Inteligencia artificial y minería de datos para medir flujos aerodinámicos

Se trata de un proyecto de investigación de la UC3M financiado por las ayudas ERC Starting Grant de la UE

El desarrollo de nuevas formas para medir flujos turbulentos, más eficientes y fiables, es la meta principal del proyecto de investigación NEXTFLOW de la Universidad Carlos III de Madrid (UC3M), financiado por las ayudas ERC Starting Grant de la Unión Europea. Estas técnicas, que se valen de nuevos desarrollos en los ámbitos de la inteligencia artificial y la minería de datos, se podrán utilizar para mejorar la aerodinámica de los medios de transporte y disminuir su impacto ambiental.

Uno de los retos actuales de la aerodinámica es la mejora de las técnicas de caracterización y de control del comportamiento de los flujos turbulentos  (los  movimientos de los fluidos que se producen alrededor de un ala de avión, por ejemplo). “Son muy caóticos, tienen una dinámica compleja, lo cual hace difícil conocer, por completo, su comportamiento con las técnicas con las que disponemos ahora”, explica el coordinador del proyecto NEXTFLOW, Stefano Discetti, del Departamento de Bioingeniería e Ingeniería Aeroespacial de la UC3M.

La optimización de las estrategias de medida de flujos turbulentos es un elemento clave en la industria actual, debido al papel fundamental que la turbulencia desempeña en multitud de aplicaciones industriales. En este sentido, la obtención de información más precisa sobre su dinámica permitiría aprovecharla en contextos reales, como en el sector del transporte. Los flujos turbulentos afectan, por ejemplo, a la resistencia al avance de todo tipo de vehículos, como coches, aviones o barcos, por lo que conociéndolos mejor se podrán mejorar sus prestaciones, además de contribuir a reducir su impacto medioambiental, señalan los investigadores.

Por el momento, las técnicas de medida en experimentos de flujos turbulentos solo proporcionan “una descripción parcial de la distribución de su velocidad, temperatura o presión”, indica Stefano Discetti. El objetivo de este nuevo proyecto ERC es hacer uso de técnicas de inteligencia artificial y de minería de datos para desarrollar una nueva generación de herramientas de medida para poder obtener una descripción más completa de su comportamiento dinámico, y así tener más información para controlarlos.

Uno de los métodos que utilizan es la velocimetría volumétrica para imágenes de partículas, que permite reconstruir en 3D el movimiento de un fluido a partir del seguimiento de partículas, hechas visibles por una luz láser. En el marco de esta investigación, los científicos esperan utilizar datos proporcionados por sondas puntuales de alta frecuencia temporal para complementar la descripción en 3D con la dinámica en el tiempo. Además, se desarrollarán algoritmos basados en métodos de inteligencia artificial para mejorar la precisión de la técnica de velocimetría para imágenes de partículas. En un trabajo publicado recientemente por estos investigadores de la UC3M en la revista Experimental Thermal and Fluid Science han presentado un enfoque novedoso basado en minería de datos para conseguir este objetivo.

Las mediciones de alta precisión y resolución temporal se utilizarán para obtener campos de presión aplicando  ecuaciones fundamentales de mecánica de fluidos. Con todo ello, esperan definir modelos compactos que servirán para describir con alta fidelidad el comportamiento de los flujos y desarrollar lógicas de control. “Estos resultados podrían proporcionar nuevas herramientas con potencial para acortar la distancia existente entre los experimentos de laboratorio y la caracterización y control de flujos en aplicaciones reales, lo que podría redundar en la mejora de procesos y en la reducción del impacto medioambiental en varios sectores industriales, especialmente el aeronáutico”, señala Stefano Discetti.

El proyecto NEXTFLOW (Next-generation flow diagnostics for control; Técnicas de caracterización de flujos de nueva generación para el control), con una duración prevista de cinco años, está financiado por el Consejo Europeo de Investigación (European Research Council) a través de una ayuda ERC Starting Grant del Programa Marco de Investigación e Innovación de la Unión Europea, Horizonte 2020 (GA 949085).


Referencia bibliográfica:

Cortina-Fernández, J., Sanmiguel Vila, C., Ianiro, A., & Discetti, S. (2021). From sparse data to high-resolution fields: ensemble particle modes as a basis for high-resolution flow characterization. Experimental Thermal and Fluid Science, 120, 110178.

Añadir nuevo comentario

Para el envío de comentarios, Ud. deberá rellenar todos los campos solicitados. Así mismo, le informamos que su nombre aparecerá publicado junto con su comentario, por lo que en caso que no quiera que se publique, le sugerimos introduzca un alias.

    Normas de uso:  
  • Las opiniones vertidas serán responsabilidad de su autor y en ningún caso de www.madrimasd.org  
  • No se admitirán comentarios contrarios a las leyes españolas o buen uso.  
  • El administrador podrá eliminar comentarios no apropiados, intentando respetar siempre el derecho a la libertad de expresión.  


CAPTCHA de imagen
Introduzca los caracteres mostrados en la imagen.

Responsable del tratamiento: FUNDACIÓN PARA EL CONOCIMIENTO MADRIMASD con domicilio en C/ Maestro Ángel Llorca 6, 3ª planta 28003 Madrid. Puede contactar con el delegado de protección de datos en dpd@madrimasd.org. Finalidad: Publicar los comentarios recibidos y conocer el interés que suscita el boletín por áreas geográficas. Por qué puede hacerlo: Por el interés legítimo de favorecer la participación y el debate en el ámbito de la tecnología, la ciencia y la innovación, y en atención a su solicitud. Comunicación de datos: Su comentario es publicado al pie de la noticia junto con su nombre o alias. Derechos: Acceso, rectificación, supresión, oposición y limitación del tratamiento. Puede presentar una reclamación ante la Agencia Española de Protección de datos (AEPD). Más información: En el enlace Política de Privacidad..