La tesis doctoral propone nuevas metodologías para mejorar simulaciones de dinámica de fluidos computacional (CFD) aplicadas al diseño de aerogeneradores eólicos flotantes (FOWT). Estas estructuras son clave para la transición energética, pero sus elevados costes de construcción exigen herramientas de simulación más eficientes y precisas.
El trabajo desarrolla dos aportaciones principales. La primera, el método Deep-Convection, integra un modelo de aprendizaje profundo dentro del esquema clásico de volúmenes finitos para mejorar la precisión de simulaciones con mallas gruesas. Sustituye el esquema de discretización del término convectivo por una red neuronal que incorpora información de alta resolución, reduciendo significativamente errores de velocidad y presión en menor tiempo de cálculo.
La segunda, los Enhanced-DeepONets, mejora las Redes de Operadores Profundos (DeepONets) para resolver ecuaciones en derivadas parciales paramétricas. El método introduce derivadas de la solución respecto a parámetros en la función de pérdida y combina descenso por gradiente con mínimos cuadrados, logrando mejor generalización y convergencia más rápida.
En conjunto, la tesis demuestra que la inteligencia artificial puede reducir costes y aumentar la fiabilidad de las simulaciones CFD, acercando estas técnicas al diseño real de plataformas eólicas flotantes.
© 2001-2026 Fundación Dialnet · Todos los derechos reservados