione del costo computazionale rispetto agli approcci CFD tradizionali, rendendo possibile un utilizzo più rapido e scalabile nei flussi di progettazione delle pompe. I risultati ottenuti finora pongono le basi per ulteriori sviluppi nella ricerca su PIML e nella progettazione di modelli ROM avanzati, con il potenziale di fornire a Trillium uno strumento efficace per ridurre tempi e costi di sviluppo e consolidare un vantaggio competitivo concreto.