Rotor dynamic stall: from high-fidelity simulations to deep learning surrogate models

Dynamic stall is a complex, nonlinear aerodynamic phenomenon that occurs when a lifting surface experiences a rapid change in its angle of attack, leading to a delay in boundary-layer separation beyond the static stall limit. This process is characterized by pronounced hysteresis in aerodynamic forces, significant lift overshoots, and sharp pitching moment excursions, which pose considerable challenges for the design, performance, and safety of various engineering systems. Its effects are particularly severe in rotorcraft, where it can induce large vibratory loads and limit the flight envelope, as well as in wind turbines and advanced air mobility platforms, where it impacts efficiency and structural integrity. While foundational experimental and numerical studies have provided key insights, the reliable prediction of dynamic stall remains a major challenge due to its inherent unsteadiness and sensitivity to a multitude of parameters. Existing modeling approaches often face a trade-off between physical fidelity and computational expense, with high-fidelity simulations being too costly for design and control applications, and semi-empirical models lacking the accuracy to capture the full spectrum of nonlinear dynamics. This thesis aims to bridge this gap by pursuing two central objectives. The first is to conduct a high-fidelity, CFD-based investigation to systematically analyze the onset, evolution, and recovery phases of dynamic stall under a broad range of conditions, employing a hierarchy of numerical methods, from URANS to hybrid RANS/LES and Wall-Resolved LES. The analysis also aims at defining some best practices based on the level of required fidelity. The second major objective is to leverage this high-fidelity data to design, train, and validate novel, deep learning-based reduced-order models capable of predicting dynamic stall phenomena with high accuracy and computational efficiency. These data-driven models are designed to capture the nonlinear, hysteretic nature of unsteady stall while drastically reducing computational overhead, making them suitable for practical engineering applications such as aeroelastic analysis and real-time control. The research methodology begins with a rigorous computational investigation of a pitching NACA0012 airfoil, replicating well-documented experimental conditions. A systematic comparison of turbulence modeling strategies confirms that accurately capturing the laminar-to-turbulent transition is crucial for predicting stall onset, and that only scale-resolving simulations can capture the inherently three-dimensional vortex dynamics that characterize the post-stall regime. A key finding is that a sufficient spanwise domain, with a span-to-chord ratio of at least one, is necessary to avoid artificial vortex coherence and correctly simulate the physics of vortex breakdown and flow reattachment. These high-fidelity insights are then extended to a practical rotorcraft application through the simulation of the MERIT rotor in hover, which validates the pre-stall performance of URANS models while highlighting their limitations in separated flow conditions, further motivating the need for more advanced predictive tools. Building upon a validated CFD datasets, the thesis develops a novel framework for reduced-order modeling using deep neural networks. A key innovation is the prediction of entire spatio-temporal distributions of pressure and skin friction, rather than merely the integrated aerodynamic coefficients, which enhances physical interpretability and accuracy. The research further introduces the Physics-Based Flow Matching (PBFM) framework that integrates physical constraints directly into the generative diffusion process. This stochastic approach not only enforces physical consistency but also captures the inherent cycle-to-cycle variability of dynamic stall, a critical feature that deterministic surrogates and traditional semi-empirical models cannot reproduce. The resulting ROMs demonstrate strong generalization capabilities, accurately predicting aerodynamic loads under conditions not included in the training data and with significant computational savings.

Lo stallo dinamico è un fenomeno aerodinamico complesso e non lineare che si manifesta quando una superficie portante è soggetta a una rapida variazione dell’angolo di attacco, determinando un ritardo della separazione dello strato limite oltre il limite di stallo statico. Tale processo è caratterizzato da una marcata isteresi delle forze aerodinamiche, da significativi incrementi della portanza e da brusche variazioni del momento di beccheggio, che pongono notevoli criticità in termini di progettazione, prestazioni e sicurezza di numerosi sistemi ingegneristici. I suoi effetti risultano particolarmente severi nei velivoli ad ala rotante, dove possono indurre elevate vibrazioni e limitare l’inviluppo di volo, così come nelle turbine eoliche e nelle piattaforme avanzate di mobilità aerea, nelle quali incidono sull’efficienza e sull’integrità strutturale. Sebbene studi sperimentali e numerici fondamentali abbiano fornito importanti elementi per la comprensione, la previsione affidabile dello stallo dinamico rimane una sfida aperta a causa della sua intrinseca instazionarietà e della sensibilità a un elevato numero di parametri. Gli approcci di modellazione attualmente disponibili presentano spesso un compromesso tra fedeltà fisica e costo computazionale: le simulazioni ad alta fedeltà risultano troppo onerose per applicazioni di progetto e controllo, mentre i modelli semi-empirici non possiedono l’accuratezza necessaria per descrivere l’intero spettro delle dinamiche non lineari. La presente tesi si propone di colmare tale divario perseguendo due obiettivi principali. Il primo consiste nello svolgimento di un’analisi ad alta fedeltà, basata su CFD, finalizzata allo studio sistematico delle fasi di innesco, sviluppo e recupero dello stallo dinamico in un ampio intervallo di condizioni operative, impiegando una serie di metodi numerici che spaziano dalle URANS alle simulazioni ibride RANS/LES fino alle Wall-Resolved LES. L’analisi mira, inoltre, a definire le miglior procedure in funzione del livello di fedeltà richiesto. Il secondo obiettivo è quello di sfruttare i dati ad alta fedeltà così ottenuti per progettare, addestrare e validare nuovi modelli ridotti basati su apprendimento profondo, capaci di prevedere i fenomeni di stallo dinamico con elevata accuratezza ed efficienza computazionale. Tali modelli basati sui dati sono progettati per catturare la natura non lineare e isteretica dello stallo non stazionario, riducendo drasticamente il costo computazionale e rendendo possibile il loro impiego in applicazioni ingegneristiche pratiche, quali l’analisi aeroelastica e il controllo in tempo reale. La metodologia di ricerca ha inizio con un’accurata analisi computazionale di un profilo alare NACA0012 in moto di beccheggio, riproducendo condizioni sperimentali ampiamente documentate in letteratura. Un confronto sistematico tra differenti strategie di modellazione della turbolenza conferma che una corretta rappresentazione della transizione laminare-turbolenta è cruciale per la previsione dell’innesco dello stallo e che solo le simulazioni che risolvono le scale della turbolenza sono in grado di catturare le dinamiche dei vortici, intrinsecamente tridimensionali, che caratterizzano il regime post-stallo. Un risultato chiave evidenzia inoltre che un dominio sufficientemente esteso nella direzione di apertura alare, con un rapporto apertura alare-corda di almeno uno, è necessario per evitare un’influenza artificiale sui vortici e per simulare correttamente la fisica della rottura dei vortici e del riattacco del flusso. Tali risultati ad alta fedeltà vengono successivamente estesi a un’applicazione di interesse pratico nel campo degli elicotteri mediante la simulazione del rotore MERIT in volo stazionario, che consente di validare le prestazioni dei modelli URANS in condizioni di pre-stallo, mettendone al contempo in evidenza i limiti in presenza di flussi separati e rafforzando la necessità di strumenti predittivi più avanzati. Sulla base di dataset CFD validati, la tesi sviluppa infine un nuovo quadro metodologico per la modellazione ridotta mediante reti neurali profonde. Un elemento di innovazione rilevante consiste nella previsione delle distribuzioni spazio-temporali di pressione e attrito di parete, anziché dei soli coefficienti aerodinamici integrali, migliorando così l’interpretabilità fisica e l’accuratezza delle previsioni. Il lavoro introduce inoltre il modello Physics-Based Flow Matching (PBFM), che integra vincoli fisici direttamente nel processo generativo di tipo diffusivo. Questo approccio stocastico non solo garantisce la coerenza fisica delle soluzioni, ma consente anche di catturare la variabilità intrinseca tra cicli successivi dello stallo dinamico, una caratteristica fondamentale che i surrogati deterministici e i modelli semi-empirici tradizionali non sono in grado di riprodurre. I modelli ridotti risultanti dimostrano una notevole capacità di generalizzazione, prevedendo accuratamente i carichi aerodinamici in condizioni non incluse nei dati di addestramento e con un significativo risparmio computazionale.