Inteligencia artificial y supercomputación al servicio de la aerodinámica: de la optimización de vehículos a la mitigación de peligros urbanos

Esta tesis presenta un conjunto de metodologías para la reducción de la dimensionalidad de datos de flujos turbulentos, con un enfoque en simulaciones de alta fidelidad de aerodinámica externa en contextos industriales, como el flujo en torno a automóviles simplificados. Estas simulaciones, normalmente realizadas en mallas no estructuradas con cientos de millones de grados de libertad, requieren herramientas escalables para el análisis y la modelización. Todos los desarrollos se han implementado en pyLOM, una biblioteca de Python de código abierto diseñada para reducir dimensionalidad de datos del orden de magnitud de terabytes.

El trabajo avanza en cuatro etapas principales. En primer lugar, las técnicas clásicas de reducción basadas en la descomposición en valores singulares (SVD), como la descomposición ortogonal propia (POD), descomposición en modos dinámicos (DMD) y POD espectral (SPOD), se han adaptado a la computación de altas prestaciones aprovechando la factorización QR en paralelo. Esto ha permitido aplicar estos algoritmos a conjuntos de datos de varios terabytes, como la simulación numérica directa del flujo en el difusor de Stanford. En segundo lugar, se ha desarrollado un autoencodificador variacional (VAE) basado en redes neuronales convolucionales (CNN) para la reducción no lineal de la dimensionalidad. Esta estrategia es capaz de capturar con éxito la dinámica temporal de la presión trasera del coche Windsor con sólo dos variables latentes. Ambas metodologías se han combinado para crear un nuevo método llamado Geometry-Agnostic Variational-autoencoder Integration (GAVI), sustituyendo el paso SVD por un VAE que opera sobre datos factorizados con QR. GAVI proporciona espacios latentes compactos sin necesidad de mallas estructuradas, logrando una alta recuperación de energía en varios casos de prueba. Por último, se propone una estrategia basada en transformers para compensar la pérdida de energía en los modelos reducidos. Mediante el aprendizaje de la distribución espacial de las fluctuaciones no resueltas se mejora la exactitud tanto de los campos instantáneos como del valor cuadrático medio de las fluctuaciones.