Modello sperimentale di sintesi tra fluidodinamica computazionale e tecniche di Machine Learning

Il progetto di tesi propone un metodo di sintesi tra le principali tecniche di Machine Learning e la fluidodinamica computazionale. Vengono considerate le applicazioni attuali e lo stato dell'arte dell'apprendimento automatico in un contesto di calcolo parallelo come presupposti per poter analizzare un caso d'uso specifico: l'esecuzione di simulazioni fluidodinamiche nell'ambito di sviluppo di una vettura di Formula 1. I vincoli del regolamento e la gestione dei costi impongono un utilizzo efficiente delle risorse di calcolo disponibili, per questo motivo il progetto sperimenta l'uso di molteplici tecniche di Machine Learning, al fine di creare un nuovo flusso di gestione delle simulazioni. L'obiettivo consiste nell'integrare apprendimento automatico e CFD per apprendere pattern, individuare informazioni utili in fase di esecuzione di nuove simulazioni, migliorare la gestione dei costi e la qualità del modello.