Ottimizzazione del design tramite Algoritmi Evolutivi e modello surrogato Machine Learning: caso di studio industriale

Il lavoro esposto in questa tesi di laurea tratta della design optimization, o ottimizzazione del design industriale, ed è stato da me svolto durante l’esperienza di tirocinio all’estero presso il Centre for Modeling and Simulation (CFMS) di Bristol (UK), nell’ambito del programma Erasmus Traineeship. Lo scopo del lavoro è stata l’ideazione di un framework con la quale l’azienda cliente, HiETA, potesse ampliare lo spettro di possibili scelte per un problema di ottimizzazione del design rispetto a quanto ottenuto mediante il campionamento di modelli di fluidodinamica computazionale (CFD) applicati alla simulazione della fisica all’interno di un collettore facente parte di uno scambiatore di calore. L’ottimizzazione doveva essere rivolta al miglioramento delle performance del condotto, intese come misure di laminarità e stagnazione del flusso di aria al suo interno. Il progetto, denominato AI AHEAD, poneva inoltre attenzione alla velocizzazione del processo di ottimizzazione del design nel suo complesso. Veniva infatti richiesto lo sviluppo di modelli di Intelligenza Artificiale (IA) che riproducessero soddisfacentemente le simulazioni ottenute con modelli CFD pur necessitando di meno tempo per la valutazione delle performance di un singolo design. Dal momento in cui viene usato il modello IA all’interno della routine di ottimizzazione al posto del modello CFD per determinare i valori delle funzioni obbiettivo al variare degli input, si ottiene un vantaggio dal punto di vista di tempo computazionale totale, in quanto per problemi di ottimizzazione non lineari tipicamente si richiedono molte iterazioni, quindi molte valutazioni delle funzioni obbiettivo.