La pasión del profesor de la EPFL por los vuelos sostenibles y su experiencia en aprendizaje automático y visión artificial impulsan la innovación en el diseño de la aviación verde y más allá.
La optimización de la forma aerodinámica (ASO) es una técnica clave en el diseño aerodinámico cuyo objetivo es mejorar el rendimiento físico de un objeto respetando restricciones específicas.
Para optimizar una forma 3D, hay que representarla en términos de una serie de parámetros que se pueden introducir en el optimizador. Una forma estándar de hacerlo es utilizar una técnica conocida como deformaciones de forma libre (FFD). Lamentablemente, esto requiere una intervención manual extensa e incluso cuando la utiliza un experto en la materia, a menudo se necesita mucho ensayo y error para hacerlo bien.
Mapeo geométrico profundo
Ahora, investigadores del Laboratorio de Visión por Computador (CVLab), parte de la Escuela de Ciencias de la Computación y la Comunicación (IC), en colaboración con colegas de ISAE-SupAero en Francia, han desarrollado el modelo DeepGeo, un enfoque totalmente automatizado basado en redes neuronales para generar la parametrización requerida para geometrías complejas.
“DeepGeo realiza la misma función que FFD, pero aprovecha los últimos avances en aprendizaje profundo para eliminar la necesidad de intervención humana. Encuentra los parámetros adecuados, que luego se utilizan para optimizar el diseño de la aeronave. Ya no es necesario pasar meses buscando una buena parametrización”, explicó el profesor Pascal Fua, director del laboratorio CV.
DeepGeo también adapta el modelado de mallas volumétricas (el dominio computacional discretizado que rodea al objeto de destino) a medida que su forma cambia durante la optimización. Estas mallas volumétricas son necesarias para realizar los cálculos de dinámica de fluidos computacional requeridos y la automatización de su deformación reduce aún más la carga de trabajo de los diseñadores.
Por ser innovador y potencialmente transformador, el artículo correspondiente, DeepGeo: Deep Geometric Mapping for Automated and Effective Parameterization in Aerodynamic Shape Optimization, ganó recientemente un premio al mejor artículo estudiantil en la conferencia de aeronáutica más importante del año, el Foro ’24 del Instituto Americano de Aeronáutica y Astronáutica .
En este artículo se describe cómo DeepGeo se basa en técnicas de aprendizaje geométrico profundo sin necesidad de conjuntos de datos de entrenamiento a gran escala. Los múltiples estudios de casos realizados por los investigadores, incluida la optimización de círculo a perfil aerodinámico en 2D, la optimización de alas con CRM en 3D y la optimización de aeronaves con combinación de ala y cuerpo en 3D, demuestran la eficacia y la solidez de DeepGeo. Ofrece un rendimiento comparable al de FFD a una fracción del costo en términos del esfuerzo requerido por los diseñadores humanos.
“Al eliminar la necesidad de conjuntos de datos extensos y ajustes de hiperparámetros, DeepGeo reduce significativamente la complejidad y el costo de implementación, y nuestra investigación destaca su potencial para automatizar ASO, haciéndolo más accesible y eficiente”, agregó Zhen Wei, asistente de doctorado en el Laboratorio CV y primer autor del artículo.
Una pasión personal que impulsa el diseño de aviación ecológica
Para Fua, su afán por optimizar el diseño de la aviación ecológica va más allá del laboratorio. Es un apasionado piloto de planeadores y recientemente participó en un viaje con planeadores motorizados desde Chambéry, en Francia, hasta Ourzazate, en Marruecos.
Aunque la aventura fue muy divertida, Fua controló constantemente la sostenibilidad del viaje y utiliza su experiencia amateur «en el aire» como inspiración para nuevas ideas de investigación. La expedición se realizó en altura la mayor parte del tiempo y solo utilizó los motores con moderación. Cubrió más de 5000 km utilizando el motor durante menos de 5 horas en un total de 55 horas de vuelo.
“Para lograr una aviación más sostenible, el objetivo es básicamente cambiar la forma de las aeronaves para reducir la resistencia aerodinámica. Es un problema antiguo que existe desde siempre”, explicó Fua. “En el futuro, queremos utilizar DeepGeo primero en los planeadores modelo que se utilizan para las competiciones de la FAI. Dado que deben cumplir con muchos requisitos contradictorios y, al mismo tiempo, son razonablemente baratos de construir, son un maravilloso banco de pruebas para nuestra tecnología”.
Más allá de la aviación sostenible
Si bien los modelos de planeadores brindarán una demostración de lo que DeepGeo puede hacer, hay un panorama mucho más amplio: esta investigación trata de optimizar el diseño y la eficiencia de aviones comerciales y aerolíneas de pasajeros (aviones con motores) y una amplia gama de aplicaciones más allá.
Más allá del ámbito de la aeronáutica, el diseño simultáneo automatizado de formas que interactúan, como los componentes contiguos de un automóvil o las partes internas de una turbina, es un problema generalizado y abierto. Uno de los objetivos a largo plazo de Fua es revolucionar la forma en que se modelan, manipulan y optimizan los objetos compuestos, cuyas partes pueden tener formas o topologías arbitrarias, imponiendo restricciones de diseño a las partes individuales y restricciones de compatibilidad entre ellas.
“DeepGeo ofrece una solución prometedora para la parametrización geométrica compleja en el campo de la optimización de formas aerodinámicas. El trabajo futuro en esta dirección será clave para diseñar máquinas energéticamente eficientes en un momento en el que minimizar el impacto de la humanidad en el medio ambiente se ha convertido en una preocupación crítica”, concluyó Fua. EPFL. T. P. Traducido al español
Contacto