Conclusiones

o Los campos de presiones y fluidos, así como el coeficiente de resistencia aerodinámica al avance, aun cuando sean no lineales, pueden ser predichos por las redes neuronales convolucionales con un alto grado de precisión. 

o El alto grado de exactitud y bajo error alcanzado por ambos modelos de predicción indican que podrían ser implementados en la industria a gran escala. Más aún, la reducción en los costes económicos, de recursos y de tiempo derivados de su implementación contribuirían significativamente a la optimización y futura sostenibilidad climática y financiera de la industria. 

o La capacidad de generalización de las redes neuronales convolucionales unida a mayores bases de datos permite que los modelos puedan extrapolar sus aprendizajes a diversas formas de vehículos, condiciones y entornos sin necesidad de un reentrenamiento significativo, acelerando el proceso de diseño y permitiendo a los ingenieros probar y optimizar diferentes configuraciones más eficientemente. 

o A diferencia de los métodos basados en la dinámica de fluidos computacional, las redes neuronales convolucionales operan sin el mallado de la geometría del vehículo, lo que simplifica el proceso y evita las limitaciones derivadas de la calidad y resolución de la malla. 

o Durante el entrenamiento de un sistema de predicción basado en inteligencia artificial, la correcta definición de los hiperparámetros, así como una mayor cantidad de datos que entrenar se traducen en una menor tasa de error cuadrático medio y en una mayor exactitud, y con ello en unos mejores resultados.