En un avance significativo para la ingenier\u00eda t\u00e9rmica, el pasado 19 de julio en CINTECX, la investigadora Ana Larra\u00f1aga Janeiro defendi\u00f3 su tesis doctoral titulada \u201cDevelopment of data-driven surrogate models for complex optimization in enhanced heat transfer applications\u201d, marcando un hito en la aplicaci\u00f3n de la inteligencia artificial (IA) en la optimizaci\u00f3n de procesos industriales. Dirigida por los doctores Jacobo Porteiro Fresco y Sergio Chapela L\u00f3pez, esta investigaci\u00f3n ha desarrollado modelos subrogados que aceleran la optimizaci\u00f3n de geometr\u00edas complejas en aplicaciones t\u00e9rmicas industriales.<\/p>\n
Centr\u00e1ndose en la microescala, la tesis aborda los desaf\u00edos computacionales de los c\u00e1lculos num\u00e9ricos necesarios para la simulaci\u00f3n de la transferencia de calor. A trav\u00e9s de la parametrizaci\u00f3n de una microaleta -una superficie extendida que se utiliza para aumentar la transferencia de calor- como geometr\u00eda base, se han generado miles de morfolog\u00edas, creando una extensa base de datos para entrenar modelos subrogados. Estos modelos son capaces de predecir el rendimiento de cada microaleta, lo que permite una mayor libertad en el proceso de optimizaci\u00f3n y la consideraci\u00f3n de geometr\u00edas inusuales.<\/p>\n
El objetivo principal de la tesis ha sido establecer una metodolog\u00eda robusta para mejorar el rendimiento termohidr\u00e1ulico de superficies microtexturizadas. La investigaci\u00f3n se ha dividido en varias fases, incluyendo la parametrizaci\u00f3n de la geometr\u00eda base, la construcci\u00f3n de una base de datos, el desarrollo de modelos de aprendizaje autom\u00e1tico, la optimizaci\u00f3n de la geometr\u00eda de la microaleta, el desarrollo de herramientas de an\u00e1lisis exploratorio para bases de datos de alta dimensi\u00f3n y la nueva parametrizaci\u00f3n de geometr\u00edas complejas.<\/p>\n
Los hallazgos de la tesis destacan el potencial de las herramientas de IA para enfrentar desaf\u00edos matem\u00e1ticos complejos en ingenier\u00eda. Adem\u00e1s, se ha investigado c\u00f3mo ciertas morfolog\u00edas pueden mejorar el rendimiento termohidr\u00e1ulico de superficies microtexturizadas.<\/p>\n
La tesis tambi\u00e9n ha fomentado colaboraciones internacionales, incluyendo la participaci\u00f3n del profesor Richard D. Sandberg de la Universidad de Melbourne y del profesor Steven L. Brunton de la Universidad de Washington, quienes han contribuido significativamente al \u00e9xito de esta investigaci\u00f3n.<\/p>\n
Este trabajo no solo representa un avance en la ingenier\u00eda t\u00e9rmica, sino que tambi\u00e9n demuestra c\u00f3mo la IA puede ser una herramienta poderosa en el dise\u00f1o y optimizaci\u00f3n de procesos industriales, abriendo nuevas posibilidades para el sector automovil\u00edstico y otros campos, como la fabricaci\u00f3n aditiva, que dependen de la eficiencia en la transferencia de calor.<\/p>\n
Publicaciones destacadas<\/strong><\/p>\n A. Larra\u00f1aga, S. Brunton, J. Mart\u00ednez, S. Chapela, J. Porteiro, Data-Driven Prediction of the Performance of Enhanced Surfaces from an Extensive CFD-generated Parametric Search Space, Mach Learn Sci Technol (2023). https:\/\/doi.org\/10.1088\/2632-2153\/acca60<\/a>
\n A. Larra\u00f1aga, J. Mart\u00ednez, J.L. M\u00edguez, J. Porteiro, Robust optimization of heat-transfer-enhancing microtextured surfaces based on machine learning surrogate models, International Communications in Heat and Mass Transfer 151 (2024) 107218. https:\/\/doi.org\/10.1016\/j.icheatmasstransfer.2023.107218<\/a>
\n A. Larra\u00f1aga, R.D. Sandberg, J. Mart\u00ednez, J. Porteiro, On the machine learning-assisted identification of the fundamental parameters of nonstandard microfin arrays to assess their heat transfer performance, Eng Appl Artif Intell 136 (2024) 108945. https:\/\/doi.org\/10.1016\/j.engappai.2024.108945<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"