Titolo della tesi: Machine Learning Modeling of High-Pressure Hydrogen Leakages
L'introduzione dell'idrogeno come combustibile nelle turbine a gas rappresenta una delle soluzioni più promettenti per ridurre le emissioni di gas serra nell'industria della generazione di energia. Tuttavia, questa strategia solleva diverse sfide nella progettazione della nuova generazione di turbine a gas, tra cui lo sviluppo di nuovi protocolli di sicurezza per la gestione e lo stoccaggio del combustibile. Infatti, rispetto al gas naturale, l'alimentazione a idrogeno implica rischi più elevati di deflagrazione ed esplosione in caso di perdite accidentali da sistemi di alimentazione del combustibile ad alta pressione. Per questa ragione, i costruttori di turbine a gas hanno iniziato a dedicare un'attenzione ancora maggiore rispetto al passato alla valutazione quantitativa dettagliata del rischio di scenari di perdita di gas combustibile all'interno dei cabinati delle turbine a gas. L'obiettivo di tale analisi è garantire che il sistema di ventilazione, di cui il cabinato è dotato, sia in grado di diluire eventuali accumuli di gas combustibile, evitando condizioni pericolose.
La fluidodinamica computazionale (CFD) viene utilizzata per simulare la dispersione del gas combustibile nel cabinato a partire da una specifica posizione di perdita. Tuttavia, un'analisi CFD di una singola perdita può essere estremamente complessa e computazionalmente costosa. Inoltre, uno scenario di perdita può dipendere da diversi fattori, quali: posizione della perdita, pressione di stoccaggio del combustibile, sezione della perdita, interazioni tra la nube infiammabile e il campo di flusso di ventilazione circostante o gli oggetti presenti. Di conseguenza, sarebbe necessario un numero elevato di simulazioni per esplorare in modo esaustivo tutti gli scenari risultanti dalla combinazione di questi fattori. In questo contesto, l'utilizzo di modelli surrogati basati su machine learning può rappresentare un'alternativa valida per analizzare un vasto numero di casi, riducendo i costi computazionali.
Questa tesi riporta le tappe fondamentali degli studi di dottorato dell'autore, dedicati all'identificazione di strategie basate sul machine learning per modellare scenari di perdita di idrogeno ad alta pressione. Dopo un'analisi approfondita dello stato dell'arte sia sulle pratiche di modellazione CFD della dispersione di gas combustibile sia sui metodi di machine learning, vengono riportati tre principali contributi. Il primo ha avuto l'obiettivo di validare una metodologia CFD affidabile per generare un dataset di scenari di perdita di idrogeno/metano interagenti con un campo di flusso di ventilazione. Le perdite sono state modellate come getti sotto-espansi e una rappresentazione analitica dei getti liberi è stata identificata attraverso leggi di similarità. Il secondo contributo riguarda lo sviluppo di un nuovo modello surrogato di machine learning basato su Graph Neural Networks, addestrato sul dataset precedentemente generato. Gli input del modello sono stati derivati da una rappresentazione analitica dei campi di flusso dei getti liberi utilizzando leggi di similarità. In questo modo, il modello ha agito come una mappa tra il campo di flusso del getto libero e il suo stato perturbato dal campo di flusso della ventilazione. Il terzo contributo ha mirato a declinare l'approccio precedentemente presentato per modellare perdite di gas idrogeno-metano in interazione con una parete. Con questo fine, è stato generato un nuovo dataset di getti sotto-espansi. Il modello implementato rappresenta una versione avanzata del precedente, ma con la stessa idea di mappare il campo di flusso del getto libero al suo stato perturbato, questa volta in presenza di una superficie. I risultati raccolti hanno dimostrato come questi modelli possano raggiungere un'elevata accuratezza rispetto al riferimento CFD, riducendo i costi computazionali delle simulazioni. Il potenziale delle strategie di apprendimento presentate si è dimostrato promettente per le applicazioni industriali, al netto delle problematiche di scalabilità degli algoritmi utilizzati.