Inteligencia de Fluidos: la IA Redefine Cómo Simulamos el Mar

La inteligencia artificial (IA) está transformando rápidamente nuestro mundo. Al automatizar tareas repetitivas, optimizar flujos de trabajo y mejorar la toma de decisiones, esta tecnología promete importantes mejoras en eficiencia y productividad en todas las industrias. 

Con este impulso en productividad y eficiencia, se proyecta que la IA contribuya con billones al crecimiento económico y al desarrollo mundial. 

La IA también ha demostrado un tremendo potencial para abordar desafíos complejos como enfermedades y el cambio climático, y para impulsar la innovación en varios sectores, permitiendo la creación de nuevos productos, servicios y modelos de negocio. 

Una aplicación interesante de la IA también se ha observado en el análisis de fluidos. En las máquinas, se prueban fluidos como lubricantes, refrigerantes y combustibles para identificar problemas que pueden indicar fallas o posibles averías.

Esto permite un mantenimiento y reparaciones oportunas, lo que ayuda a prevenir costosas averías y tiempos de inactividad. También minimiza la necesidad de reparaciones y reemplazos mayores y asegura que la maquinaria opere a su máximo rendimiento.

Durante muchos años, el análisis de fluidos ha sido bastante largo y engorroso. Pero la llegada de la IA ha simplificado, hecho más eficiente y preciso todo el proceso. 

Después de todo, las técnicas de IA y aprendizaje automático utilizan conjuntos de datos masivos, aprenden de ellos y luego hacen predicciones. La tecnología puede considerar el conjunto completo de datos de un activo a lo largo de su vida, usar múltiples señales simultáneamente y aprender a adaptarse mediante retroalimentación. 

Sin embargo, el análisis de fluidos va mucho más allá del aceite en máquinas. En la ingeniería costera y oceánica, el comportamiento de los fluidos desempeña un papel crítico en el diseño de estructuras marítimas, la modelación de cambios en la línea de costa e incluso en la explotación de la energía de olas y mareas. 

Avanzando la Inteligencia Costera y Marina con IA

En la ingeniería costera, la IA ha logrado muchas mejoras al abordar problemas como el transporte de sedimentos, la dinámica de la línea de costa, la optimización de diseños, la monitorización costera y la resiliencia climática.

Un ejemplo de esto se observó a finales del año pasado, cuando investigadores de la City University of Hong Kong utilizaron aprendizaje automático para mejorar la precisión del modelado del campo de viento de la capa límite de los ciclones tropicales.

“Los seres humanos vivimos en esta capa límite, por lo que comprenderla y modelarla con precisión es esencial para la predicción de tormentas y la preparación ante peligros.”

– Autor Qiusheng Li

Debido a que el aire en esta capa interactúa con la tierra, el océano y todo lo demás a nivel superficial, el modelado ha sido bastante desafiante. A pesar de que los enfoques tradicionales utilizan enormes cantidades de datos y ejecutan grandes simulaciones numéricas en supercomputadoras, a menudo siguen produciendo predicciones inexactas o incompletas.

El estudio más reciente utilizó un marco avanzado de aprendizaje automático informado por la física que requiere una pequeña cantidad de datos reales para capturar el comportamiento complejo de los campos de viento de los ciclones tropicales, que contienen información sobre la estructura, intensidad y posible impacto de la tormenta. El autor Feng Hu dijo:

“Con huracanes más frecuentes e intensos debido al cambio climático, nuestro modelo podría mejorar significativamente la precisión de las predicciones del campo de viento. Este avance puede ayudar a refinar los pronósticos meteorológicos y las evaluaciones de riesgo, proporcionando alertas oportunas y mejorando la resiliencia de las comunidades e infraestructuras costeras.”

Alrededor del mismo tiempo, una investigación separada introdujo un sustituto de IA¹ para simular la propagación de ondas de marea costeras en un estuario con fines de retropronóstico y pronóstico. Este enfoque acelera las simulaciones e incorpora una restricción basada en la física para detectar y corregir resultados inexactos.

Al reducir el costo temporal del pronóstico de 12 días de las simulaciones tradicionales de ROMS a solo 22 segundos, la investigación contribuye a la modelación oceanográfica al ofrecer una alternativa rápida, precisa y físicamente coherente a los modelos de simulación tradicionales, particularmente para pronósticos en tiempo real en respuestas rápidas a desastres.

A principios del año pasado, un equipo de investigadores también trabajó en la mejora del modelado neuronal² de la dinámica de fluidos lagrangianos.

Con base en eso, los investigadores mejoraron tanto el entrenamiento como la inferencia de despliegue de simuladores basados en GNN con componentes variables de los solucionadores SPH estándar, incluyendo componentes viscosos, de presión y de fuerza externa. Los simuladores mejorados con SPH neuronal lograron un mejor rendimiento que los GNN de referencia, lo que, según se señaló, permite despliegues considerablemente más largos y un mejor modelado físico.

Evolución de los Modelos Sustitutos Basados en ML en la Simulación de Fluidos

En cuanto a la simulación de fluidos, un enfoque común es la técnica de partículas, donde las partículas simulan el comportamiento del flujo de fluidos. Algunos ejemplos ampliamente usados incluyen hidrodinámica de partículas suavizadas (SPH), método de partículas móviles semi‑implícito (MPS) o SPH incompresible.

Sin embargo, estas técnicas requieren extensos recursos computacionales, incluyendo potencia de procesamiento, tiempo y costo. En los últimos años, la necesidad de simular fluidos del mundo real en cada fase de la ingeniería, desde el diseño, la fabricación y el desarrollo hasta la verificación, operación y visualización, ha crecido, por lo que también se necesita reducir el tiempo de cálculo.

En los últimos años, se han introducido varios modelos sustitutos basados en ML para estimar la dinámica de fluidos con un menor costo computacional.

Esto incluye el uso de aprendizaje automático para sustituir los métodos de partículas y el cálculo rápido de simulaciones de fluidos lagrangianos, que implica rastrear partículas de fluido individuales y centrarse en sus trayectorias y propiedades.

Aunque el ML puede acelerar las simulaciones de fluidos lagrangianos, estudios previos no han podido validar el rendimiento de generalización de dichos modelos sustitutos en diversos comportamientos de fluidos.

Además, la mayoría de estos modelos se han validado bajo la condición CFL, al igual que los métodos tradicionales de dinámica de fluidos computacional (CFD), lo que limita su capacidad de reducir significativamente el tiempo de cálculo.

Además, el enfoque de esos estudios iniciales no estaba en la precisión, sino en replicar el comportamiento similar al de fluidos en entornos de simulación.

Así, estudios posteriores avanzaron en los modelos sustitutos para SPH, que mostraron una mejora gradual en precisión. Los investigadores usaron diferentes métodos, como utilizar resultados de SPH como datos de entrenamiento para realizar análisis de fluidos lagrangianos con redes neuronales profundas (DNN) e introducir redes neuronales de grafos (GNN) para aprender el movimiento de partículas de fluido a partir de datos de SPH, entre otros.

Sin embargo, estos no buscaban estimar la presión, uno de los factores esenciales para comprender la mecánica de fluidos y su interacción con estructuras.

Así, la progresión a partir de ahí condujo a la tendencia reciente de centrarse en la presión de fluidos incompresibles. Para ello, los científicos aceleraron la resolución de la ecuación de presión (PPE) en MPS usando DNN. Introdujeron FGN o redes de grafos de fluidos (que aprovechan GNN para simular la dinámica de fluidos) utilizando MPS como datos de entrenamiento. Sin embargo, no confirmaron si la presión estimada reproducía los fenómenos reales.

La mayoría de estos estudios tampoco han aclarado el efecto de diferentes configuraciones de características en los resultados. Pero dado que los resultados probablemente dependen de esas configuraciones, es importante revelar qué característica es esencial para que los modelos sustitutos reproduzcan los fluidos.

Así, un nuevo estudio, publicado en Applied Ocean Research³, ha presentado un modelo sustituto basado en partículas que puede aplicarse a tamaños de paso de tiempo mayores y a diferentes fenómenos de fluidos.

El estudio presentó tres versiones mejoradas del simulador basado en redes de grafos (GNS), en las que la GNN aprendió el movimiento de partículas de fluido a partir de datos SPH. Esto incluye GNS con estimación de presión (GNS-P), GNS con nodos de frontera de pared (GNS-W) y GNS con una combinación de ambos (GNS-WP). 

En su estudio, los investigadores demostraron que la estimación de presión es importante para predecir fluidos con precisión y verificaron que los nodos de frontera de pared son vitales para gestionar las condiciones de frontera móvil. También mostraron que GNS‑WP pudo replicar el movimiento de fluidos (sloshing) de manera bastante precisa incluso cuando la velocidad de simulación (el tamaño del paso de tiempo) era 10 veces mayor que la de los datos de entrenamiento.

El método propuesto (GNS‑WP) entrenado en el escenario de sloshing, según el estudio, puede aplicarse a tres problemas diferentes: pruebas hidrostáticas, de ruptura de presa y de oscilación libre.

Haga clic aquí para aprender cómo el Venus Flower Basket está reinventando la aero y la dinámica de fluidos.

Más Rápido, Más Inteligente y Escalable Modelo Sustituto Impulsado por GNN

El nuevo modelo de simulación de fluidos basado en ML que reduce significativamente el tiempo de cálculo sin afectar la precisión ha sido creado por investigadores de la Osaka Metropolitan University. Este método rápido y de alta precisión tiene un uso potencial en la monitorización oceánica en tiempo real, el diseño de barcos y la generación de energía en alta mar.

Los modelos impulsados por IA están ganando mucho impulso en el campo de la dinámica de fluidos gracias a que hacen las simulaciones de fluidos más simples y rápidas. Sin embargo, esta tecnología tiene sus propios problemas. 

Como autor principal, Takefumi Higaki, profesor asistente en la Escuela de Posgrado de Ingeniería de la Osaka Metropolitan University, señaló:

“La IA puede ofrecer resultados excepcionales para problemas específicos, pero a menudo tiene dificultades cuando se aplica a diferentes condiciones.”

Por lo tanto, el equipo construyó el nuevo modelo usando redes neuronales de grafos (GNN), una tecnología de aprendizaje profundo, para proporcionar una herramienta que sea consistentemente rápida y precisa.

Las GNN son un tipo de arquitectura de red neuronal que procesa y aprende de datos estructurados en forma de grafo. Los grafos son estructuras de datos compuestas por nodos, que son entidades como productos y personas, y aristas, que representan relaciones entre ellos. Las GNN analizan relaciones grandes y complejas dentro del grafo.

Esta red neuronal se utiliza en el análisis de redes sociales para comprender patrones, predecir preferencias de usuarios basándose en interacciones, modelar y predecir propiedades de materiales, e identificar posibles candidatos a fármacos y predecir su eficacia.

En el estudio más reciente, un nodo es una partícula de fluido, mientras que la arista representa la interacción entre esas partículas. 

El equipo de investigación primero determinó qué factores son importantes para cálculos de fluidos de alta precisión. Compararon diferentes condiciones de entrenamiento y luego evaluaron cuán eficazmente su modelo podía adaptarse a distintas velocidades de simulación y movimientos de fluidos variados.

El equipo encontró que los resultados mostraban fuertes capacidades de generalización a través de diferentes comportamientos de fluidos, aumentando significativamente la velocidad y disminuyendo el tiempo requerido para el procesamiento. 

Se ha informado que su técnica logra una precisión del mismo nivel o incluso mejor que la de MPS, con una velocidad 10 veces mayor en CPU y más de 200 veces más rápida en GPU. El estudio también señaló que, a pesar de entrenar solo con un flujo de sloshing potente, GNS‑WP pudo reproducir con éxito tanto flujos tranquilos como estáticos con una frontera de pared diferente.

“Nuestro modelo mantiene el mismo nivel de precisión que las simulaciones tradicionales basadas en partículas, en diversos escenarios de fluidos, mientras reduce el tiempo de cálculo de aproximadamente 45 minutos a solo tres minutos.”

– Higaki

Con este logro, la investigación ofrece una solución escalable y generalizable para la simulación de fluidos de alto rendimiento que equilibra eficiencia y precisión. Más importante aún, estas mejoras no se limitan al laboratorio.

Higaki dijo:

“Simulaciones de fluidos más rápidas y precisas pueden significar una aceleración significativa en el proceso de diseño de barcos y sistemas de energía en alta mar. También permiten el análisis del comportamiento de fluidos en tiempo real, lo que podría maximizar la eficiencia de los sistemas de energía oceánica.”

A diferencia de otros estudios, este detalla una mejora paso a paso de los modelos sustitutos basados en partículas, lo que ayuda a su desarrollo futuro. 

En trabajos futuros, los investigadores también planean abordar los desafíos de la insuficiente consistencia física, la gestión de presión desconocida y la ampliación del uso del modelo a problemas complejos y 3D. 

Dado el potencial del método propuesto para aprender de datos experimentales en el mundo real, el equipo también pretende usar este estudio como base para recrear comportamientos de fluidos complejos cuyas ecuaciones gobernantes no se conocen, como flujos multifásicos con materiales discontinuos.

Empresa Innovadora

Huntington Ingalls Industries, Inc.

Un importante constructor naval para la Marina de EE. UU., Huntington Ingalls Industries (HII ) está constantemente explorando mejoras en las simulaciones de dinámica de fluidos para optimizar el diseño de embarcaciones y las pruebas de rendimiento.

La empresa está construyendo la próxima generación de sistemas de defensa e inteligencia inteligentes y está aprovechando la inteligencia artificial (IA) para lograrlo. Al combinar el poder de la computación en la nube y los dispositivos de borde con software a medida, HII espera que los equipos humano‑IA sin fisuras se conviertan en el estándar en operaciones futuras.

En HII, se desarrollan, prueban e integran algoritmos de IA y aprendizaje automático de vanguardia para optimizar y acelerar sistemas y plataformas críticos para la misión.

Las aplicaciones avanzadas de ML de la empresa respaldan una amplia gama de necesidades de defensa, incluyendo el espectro de radiofrecuencia, el análisis automatizado de imágenes, datos cibernéticos, el entorno acústico y el lenguaje natural para la producción de inteligencia.

HII también utiliza su profundo conocimiento del dominio y de los datos para crear ML que mejore la resiliencia de la misión, la preparación operativa y el sostenimiento de la flota bajo logística disputada. Como extensión de su entrenamiento basado en simuladores, está involucrada en el desarrollo de ayudas de decisión operativas basadas en ML.

Además, el desarrollador de plataformas marítimas autónomas ha desplegado IA de aprendizaje profundo (DL) con arquitecturas basadas en transformadores para la búsqueda de señales de precisión en volúmenes masivos de datos altamente desordenados.

HII explota y fusiona datos de diferentes modalidades, incluyendo señales espectrales de RF, imágenes geoespaciales y medios de lenguaje natural para mejorar la precisión. También emplea tecnología avanzada de PLN basada en DL y ML para ayudar en la clasificación y conexión de información para misiones globales.

Los gemelos digitales impulsados por IA de HII, mientras tanto, permiten probar, validar y ahorrar recursos desde la construcción de barcos hasta el sostenimiento de la flota. Su suite avanzada de autonomía, Odyssey, transforma cualquier vehículo en una plataforma robótica inteligente que permite la autonomía colaborativa de múltiples vehículos, el monitoreo de salud, la fusión de sensores y la percepción habilitada por IA. 

Así, la empresa hace un uso extensivo de la última tecnología para impulsar su productividad y optimizar sus procesos. Sin embargo, HII reconoce que las incertidumbres inherentes a la IA podrían generar ineficiencias operativas y perjuicios competitivos, especialmente si sus herramientas resultan ser inadecuadas.

Financieramente hablando, el proveedor de defensa de todos los dominios tiene una capitalización de mercado de 7.250 millones de dólares y sus acciones, al momento de escribir, cotizan a 184,95 dólares, con una caída del 2,13% en lo que va del año. Con eso, su BPA (TTM) es 13,96, la relación P/E (TTM) es 13,25 y el ROE (TTM) es 12,56%. En cuanto al rendimiento de dividendos, es un agradable 2,92%.

En cuanto a las finanzas de la empresa, para el cuarto trimestre de 2024, la compañía informó unos ingresos de 3.000 millones de dólares en comparación con 3.200 millones del mismo trimestre del año anterior. Esta caída se debió a un menor volumen en todos los segmentos. El ingreso operativo no GAAP también disminuyó de 330 millones de dólares en el 4T23 a 103 millones, impulsado por un menor desempeño en Newport News Shipbuilding. 

Diluted earnings per share during the quarter were $3.15, while it had a backlog of $48.7 billion at the end of the year.

Para el año completo, los ingresos de HII fueron de 11,5 mil millones de dólares, un ligero aumento (menos del 1%) respecto a 2023 debido a mayores volúmenes en Ingalls Shipbuilding y Mission Technologies. Las ganancias diluidas por acción fueron de 13,96 dólares. 

El efectivo neto de actividades operativas fue de 393 millones de dólares, mientras que el flujo de caja libre fue de 40 millones, una gran disminución respecto a 970 millones y 692 millones respectivamente en el año anterior.

En 2024, la empresa también informó haber alcanzado hitos críticos en la construcción naval, que incluyeron la entrega del buque de transporte anfibio Richard M. McCool Jr. (LPD 29) y el submarino de clase Virginia New Jersey (SSN 796). El segmento Mission Technologies de HII, por su parte, obtuvo adjudicaciones con un valor total de contrato superior a 12 mil millones de dólares.

“Continuamos avanzando en los barcos contratados antes del COVID y estamos trabajando diligentemente con nuestros clientes para colocar más de 50 mil millones de dólares de nuevo trabajo bajo contrato. Mission Technologies continuó su sólido historial de crecimiento de ingresos y expansión de márgenes. Entramos en 2025 enfocados en nuestra misión de entregar los barcos más poderosos del mundo y soluciones de todos los dominios al servicio de la nación.”

– CEO y presidente Chris Kastner

Conclusión

Los modelos de simulación de fluidos impulsados por IA han estado ayudando a avanzar en el campo de la dinámica de fluidos desde hace tiempo. Sin embargo, el último modelo de IA, que utiliza redes neuronales de grafos, ha demostrado resultados impresionantes. No solo muestra un alto potencial para cerrar la brecha entre precisión y eficiencia, sino que también permite aplicaciones más rápidas y en tiempo real en las industrias marítimas.

Esta tecnología puede resultar prometedora para acelerar el diseño y la prueba de barcos e infraestructuras offshore y optimizar los sistemas de energía oceánica renovable. El modelo de simulación de fluidos basado en IA puede contribuir a una ingeniería oceánica más limpia e inteligente, ¡conduciendo a un futuro próspero!