Machine-learning-assisted phase-amplitude reduction for fast synchronization of airfoil wakes with constrained fluctuations

El aire fluye alrededor de los objetos de maneras que pueden ser tanto predecibles como salvajemente caóticas. Cuando una forma sólida, como el ala de un avión, se mueve a través del aire, el fluido no siempre se desliza suavemente sobre su superficie. En su lugar, a menudo se desprende, creando vórtices giratorios que se desprenden de la parte posterior en un patrón rítmico y repetitivo. Este fenómeno, conocido como desprendimiento de vórtices, es un comportamiento fundamental de los fluidos que ocurre en todo, desde el viento soplando junto a un puente hasta el agua fluyendo alrededor del casco de un barco. Si bien estos patrones giratorios son naturales, pueden causar problemas. El temblor rítmico que inducen puede provocar fatiga estructural, ruido excesivo o una pérdida de sustentación que hace que el vuelo sea ineficiente. Para los ingenieros, el objetivo suele ser domar estos flujos, ya sea para detener la vibración o para cambiar su ritmo hacia algo más manejable. Sin embargo, el aire es un sistema complejo y de alta dimensionalidad, lo que significa que tiene innumerables partes móviles que interactúan de formas difíciles de predecir. Intentar controlar tal sistema suele requerir cantidades masivas de datos y potencia de cálculo, lo que lo convierte en una tarea desalentadora para aplicaciones del mundo real donde los sensores son limitados y el tiempo es escaso.

Un equipo de investigadores ha desarrollado un nuevo método para dirigir estos flujos de aire caóticos de manera rápida y precisa, utilizando muy poca información. Al combinar una técnica matemática que simplifica ritmos complejos con el aprendizaje automático moderno, demostraron cómo cambiar la velocidad a la que el aire gira fuera de un ala, manteniendo al mismo tiempo las fuerzas sobre el ala estables. El estudio se centró en un escenario específico donde el ala de un avión está inclinada en un ángulo pronunciado, lo que provoca que el aire se separe y cree una estela turbulenta. En este estado, el ala experimenta un desprendimiento rítmico de vórtices que puede ser peligroso. Los investigadores querían forzar a esta estela a cambiar su ritmo más rápido de lo que lo haría naturalmente, pero se enfrentaron a una restricción crítica: no podían permitir que los cambios causaran oscilaciones salvajes en la fuerza de sustentación, lo que haría que la aeronave fuera inestable.

Para resolver esto, el equipo primero tuvo que comprender el "latido" del flujo de aire. Trataron la estela giratoria no como un caos desordenado, sino como un oscilador rítmico, similar a un péndulo que oscila de un lado a otro. Cada ritmo tiene un tiempo específico, o fase, y una fuerza específica, o amplitud. Los investigadores necesitaban saber exactamente cuándo presionar el aire para cambiar su velocidad y con qué fuerza presionar sin que el ritmo se volviera demasiado salvaje. Tradicionalmente, encontrar el momento perfecto para presionar requiere conocer la sensibilidad de cada punto individual en el aire alrededor del ala, una tarea que usualmente exige una supercomputadora para simular todo el campo de flujo. En su lugar, este equipo utilizó un atajo ingenioso. Colocaron solo tres diminutos sensores en la superficie del ala para medir el comportamiento local del aire. Utilizando un algoritmo de aprendizaje automático, construyeron un modelo matemático que podía predecir el flujo complejo y giratorio de toda la estela basándose únicamente en las lecturas de estos tres puntos.

Con este modelo simplificado en mano, los investigadores aplicaron una técnica llamada reducción de fase-amplitud. Este método les permitió mapear un "mapa de sensibilidad" para todo el flujo de aire utilizando solo los datos de los tres sensores. Este mapa les mostró exactamente dónde y cuándo era el aire más sensible a un empuje. Descubrieron que el lugar más efectivo para actuar era cerca del borde de ataque del ala. Más importante aún, descubrieron que el mejor momento para presionar para cambiar el ritmo era diferente del mejor momento para presionar si quisieran evitar que el ala vibrara demasiado. Si solo les importaba la velocidad, presionarían en un momento; si les importaba la estabilidad, tenían que presionar en un momento diferente.

El equipo diseñó entonces una señal de control específica, una forma de onda, que actuó como una instrucción precisa para el aire. Esta señal fue calculada para sincronizar el ritmo de la estela con una nueva frecuencia, más rápida, lo más pronto posible, mientras simultáneamente penalizaba cualquier acción que causara que la fuerza de sustentación fluctuara salvajemente. Cuando probaron esto en simulaciones por computadora, los resultados fueron sorprendentes. El nuevo método cambió la frecuencia del aire que gira fuera del ala ocho veces más rápido que un empuje simple de ida y vuelta estándar. Además, al incluir la penalización por la fluctuación de la amplitud en su cálculo, lograron suprimir las oscilaciones en la fuerza de sustentación en un veinte por ciento en comparación con un método que solo se enfocaba en la velocidad.

El estudio confirma que es posible controlar la dinámica de fluidos compleja con información muy dispersa. Al utilizar el aprendizaje automático para cerrar la brecha entre unas pocas lecturas de sensores y el flujo tridimensional completo, los investigadores crearon un camino para un control de flujo rápido y eficiente que no requiere sensores de campo completo costosos ni recursos computacionales masivos. Este enfoque sugiere que, en el futuro, los ingenieros podrían instalar arreglos de sensores simples en aviones o turbinas eólicas para gestionar activamente el flujo de aire, reduciendo la resistencia y el ruido sin desestabilizar la estructura. La técnica demostró ser efectiva en diferentes formas y ángulos de alas, mostrando que la física subyacente de estos flujos rítmicos puede ser domada con una estrategia inteligente basada en datos que respeta el delicado equilibrio entre la velocidad y la estabilidad.