Desarrollan un método de optimización para el diseño computacional de aplicaciones industriales
Los investigadores de la Escuela de Ingenierías Industriales de la Universidad de Málaga Francisco Javier Granados Ortiz y Joaquín Ortega Casanova han diseñado una nueva metodología utilizando algoritmos de Machine Learning para predecir qué combinaciones de los parámetros del diseño de un problema van a ser útiles y cuáles no, en función del objetivo que se persiga, y así guiar el proceso de diseño. En concreto, este procedimiento ha sido aplicado al diseño de un mezclador mecánico que produce un aumento considerable de la transferencia de calor/intercambio de masa entre dos fluidos, gracias al desprendimiento de vórtices, lo que se traduce en un flujo de características oscilatorias.
Fuente: Universidad de Málaga
En el campo de la Ingeniería Industrial el uso de simulaciones para modelar, predecir e, incluso, optimizar la respuesta de un sistema o dispositivo está muy extendido, puesto que resulta más económico y menos complejo -y, a veces, menos peligroso- que construir varios prototipos y testarlos.
Para este tipo de estudios de simulación se utilizan métodos numéricos que, dependiendo del problema a tratar -por ejemplo, disminuir las fuerzas aerodinámicas de un avión cambiando su forma o usar el mínimo material posible en un elemento sometido a cargas sin que se rompa-, requieren simular una elevada variedad de posibles casos combinacionales, lo que implica costes computacionales muy elevados.
Los investigadores de la Escuela de Ingenierías Industriales de la Universidad de Málaga Francisco Javier Granados Ortiz y Joaquín Ortega Casanova han dado un paso más con el desarrollo de un novedoso método de optimización por diseño computacional que, mediante el uso de inteligencia artificial, disminuye estos costes de simulación.
Diseños más rápidos y con menor coste
Han diseñado una nueva metodología utilizando algoritmos de Machine Learning para predecir qué combinaciones de los parámetros del diseño de un problema van a ser útiles y cuáles no, en función del objetivo que se persiga, y así guiar el proceso de diseño.
“El uso de este método permite la obtención de diseños optimizados más rápidos al descartar simulaciones de poco o nulo interés y, así, ahorrar costes no solo en construcción de prototipos físicos, sino también de simulación”, explican los investigadores del Área de Mecánica de Fluidos.
En concreto, este procedimiento ha sido aplicado al diseño de un mezclador mecánico que produce un aumento considerable de la transferencia de calor/intercambio de masa entre dos fluidos, gracias al desprendimiento de vórtices, lo que se traduce en un flujo de características oscilatorias. “En función de los parámetros de diseño del mezclador, utilizando nuestro método, hemos comprobado que este flujo puede controlarse y lograr un aumento eficiente del mezclado, pero a la vez una disminución de la caída de presión dentro del mismo”, afirma Ortega Casanova.
Los resultados de esta investigación han sido publicados en la revista científica Physics of Fluids que, además, ha seleccionado esta publicación como ‘Editor’s Pick’ –publicación destacada por parte del editor-.
El estudio ha contado con la ayuda de manera conjunta de la UMA y la Junta de Andalucía a través de los fondos FEDER de la Unión Europea, así como con fondos del Plan Andaluz de Investigación, Desarrollo e Innovación (PAIDI) 2020, mediante la beca postdoctoral de Granados Ortiz.
Referencia bibliográfica:
Granados Ortiz, F.J. y Ortega-Casanova, J. (2021) Machine learning-aided design optimisation of a mechanical micromixer. Physics of Fluids; (33): 063604 https://doi.org/10.1063/5.0048771
Últimas publicaciones
El Espacio Creativo Cultural Santa Clara del Ayuntamiento de Palma del Río acoge la exposición ‘Paseo Matemático al-Ándalus’ de la Fundación Descubre / Consejería de Universidad, Investigación e Innovación de la Junta de Andalucía, una muestra que podrá visitarse hasta el próximo 14 de octubre.
Sigue leyendoUn equipo de investigación de la Universidad de Málaga presenta una herramienta estadística para identificar de forma precisa conexiones cerebrales incluso cuando la señal está distorsionada e incompleta. Este modelo es aplicable a contextos clínicos como el estudio de enfermedades neurodegenerativas como el Alzheimer o el Parkinson, el procesamiento del lenguaje o el desarrollo neurotecnológico.
Esta es una de las conclusiones del estudio que ha realizado un equipo de científicos de la Universidad de Granada con ratones de laboratorio y que ha detectado también el impacto de estos químicos en la proliferación de la obesidad infantil.
Sigue leyendo