Introducción & Justificación

La aerodinámica, disciplina que estudia el comportamiento entre fluidos y cuerpos en movimiento, es una de las ramas de la física que más se ha desarrollado en las últimas décadas. En gran medida, este acelerado desarrollo se debe a la dinámica de fluidos computacional (CFD), la cual permite realizar análisis pormenorizados del flujo de los fluidos desde un ordenador. Estas mejoras que presenta en el análisis aerodinámico unido a su significativamente inferior coste frente métodos de capital intensivo, como los túneles de viento, han resultado en su rápida adopción en diversas industrias. De ellas, una de las más importantes es la automovilística, donde los menores costes han abaratado la investigación y el desarrollo y donde unos mejores análisis aerodinámicos se han traducido en diseños más eficientes que reducen el consumo de combustible. No obstante, y aun cuando la dinámica de fluidos computacional haya supuesto un importante avance, esta todavía supone tanto un alto coste computacional como especialmente de tiempo. 

Similarmente, la mayor eficiencia derivada de la inteligencia artificial, además de haberse traducido en su reciente auge, supone y ha supuesto una revolución en la metodología de resolución de problemas. En este sentido, diversas publicaciones científicas han mostrado avances prometedores en la aplicación de sistemas basados en inteligencia artificial a la predicción del flujo de los fluidos, reduciendo drásticamente el coste computacional. De manera más significativa, los sistemas de predicción basados en aprendizaje profundo suponen una reducción del tiempo requerido en un orden de magnitud 1/160 frente a las simulaciones de CFD, alcanzando una tasa de error media de tan solo 5,25% [1], lo que, en última instancia, agiliza la toma de decisiones. 

Por otro lado, el 25 de septiembre de 2015 los 193 estados miembros de las Naciones Unidas acordaron los Objetivos de Desarrollo Sostenible (ODS), objetivos mediante los cuales se pretende abordar los principales desafíos globales. En ellos se hace un especial hincapié en la protección del medioambiente, de ahí, que reconociendo la excepcionalidad de la situación y el papel fundamental de una buena optimización de los recursos para reducir el impacto climático de la industria, este proyecto se refiera a la meta 9.4, "modernizar la infraestructura y reconvertir las industrias para que sean sostenibles, utilizando los recursos con mayor eficacia y promoviendo la adopción de tecnologías y procesos industriales limpios y ambientalmente racionales" [2]. 

Por ello, en el presente proyecto se propone un sistema de predicción de los campos de fluidos y coeficientes de resistencia aerodinámica de automóviles, elementos clave en su diseño aerodinámico, basado en redes neuronales convolucionales que coadyuve a una optimización en el uso de los recursos.