Esta tesis presenta nuevos horizontes en la transferencia de calor por los beneficios y el potencial de utilizar herramientas de inteligencia artificial para abordar desafíos matemáticos complejos, como la optimización de procesos industriales
En un avance significativo para la ingeniería térmica, el pasado 19 de julio en CINTECX, la investigadora Ana Larrañaga Janeiro defendió su tesis doctoral titulada “Development of data-driven surrogate models for complex optimization in enhanced heat transfer applications”, marcando un hito en la aplicación de la inteligencia artificial (IA) en la optimización de procesos industriales. Dirigida por los doctores Jacobo Porteiro Fresco y Sergio Chapela López, esta investigación ha desarrollado modelos subrogados que aceleran la optimización de geometrías complejas en aplicaciones térmicas industriales.
Centrándose en la microescala, la tesis aborda los desafíos computacionales de los cálculos numéricos necesarios para la simulación de la transferencia de calor. A través de la parametrización de una microaleta -una superficie extendida que se utiliza para aumentar la transferencia de calor- como geometría base, se han generado miles de morfologías, 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 optimización y la consideración de geometrías inusuales.
El objetivo principal de la tesis ha sido establecer una metodología robusta para mejorar el rendimiento termohidráulico de superficies microtexturizadas. La investigación se ha dividido en varias fases, incluyendo la parametrización de la geometría base, la construcción de una base de datos, el desarrollo de modelos de aprendizaje automático, la optimización de la geometría de la microaleta, el desarrollo de herramientas de análisis exploratorio para bases de datos de alta dimensión y la nueva parametrización de geometrías complejas.
Los hallazgos de la tesis destacan el potencial de las herramientas de IA para enfrentar desafíos matemáticos complejos en ingeniería. Además, se ha investigado cómo ciertas morfologías pueden mejorar el rendimiento termohidráulico de superficies microtexturizadas.
La tesis también ha fomentado colaboraciones internacionales, incluyendo la participación 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 éxito de esta investigación.
Este trabajo no solo representa un avance en la ingeniería térmica, sino que también demuestra cómo la IA puede ser una herramienta poderosa en el diseño y optimización de procesos industriales, abriendo nuevas posibilidades para el sector automovilístico y otros campos, como la fabricación aditiva, que dependen de la eficiencia en la transferencia de calor.
Publicaciones destacadas
A. Larrañaga, S. Brunton, J. Martínez, 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. Larrañaga, J. Martínez, J.L. Míguez, 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. Larrañaga, R.D. Sandberg, J. Martínez, 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.