Empleo de Redes Neuronales Informadas por Física (PINNs) en la Resolución de Flujo de Fluidos

Resumen

Los datos obtenidos a partir de mediciones experimentales suelen contener una gran cantidad de ruido y/o ser de baja resolución, impidiendo muchas veces una buena calibración con las técnicas computacionales. Las técnicas de aprendizaje automático han demostrado que los enfoques del aprendizaje profundo son potencialmente adecuados para mejorar la resolución de imágenes, pero su eficacia suele estar limitada a la necesidad de grandes volúmenes de datos de alta resolución. Además, las predicciones generadas por estas redes neuronales pueden carecer de la coherencia física necesaria, violando principios fundamentales como la conservación de masa y cantidad de movimiento. En este sentido, la incorporación de Redes Neuronales Informadas por Física (PINNs) en el esquema típico de trabajo de la Fluidodinámica Computacional (CFD) parece ser útil. Dado que las PINNs permiten incorporar leyes físicas (ecuaciones de gobierno) en los datos disponibles, pueden aprender soluciones que son intrínsecamente coherentes con la física del problema analizado. En este trabajo, las PINNs se utilizan para mejorar la resolución de un campo de velocidades provenientes de un conjunto limitado de mediciones ruidosas y sin la incorporación de datos de alta resolución como referencia.