Tamaño de fuente: 

Frecuentemente, los datos obtenidos a partir de mediciones experimentales contienen gran cantidad de ruido y/o son de baja resolución, con lo cual la posterior calibración de las técnicas computacionales resulta incompleta. En los últimos años, con el advenimiento del aprendizaje de máquina (machine learning) se ha demostrado que los enfoques de aprendizaje profundo son potencialmente aptos para tareas de aumento de resolución, pero su eficacia se ve a menudo limitada por la necesidad de grandes volúmenes de datos de referencia de alta resolución, los cuales rara vez están disponibles. Además, las predicciones generadas por estas redes pueden carecer de la coherencia física necesaria, violando principios fundamentales como la conservación de la masa y cantidad de movimiento. El objetivo de este estudio es el de evaluar el uso de las Redes Neuronales Informadas por Física (Physics Informed Neural Networks, PINNs) para su incorporación en el esquema de trabajo típico de la Fluidodinámica Computacional (Computational Fluid Dynamics, CFD). Dado que las PINNs permiten incorporar las leyes físicas (las ecuaciones gobernantes del flujo) a los datos disponibles, es posible el aprendizaje de soluciones que son inherentemente consistentes con la física. En este trabajo se emplean PINNs para intentar mejorar la resolución de datos de flujo de fluidos tanto en el tiempo como en el espacio, utilizando un conjunto limitado de mediciones ruidosas y sin la incorporación de datos de alta resolución como referencia.