Intel·ligència artificial i supercomputació al servei de l'aerodinàmica: de l'optimització de vehicles a la mitigació de perills urbans

Aquesta tesi presenta un conjunt de metodologies per a la reducció de la dimensionalitat de dades de fluxos turbulents, amb un enfocament en simulacions d’alta fidelitat d’aerodinàmica externa en contextos industrials, com ara el flux al voltant d'automòbils simplificats. Aquestes simulacions, normalment realitzades en malles no estructurades amb centenars de milions de graus de llibertat, requereixen eines escalables per a l’anàlisi i la modelització. Tots els desenvolupaments s’han implementat a pyLOM, una biblioteca de Python de codi obert dissenyada per a reduir dimensionalitat de dades de l'ordre de magnitud de terabytes.

El treball avança en quatre etapes principals. En primer lloc, les tècniques clàssiques de reducció basades en la descomposició en valors singulars (SVD), com la descomposició ortogonal pròpia (POD), descomposició en modes dinàmics (DMD) i POD espectral (SPOD), s’han adaptat a la computació d’altes prestacions aprofitant la factorització QR en paral·lel. Això ha permès aplicar aquests algorismes a conjunts de dades de diversos terabytes, com la simulació numèrica directa del flux en el difusor de Stanford. En segon lloc, s’ha desenvolupat un autoencodificador variacional (VAE) basat en xarxes neuronals convolucionals (CNN) per a la reducció no lineal de la dimensionalitat. Aquesta estratègia és capaç de capturar amb èxit la dinàmica temporal de la pressió posterior del cotxe Windsor amb només dues variables latents. Ambdues metodologies s’han combinat per crear un mètode nou anomenat Geometry-Agnostic Variational-autoencoder Integration (GAVI), substituint el pas SVD per un VAE que opera sobre dades factoritzades amb QR. GAVI proporciona espais latents compactes sense necessitat de malles estructurades, assolint una alta recuperació d’energia en diversos casos de prova. Finalment, es proposa una estratègia basada en transformers per compensar la pèrdua d’energia en els models reduïts. Mitjançant l’aprenentatge de la distribució espacial de les fluctuacions no resoltes es millora l’exactitud tant dels camps instantanis com del valor quadràtic mitjà de les fluctuacions.