⚡ electrical engineering

Modeling method for axial symmetric liquid storage tank sloshing equivalent parameters based on random forests

Este artículo propone un método de modelado rápido y de alta precisión para los parámetros de chapoteo equivalentes de tanques de almacenamiento de líquidos axisimétricos utilizando un modelo sustituto de Bosque Aleatorio entrenado con un conjunto de datos a gran escala, lo cual mejora significativamente la eficiencia del diseño y revela que la relación de llenado y la relación de longitud-esbeltez son los factores geométricos más críticos que influyen en el comportamiento del chapoteo.

Autores originales: Yulin Chen

Publicado 2026-07-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yulin Chen

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás diseñando un cohete para llevar astronautas a la Luna. Dentro de ese cohete hay enormes tanques llenos de combustible líquido. Ahora, imagina un vaso de agua en tu mano. Si caminas rápido, el agua se balancea de un lado a otro, ¿verdad? En un cohete, este balanceo no es solo un derrame desordenado; es una fuerza poderosa que puede desviar el cohete de su curso, haciendo que tambalee o incluso gire fuera de control. Los ingenieros llaman a esto "sloshing" (chapoteo). Para mantener el cohete estable, necesitan predecir exactamente cómo se moverá ese líquido. Para ello, crean un "gemelo virtual" del líquido: un modelo matemático simplificado que actúa como un peso oscilante en una cuerda (un péndulo) o un peso rebotando en un resorte. Estos modelos le dicen a la computadora del cohete cómo ajustar sus motores para combatir el bamboleo.

El problema es que determinar cómo se comportan estos pesos virtuales es increíblemente difícil. Tradicionalmente, los ingenieros tienen que ejecutar simulaciones computacionales masivas y lentas que pueden tardar horas o incluso días para una sola forma de tanque. Si quieren probar una nueva forma, tienen que esperar de nuevo. Es como intentar diseñar un coche nuevo construyendo un modelo de arcilla de tamaño real, poniéndolo en un túnel de viento y esperando una semana para ver si vuela. Necesitan una forma más rápida de adivinar la respuesta sin tener que construir todo cada vez. Aquí es donde entra el nuevo estudio, buscando un atajo que sea tanto rápido como preciso.

La gran idea del artículo: Enseñar a una computadora a adivinar el bamboleo

Este artículo presenta un nuevo y astuto método para predecir cómo chapotea el líquido en los tanques de los cohetes, utilizando un tipo de inteligencia artificial llamado "Random Forest" (Bosque Aleatorio). Piensa en un Bosque Aleatorio no como un grupo de árboles, sino como un enorme equipo de detectives. En lugar de un solo detective intentando resolver un misterio solo, tienes cientos de ellos, cada uno mirando las pistas desde un ángulo ligeramente diferente. Todos votan sobre la respuesta, y el resultado final suele ser muy acertado.

Los investigadores, liderados por Yulin Chen de la Universidad de Jiaotong de Shanghai, quisieron ver si este "equipo de detectives" podía aprender a predecir el comportamiento del combustible líquido en tanques con formas cilíndricas, de cápsula o esféricas. Primero, construyeron un patio de juegos digital donde podían generar miles de formas de tanques diferentes. Utilizaron siete "perillas" para retocar los tanques: cambiando la longitud de la parte central recta, la forma de las tapas superior e inferior (haciéndolas más puntiagudas o redondeadas) y qué tan lleno estaba el tanque.

Para enseñar a su equipo de IA, no se limitaron a adivinar. Utilizaron un simulador de física de alta precisión y de confianza (llamado SLOSH-ML) para calcular las "reglas de chapoteo" exactas para 1,500 escenarios de tanques diferentes. Esto tomó un tiempo, pero creó una "clave de respuestas" perfecta. Luego, introdujeron estos datos en el Bosque Aleatorio. La IA estudió los patrones, aprendiendo cómo el cambio en la forma del tanque o el nivel de llenado alteraba la forma en que el líquido oscilaba.

Los resultados: Velocidad y sorpresa

Los resultados fueron impresionantes. Una vez entrenada, la IA podía predecir el comportamiento del chapoteo en milisegundos. Eso es miles de veces más rápido que las simulaciones físicas tradicionales, que pueden tardar horas. Pero la velocidad no fue la única victoria; la precisión también estaba ahí.

Las predicciones de la IA fueron increíblemente cercanas a las respuestas de la física "real". Para ocho parámetros diferentes (como el peso del líquido oscilante, cuánto dura el péndulo virtual o qué tan rígido es el resorte virtual), el modelo obtuvo una puntuación de precisión promedio (llamada $R^2$ ) de 0.946. En el mundo de las predicciones, una puntuación de 1.0 es perfecta, y 0.98 o superior se considera excelente. Seis de los ocho parámetros que predijo la IA alcanzaron esa marca de 0.98 o superior. Incluso los que fueron ligeramente más bajos seguían siendo lo suficientemente precisos como para ser útiles en la ingeniería real, con errores tan pequeños que no causarían que un cohete se estrellara.

¿Qué es lo que realmente importa? (El secreto de "Sobol")

Los investigadores no se detuvieron solo en crear una calculadora rápida. También se hicieron una pregunta más profunda: "¿Qué partes de la forma del tanque importan más?". Para responder a esto, utilizaron un método llamado "análisis de sensibilidad de Sobol", que es como un reflector que ilumina los factores más importantes mientras atenúa los menos importantes.

Encontraron dos "superestrellas" que controlaban casi todo:

La relación de llenado: Qué tan lleno está el tanque.
La relación de esbeltez: Qué tan largo y delgado es el tanque en comparación con su anchura.

Estos dos factores fueron los que hicieron el trabajo pesado, influyendo en el comportamiento del chapoteo más que todos los demás detalles combinados. Cosas como la curva exacta de la parte superior o inferior del tanque importaban mucho menos. Es como darse cuenta de que, cuando te columpias en un columpio de un parque infantil, lo más importante es a qué altura estás sentado y qué tan largas son las cadenas; el color del asiento o la forma exacta del mango no cambian la forma en que te columpias.

Lo que esto significa para el futuro

Este artículo no pretende haber resuelto todos los problemas de la ciencia de cohetes, pero ofrece una herramienta poderosa. Al usar este método de Bosque Aleatorio, los ingenieros ahora pueden probar cientos de diseños de tanques en el tiempo que antes les tomaba probar solo uno. Pueden iterar rápidamente, encontrando la mejor forma para evitar que el combustible chapotee demasiado violentamente, todo sin pasar meses en ejecuciones computacionales lentas.

El estudio confirma que el aprendizaje automático puede capturar la física compleja y ondulante del combustible líquido con alta precisión. Sugiere que el futuro del diseño de cohetes podría involucrar asistentes de IA que digan instantáneamente a los ingenieros: "Si haces el tanque un 10% más delgado, el combustible oscilará menos", permitiéndoles construir naves espaciales más seguras y eficientes mucho más rápido que antes.

Resumen Técnico: Método de Modelado para Parámetros Equivalentes de Oscilación de Tanques de Almacenamiento de Líquidos Axisimétricos Basado en Bosques Aleatorios

Planteamiento del Problema
En la ingeniería aeroespacial, el comportamiento dinámico de la oscilación (sloshing) del propelente líquido dentro de los tanques de almacenamiento impacta críticamente la estabilidad de actitud y la precisión del control de los vehículos de lanzamiento y naves espaciales. La determinación precisa de los parámetros equivalentes de oscilación —tales como frecuencias naturales, masas equivalentes, longitudes de péndulo, y razones de amortiguamiento— es un requisito previo para el diseño de los sistemas de Guía, Navegación y Control (GNC). Los métodos tradicionales para obtener estos parámetros enfrentan limitaciones significativas:

Los métodos analíticos son computacionalmente rápidos pero están restringidos a tanques axisimétricos regulares y no pueden manejar configuraciones complejas o estructuras anti-oscilación.
Las simulaciones numéricas (por ejemplo, el Método de Elementos de Contorno o CFD) ofrecen una mayor precisión, pero sufren de una baja eficiencia computacional, donde una sola simulación puede tomar horas o días, lo que las hace inadecuadas para la iteración rápida de múltiples esquemas.
Las pruebas de modelos son fiables pero costosas y consumen mucho tiempo, quedando generalmente reservadas para la verificación final.

En consecuencia, existe la necesidad de un método de modelado de alta precisión y rápida capacidad que pueda manejar diversas geometrías de tanques para apoyar ciclos de diseño eficientes y reducir los costos de I+D.

Metodología
El artículo propone un marco de modelado rápido que integra la definición geométrica paramétrica, la simulación de alta fidelidad y el modelado sustituto mediante aprendizaje automático (machine learning).

Descripción Paramétrica del Tanque: Se construyó un sistema totalmente paramétrico para caracterizar los tanques de almacenamiento de líquidos axisimétricos utilizando siete parámetros geométricos con un significado físico claro. Estos parámetros definen la longitud de la sección cilíndrica, las longitudes de los bordes rectos de la parte superior e inferior, los índices de forma de la parte superior e inferior (que controlan la transición de perfiles planos a esféricos/elipsoidales) y la relación de esbeltez. Este marco unifica la representación de configuraciones de ingeniería comunes, incluyendo tanques cilíndricos, de cápsula y esféricos.
Generación de Conjunto de Datos: Se generó un conjunto de datos estandarizado a gran escala utilizando SLOSH-ML, una herramienta de simulación de método de elementos de contorno (BEM) verificada basada en la teoría de flujo potencial lineal. SLOSH-ML reduce el problema de oscilación 3D a un plano meridional 2D, ofreciendo una alta precisión de ingeniería con un costo computacional significativamente menor que el CFD.
- Muestreo: Se utilizó el Muestreo de Hipercubo Latino (LHS) para generar 1,500 conjuntos de muestras a través del espacio de parámetros factible.
- Objetivos: Para cada muestra, se calcularon ocho parámetros equivalentes: masa fija, masa móvil (masa de oscilación), longitud de péndulo equivalente, altura del punto de suspensión, razón de amplitud de oscilación (CMI), masa de oscilación de masa-resorte, altura de masa-resorte y rigidez de resorte.
- División de Datos: El conjunto de datos se dividió en un conjunto de entrenamiento (1,200 muestras) y un conjunto de prueba (300 muestras).
Modelo Sustituto de Bosque Aleatorio (Random Forest): Se entrenó un modelo de regresión de Bosque Aleatorio (RF) para mapear los siete parámetros de entrada geométricos a los ocho parámetros equivalentes de salida.
- Optimización: Los hiperparámetros (número de árboles, profundidad máxima, división mínima de muestras, etc.) se optimizaron mediante búsqueda de cuadrícula (grid search) combinada con validación cruzada de 5 pliegues (5-fold cross-validation).
- Evaluación: El rendimiento del modelo se evaluó utilizando el coeficiente de determinación ( $R^2$ ), el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE).
Análisis de Sensibilidad: Para interpretar el modelo e identificar los impulsores clave del diseño, se aplicó el análisis de sensibilidad global de Sobol. Este método cuantifica tanto los efectos independientes de los parámetros geométricos individuales como sus efectos de interacción sobre las variables de salida.

Resultados Clave

Precisión de Predicción: El modelo sustituto de Bosque Aleatorio demostró una alta capacidad predictiva. El coeficiente de determinación ( $R^2$ $R^{2}$ ) promedio a través de las ocho variables objetivo fue de 0.946. Seis de los ocho parámetros alcanzaron un $R^2$ $R^{2}$ superior a 0.98.
- La razón de amplitud de oscilación (CMI) mostró la mayor precisión ( $R^2 = 0.990$ ).
- La masa móvil, la longitud de péndulo equivalente y la rigidez de resorte también alcanzaron valores de $R^2$ por encima de 0.98.
- Los parámetros con rangos numéricos estrechos, como la altura de suspensión y la altura de instalación del resorte, mostraron puntuaciones de $R^2$ más bajas (0.824 y 0.891, respectivamente) debido a la amplificación de los errores relativos, aunque sus errores absolutos permanecieron extremadamente bajos y dentro de los límites de ingeniería permisibles.
Eficiencia Computacional: El modelo entrenado logra predicciones a nivel de milisegundos, lo que representa una mejora en la eficiencia computacional de 3 a 4 órdenes de magnitud en comparación con los métodos tradicionales de BEM y CFD.
Hallazgos de Sensibilidad: El análisis de Sobol reveló patrones distintos en la influencia de los parámetros:
- La Relación de Llenado (Fill Ratio) y la Relación de Esbeltez (Slenderness Ratio) son los factores dominantes, ocupando el primer y segundo lugar en los índices de sensibilidad total para los ocho parámetros equivalentes.
- La masa fija, el momento de inercia de la masa de oscilación y la altura de montaje del resorte están predominantemente impulsados por la relación de llenado.
- La masa de oscilación, la longitud de péndulo equivalente y la rigidez equivalente están dominados conjuntamente por la relación de esbeltez y la relación de llenado.
- Otros parámetros estructurales (por ejemplo, índices de forma de la cabeza, longitudes de secciones específicas) exhiben una sensibilidad de primer orden insignificante, siendo su influencia derivada principalmente de interacciones con las variables geométricas centrales.

Significancia y Contribuciones
El artículo afirma que el método propuesto proporciona una base teórica y práctica robusta para el diseño y la optimización rápida de contenedores de almacenamiento de naves espaciales. Al capturar con éxito las fuertes relaciones de mapeo no lineales entre geometrías de tanques complejas y parámetros de oscilación equivalentes, el modelo sustituto de Bosque Aleatorio permite:

Iteración de Diseño Rápida: La velocidad de predicción a nivel de milisegundos permite la evaluación de miles de esquemas de diseño en el tiempo que antes requería una sola simulación, acortando significativamente los ciclos de diseño.
Reducción de Costos: El método reduce la dependencia de las costosas y prolongadas pruebas de modelos físicos y de las simulaciones de CFD de alta fidelidad durante las etapas iniciales y medias del desarrollo.
Guía de Diseño: El análisis de sensibilidad proporciona evidencia cuantitativa clara de que la relación de llenado y la relación de esbeltez son los parámetros de diseño más críticos. Este conocimiento dirige a los ingenieros para que prioricen estas variables al optimizar las configuraciones de los tanques para controlar las características de oscilación, ofreciendo una base clara para la optimización de la configuración.

El estudio concluye que el modelado sustituto basado en aprendizaje automático, específicamente utilizando Bosques Aleatorios, es un enfoque factible y altamente efectivo para la predicción rápida de los parámetros equivalentes de oscilación de tanques, cerrando la brecha entre la precisión de la simulación de alta fidelidad y la velocidad requerida para el diseño de la ingeniería aeroespacial moderna.

Más como este