Luca Muscara'

Dottorando in Ingegneria Aerospaziale , 37o ciclo (2021-2024)
Dipartimento di Ingegneria Meccanica e Aerospaziale (DIMEAS)

Profilo

Dottorato di ricerca

Argomento di ricerca

Machine learning for multiphysics problems

Tutori

Interessi di ricerca

Computational Fluid Dynamics
Turbulent Flows

Biografia

Dopo aver conseguito una laurea magistrale in Ingegneria Aerospaziale il 6 aprile 2020, ha focalizzato il suo percorso accademico sui sistemi di propulsione, in particolare sugli endoreattori a propellenti ibridi (HREs). La sua tesi di laurea prevedeva lo sviluppo di un modello numerico per analizzare l'instabilità di combustione negli HREs. Il lavoro di tesi richiedeva l'integrazione di tre modelli fisici - fluidodinamica quasi-1D, chimica e termica - a causa della complessità multi-fisica del settore.

Dopo la laurea, ha iniziato una borsa di ricerca di otto mesi, 'Sviluppo di modelli numerici per endoreattori ibridi,' iniziata il 7 settembre 2020 presso il Politecnico di Torino. Il suo progetto, sostenuto da ASI con la collaborazione del Politecnico di Torino e AVIO Spa, si concentra sullo sviluppo di un modello numerico per gli HREs che presentano liquefazione del propellente solido. Il progetto richiedeva miglioramenti al modello termico per accogliere la presenza dello strato di liquido sulla superficie di combustione.
Durante questo percorso, ha affinato le sue competenze nei metodi di discretizzazione spaziale ad alta risoluzione, negli schemi di integrazione temporale, nei metodi ai volumi finiti per mesh dinamiche e nei modelli numerici di scambio termico. Una sfida significativa nella sua ricerca consisteva nell'ottimizzare l'efficienza computazionale, in particolare nel modello chimico. Per affrontare questo problema, ha esplorato l'integrazione di tecniche di machine learning (ML), impiegando reti neurali artificiali (ANNs) come modello chimico surrogato per accelerare significativamente le simulazioni mantenendo l'accuratezza.

A novembre 2021, ha intrapreso un nuovo capitolo nel suo percorso accademico avviando un programma di dottorato con focus specifico su l'utilizzo di algoritmi di machine learning per problemi multi-fisici, esplorando possibili applicazioni nella meccanica dei fluidi e nei flussi turbolenti. Attualmente, sta impiegando attivamente la tecnica di inversione di campo, avanzando l'integrazione di machine learning con modelli di turbolenza per potenziare le capacità predittive dei modelli Reynolds-Averaged Navier–Stokes (RANS), consentendo simulazioni accurate con risorse computazionali ridotte.

Linee di ricerca

  • Machine learning for multiphysics problems

Competenze

SDG

Goal 4: Quality education
Goal 8: Decent work and economic growth
Goal 9: Industry, Innovation, and Infrastructure

Didattica

Insegnamenti

Corso di laurea magistrale

  • Endoreattori. A.A. 2022/23, INGEGNERIA AEROSPAZIALE. Collaboratore del corso

Pubblicazioni

Pubblicazioni più recenti Vedi tutte le pubblicazioni su Porto@Iris