Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

El agua que fluye con fuerza sobre una presa o por un vertedero transporta una potencia inmensa. Si ese flujo de alta velocidad golpea el lecho del río sin previo aviso, actúa como un arenado implacable, tallando profundos agujeros y amenazando con socavar la propia estructura que retiene el agua. Para prevenir esta destrucción, los ingenieros construyen un estanque específico en la parte inferior de estas estructuras, conocido como cuenco de disipación. Su función es obligar al agua a frenarse y perder su energía de forma segura antes de continuar río abajo. Esto sucede a través de un evento caótico y turbulento llamado salto hidráulico, donde la lámina de agua rápida y delgada choca repentinamente contra un estanque más profundo y lento. El objetivo es disipar tanta de esa energía destructiva como sea posible. Sin embargo, hay un inconveniente: la misma turbulencia que rompe la energía también tiende a erosionar, o excavar, el lecho del río. Los ingenieros se han enfrentado durante mucho tiempo a un difícil equilibrio: diseñar un cuenco que detenga el poder del agua sin excavar un agujero tan profundo que colapse los cimientos.

Durante décadas, encontrar la forma perfecta para estos cuencos significaba depender de la prueba y error, modelos físicos en laboratorios o complejas simulaciones por computadora que podían tardar días en ejecutarse para un solo diseño. Un nuevo estudio, sin embargo, ofrece una forma más rápida e inteligente de resolver este rompecabezas. Investigadores de la Universidad Técnica del Norte y la Universidad de Karlstad han desarrollado un método que combina datos experimentales del mundo real con inteligencia artificial para encontrar los mejores diseños posibles en cuestión de minutos. En lugar de adivinar o ejecutar miles de lentas simulaciones por computadora, entrenaron a un cerebro digital para aprender de mediciones reales tomadas en experimentos previos. Este sistema utilizó luego un potente algoritmo de búsqueda para explorar miles de diseños potenciales, identificando rápidamente los compromisos ideales entre detener la energía del agua y proteger el lecho del río.

El equipo comenzó recopilando datos de alta calidad de dos estudios distintos, revisados por pares, donde científicos ya habían probado cómo se comportaba el agua en diferentes configuraciones de cuencos. Recopilaron ochenta puntos de datos distintos, cada uno representando una combinación específica de profundidad del agua, velocidad, longitud del cuenco y la altura de pequeños bloques colocados dentro del cuenco para interrumpir el flujo. Estos bloques, llamados deflectores o báflos, son cruciales porque ayudan a romper el agua y crear la turbulencia necesaria para frenarla. Los investigadores introdujeron estos datos reales en una red neuronal artificial, un tipo de programa informático modelado según el cerebro humano que es excelente para detectar patrones en información compleja. Enseñaron a este modelo digital a predecir dos cosas: cuánta energía perdería el agua (eficiencia) y qué tan profundo sería excavado el lecho del río (profundidad de erosión). El modelo aprendió tan bien que podía predecir el resultado de un nuevo diseño con una precisión superior al 95 por ciento, un nivel de precisión que lo convirtió en un sustituto fiable para realizar costosas pruebas físicas o lentas simulaciones por computadora.

Una vez entrenado el modelo digital, los investigadores lo pusieron a trabajar en el problema de encontrar el mejor diseño. Pidieron a la computadora que resolviera un conflicto clásico: maximizar la pérdida de energía mientras se minimiza simultáneamente la excavación del agujero. En el mundo real, no se pueden tener ambas cosas al mismo tiempo; usualmente, hacer que el agua pierda más energía significa que excava un agujero más profundo. Para navegar esto, utilizaron un algoritmo llamado NSGA-II, diseñado específicamente para manejar objetivos tan conflictivos. En lugar de dar una sola respuesta, el algoritmo generó una lista de 123 diseños diferentes, cada uno representando un compromiso único. Algunos diseños eran muy buenos deteniendo la energía pero dejaban un agujero ligeramente más profundo, mientras que otros eran suaves con el lecho del río pero no detenían la potencia del agua de manera tan efectiva. Esta colección de opciones, conocida como frente de Pareto, ofrece a los ingenieros un menú de opciones en lugar de una solución única forzada, permitiéndoles elegir el diseño que mejor se adapte a sus necesidades específicas.

El estudio identificó un diseño particular como el "mejor compromiso", una solución que se sitúa justo en medio de la curva de compensación. Para esta configuración ideal, el agua entra en el cuenco a una profundidad de 0.064 metros y una velocidad de 0.812 metros por segundo. El cuenco en sí tiene una longitud de aproximadamente 1.004 metros, y los deflectores en su interior miden 0.036 metros de altura. Esta configuración específica logra disipar el 51.10 por ciento de la energía del agua manteniendo la profundidad de erosión en solo 0.005 metros. Los investigadores también descubrieron qué factores importaban más. Encontraron que la velocidad del agua entrante era el mayor impulsor de la pérdida de energía; cambiar la velocidad tenía un impacto masivo en cuánta potencia se disipaba. Por el contrario, la altura de los deflectores era el factor más crítico para controlar qué tan profundo sería excavado el lecho del río. Al ajustar estas dos variables, los ingenieros pueden ajustar el cuenco para priorizar tanto la seguridad contra la erosión como la reducción máxima de la energía.

Quizás el hallazgo más significativo de este trabajo es la rapidez con la que se lograron estos resultados. En el pasado, optimizar un diseño como este utilizando simulaciones detalladas de dinámica de fluidos computacional podría tomar días o incluso semanas de tiempo de computación. Al utilizar el modelo de inteligencia artificial entrenado con datos reales, los investigadores completaron todo el proceso de optimización, incluyendo diez ejecuciones separadas para asegurar la fiabilidad, en unos 25 minutos en total. Esta reducción drástica de tiempo significa que los ingenieros ahora pueden explorar una gama mucho más amplia de posibilidades y encontrar mejores soluciones sin verse limitados por los límites computacionales. Aunque el estudio señala que los resultados específicos son válidos solo dentro del rango de condiciones probadas, el método en sí es una herramienta poderosa. Demuestra que, al combinar datos experimentales reales con algoritmos inteligentes, podemos resolver problemas hidráulicos complejos de manera eficiente, asegurando que las estructuras que protegen nuestros ríos y ciudades se diseñen con precisión y practicidad.