Reti Neurali Convoluzionali Geodetiche Per Approssimare Simulazioni CFD

Questo lavoro presenta lo sviluppo di un modello basato su Reti Neurali Convoluzionali Geodetiche (GCNN) per la previsione di parametri fisici su geometrie tridimensionali di pistoni. L'obiettivo principale è ridurre i tempi di calcolo tipici delle simulazioni di fluidodinamica computazionale (CFD), mantenendo un alto livello di accuratezza nelle previsioni. Il modello proposto utilizza convoluzioni geodetiche per operare direttamente sulle superfici delle mesh triangolari, sfruttando coordinate geodetiche polari ottenute attraverso un algoritmo di approssimazione iterativa. L'architettura della rete integra strati specifici come la Convoluzione Geodetica e l'Angular Max-Pooling, permettendo al modello di catturare informazioni locali rispettando la geometria intrinseca delle superfici. I risultati ottenuti mostrano che il modello è in grado di prevedere con buona accuratezza parametri come la temperatura e il rapporto di ricircolo dei gas di scarico (EGR), offrendo un'alternativa efficiente alle simulazioni CFD tradizionali.