Prediciendo la Turbulencia con Grafos

Un equipo de investigadores ha presentado una novedosa Red Neuronal Grafo (GNN) multi-escala para predecir el comportamiento de flujos turbulentos y la transferencia térmica en canales 2D con geometrías complejas, como las de los pin-fins utilizados en la refrigeración de componentes electrónicos.

El conjunto de datos para el entrenamiento de la GNN se generó mediante un marco automatizado que integra la generación de geometrías, el mallado y la solución del campo de flujo en ANSYS Fluent. Se parametrizó la geometría de los pin-fins utilizando splines cúbicas, produciendo 1.000 configuraciones distintas. Cada simulación se convirtió en una estructura de grafo, donde los nodos contenían información espacial, posición normalizada en la dirección del flujo, indicadores de límites y distancia al límite más cercano.

Precisión y Velocidad sin Precedentes

La GNN predice la temperatura, la magnitud de la velocidad y la presión en cada nodo con una precisión excepcional, capturando las capas límite, las zonas de recirculación y la región de estancamiento aguas arriba de los pin-fins. Lo más destacable es la drástica reducción del tiempo de cálculo: la GNN ofrece resultados en un tiempo de 2 a 3 órdenes de magnitud inferior al de las simulaciones tradicionales.

Implicaciones para la Ingeniería

Este avance tiene implicaciones significativas para la ingeniería, permitiendo simulaciones rápidas y precisas en configuraciones de flujo complejas. El uso de GNNs para este tipo de problemas abre la puerta a la optimización del diseño de sistemas térmicos y aerodinámicos de alta complejidad, reduciendo los costes computacionales y acelerando los ciclos de desarrollo.