Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

En el mundo de la aviación, el motor es el corazón, pero el compresor son los pulmones. Este componente, un conjunto de álabes giratorios dentro de un tubo de metal, debe succionar aire, comprimirlo con fuerza y empujarlo hacia la cámara de combustión con una eficiencia increíble. Si el aire no fluye de manera suave, el motor puede entrar en pérdida, perder potencia o incluso fallar. Durante décadas, los ingenieros han dependido de dos herramientas principales para comprender este flujo complejo: experimentos físicos en túneles de viento y simulaciones por computadora. Los experimentos son precisos pero costosos y difíciles de realizar dentro de una máquina giratoria. Las simulaciones por computadora son económicas y flexibles, pero a menudo luchan por predecir la turbulencia caótica y arremolinada del aire con una precisión perfecta. El desafío siempre ha sido cómo obtener lo mejor de ambos mundos: la fiabilidad de los datos del mundo real y la visión amplia de un modelo computacional, sin gastar una fortuna ni esperar años por los resultados.

Un equipo de investigadores de Arts et Métiers en Francia ha desarrollado una nueva forma de cerrar esta brecha, centrándose en un compresor de prueba específico conocido como CME2. Crearon un sistema híbrido que primero combina mediciones experimentales limitadas con simulaciones por computadora para construir una imagen altamente precisa del flujo de aire. Luego, enseñaron a un programa informático a aprender de esta imagen mejorada, creando una herramienta que pueda predecir el flujo con precisión por sí sola en el futuro. El objetivo era corregir los errores de las simulaciones estándar para que pudieran igualar la calidad de los costosos experimentos, pero sin necesidad de que los experimentos estuvieran presentes cada vez que se realizara un nuevo cálculo.

Los investigadores comenzaron con un banco de pruebas de compresor de una sola etapa en Lille, Francia. Esta máquina hace girar un rotor con treinta álabes y un conjunto estacionario de cuarenta álabes. Para ver qué estaba sucediendo en su interior, utilizaron una técnica llamada Velocimetría de Imágenes de Partículas. Este método consiste en sembrar el aire con diminutas partículas de humo y disparar una lámina de láser a través de la máquina para iluminarlas. Una cámara de alta velocidad captura el movimiento de estas partículas, permitiendo al equipo mapear la velocidad del aire en tres secciones específicas a lo largo de la altura de los álabes. Sin embargo, estas mediciones solo existen en esas tres secciones delgadas; el resto de la máquina permanece como un punto ciego.

Para llenar los vacíos, el equipo realizó simulaciones por computadora utilizando dos niveles diferentes de detalle. Una simulación era un modelo estacionario y simplificado que se ejecutaba rápidamente pero omitía algunos de los detalles complejos y cambiantes del flujo. La otra era una simulación mucho más detallada e inestable que capturaba la turbulencia arremolinada, pero requería una potencia de cómputo masiva y aún presentaba algunas imprecisiones. Los investigadores utilizaron entonces un método estadístico llamado asimilación de datos para fusionar estas tres fuentes de información: las escasas mediciones láser, la simulación rápida y la simulación detallada. Este proceso actuó como un filtro inteligente, tomando las predicciones computacionales aproximadas y ajustándolas para que coincidieran con los datos reales del láser donde existían, mientras utilizaba la física de los modelos computacionales para completar el resto de la máquina. El resultado fue un mapa completo y de alta calidad del flujo de aire, mucho más preciso de lo que cualquier fuente individual podría proporcionar por sí sola.

Con este nuevo y superior mapa en mano, los investigadores se enfrentaron a un nuevo desafío. El proceso de asimilación de datos era poderoso, pero requería que las mediciones láser estuvieran presentes durante el cálculo. Querían una herramienta que pudiera producir este mismo resultado de alta calidad sin necesidad de contar con los datos láser cada vez. Para lograrlo, recurrieron al aprendizaje automático (machine learning). Entrenaron una red neuronal, un tipo de programa informático diseñado para reconocer patrones, utilizando los datos de su mapa mejorado. El programa aprendió a observar las características locales del flujo, como la velocidad del aire y la rapidez con la que esa velocidad cambia, y luego predecir un término de corrección. Este término de corrección era esencialmente un "empuje" matemático que podía añadirse a las ecuaciones computacionales estándar para forzarlas a comportarse más como el flujo real de alta calidad.

Cuando probaron estas herramientas de aprendizaje automático, los resultados fueron prometedores pero revelaron una limitación crítica. Cuando la herramienta fue entrenada con datos del medio del álabe, funcionó muy bien en esa región, reduciendo el error significativamente en comparación con la simulación estándar. Sin embargo, cuando la herramienta entrenada en el medio del álabe se aplicó a la punta del mismo, o viceversa, las predicciones se volvieron poco fiables. En la zona más compleja, cerca de las puntas de los álabes donde el aire gira violentamente, un solo modelo de aprendizaje automático entrenado en una parte de la máquina hizo que la simulación computacional fuera, de hecho, peor de lo que era antes. El modelo simplemente no podía generalizar su conocimiento a un entorno físico tan diferente.

Para resolver esto, los investigadores desarrollaron una estrategia conocida como "mezcla de expertos" (mixture of experts). En lugar de depender de un único programa informático que lo sepa todo, crearon un sistema que actúa como un controlador de tráfico. Este controlador observa la ubicación dentro de la máquina y decide qué herramienta de aprendizaje automático especializada es la más adecuada para ese lugar específico. Si el aire está cerca del eje (hub), utiliza la herramienta entrenada con datos del eje; si está cerca de la punta, cambia a la herramienta entrenada con datos de la punta. Al combinar estos expertos especializados, el sistema pudo mantener una alta precisión en toda la máquina. El resultado final fue un modelo que redujo el error en la simulación computacional a un nivel muy cercano al mapa de asimilación de datos de alta calidad, pero sin necesidad de datos experimentales durante el cálculo.

El estudio demuestra que, si bien el aprendizaje automático puede mejorar drásticamente las simulaciones computacionales de maquinaria compleja, un solo modelo a menudo no es suficiente para manejar todas las situaciones. Al combinar las fortalezas de la asimilación de datos con un sistema inteligente que cambia entre herramientas de aprendizaje especializadas, los investigadores crearon un método robusto que preserva la precisión incluso en las regiones más difíciles del flujo. Este enfoque ofrece un camino hacia el diseño de motores de aeronaves más eficientes y seguros, permitiendo a los ingenieros confiar en modelos computacionales que sean tan fiables como los experimentos físicos, pero mucho más rápidos y económicos de utilizar.