Diseño y simulación inteligentes de sistemas fluidodinámicos en estado no estacionario mediante Deep Learning

Abstract

La dinámica de fluidos computacional (CFD,delinglés Computational FluidDyna- mics) aplicada a flujos turbulentos ha sido objeto de estudio durante los últimos años. Sin embargo, mediante las simulaciones CFD los costes computacionales se elevan considerablemente, siendo inviable el uso de estas técnicas para la resolución de ciertos problemas. Actualmente, se están desarrollando múltiples técnicas de Deep Learning (DL) aplicadas a los problemas de CFD. Una de las principales aplicaciones del DLalCFD es el empleo de redes neuronales convolucionales (CNN, del inglés Convolutional NeuralNetworks) para predecir los valores de las magnitudes fluido dinámicas deseadas alrededor de una geometría determinada. En este caso, se ha desarrollado una CNN que predice los campos de velocidades paralela al flujo y vertical y depresión. Se toman dos enfoques: la predicción de los instantes futuros partiendo de uno inicial y la predicción del instante inicial. La CNN adquiere como entradas las características geométricas de la forma analizada y el instante anterior, en el caso del enfoque temporal, siendo las salidas, de la red los campos de ambas velocidades y de la presión, obtenidos mediante simulaciones CFD