Resumen

La dinámica de fluidos computacional, si bien ha supuesto un importante avance en el análisis y estudio aerodinámico, todavía requiere una gran cantidad de recursos computacionales y de tiempo. En contraposición, métodos de resolución de problemas basados en aprendizaje profundo han demostrado ser soluciones computacionalmente eficaces y significativamente más rápidas, lo que permite optimizar el uso de los recursos y acelerar el proceso de diseño. En el presente proyecto de investigación se han desarrollado dos sistemas de predicción aerodinámicos basados en redes neuronales convolucionales. El primero, diseñado a partir de una base de datos compuesta por más de 2100 automóviles y de estructura codificador-decodificador, predice los campos de presión y velocidad del aire en torno a un automóvil a partir de su función de distancia con signo. Por otro lado, el segundo sistema estima el coeficiente de resistencia aerodinámica al avance a partir de representaciones en tres dimensiones de automóviles recuperadas de una base de datos con más de 9760 vehículos. Los resultados (MSE) del primer modelo, 214'28 (campos de velocidad eje X), 161,90 (campos de velocidad eje Y) y 84,55 (campos de presión), así como los del segundo, 0,0039 (MSE) y una exactitud del 85,58%, demuestran la aplicabilidad de la inteligencia artificial para la predicción aerodinámica, reduciendo los costes asociados a los métodos tradicionales.

Leer más

Abstract

Whilst computational fluid dynamics has resulted in significant progress in aerodynamic analysis and study, it still requires substantial computational resources and time. In contrast, deep learning approaches to problem-solving have proven to be computationally efficient and notably faster, optimizing resource utilization and accelerating the design process. In this research project two aerodynamic prediction systems based on convolutional neural networks have been developed. The first system, designed using a database with over 2100 cars, consists of an encoder-decoder structure and predicts the air's pressure and velocity fields around a car based on its signed distance function. On the other hand, the second system estimates the drag coefficient from three-dimensional representations of cars retrieved from a database with over 9760 vehicles. The results (MSE) in the first model, 214.28 (X-axis velocity field), 161.90 (Y-axis velocity field), and 84.55 (pressure field), as well as in the second model, 0.0039 (MSE) and an accuracy of 85.58%, highlight artificial intelligence's applicability for aerodynamic prediction, reducing the costs derived from traditional methods.