La IA aprende a domar la turbulencia y reduce la resistencia aerodinámica de un ala en un 38%

La inteligencia artificial aprendió a controlar el flujo turbulento en la superficie de un ala y redujo de manera notable la resistencia del aire. En un experimento numérico, el sistema redujo la resistencia por rozamiento local en un 38% y la resistencia aerodinámica total de un modelo tridimensional de ala con perfil NACA0012 en un 11%. El resultado se obtuvo por ahora solamente en simulaciones por computadora y no en ensayos con una aeronave real.

Los autores del estudio abordaron uno de los problemas complejos de la aerodinámica: cómo controlar activamente la turbulencia cerca de la superficie sin probar una enorme cantidad de variantes directamente en el modelo complejo del ala. La capa límite turbulenta crea tensión tangencial en la superficie y aumenta la resistencia por rozamiento, por lo que incluso un pequeño cambio en la estructura del flujo puede afectar las pérdidas aerodinámicas totales.

En lugar de entrenar directamente en el ala, el sistema se colocó primero en un entorno virtual más simple con flujo turbulento en un canal. El algoritmo multiagente utilizó aprendizaje por refuerzo: agentes de control individuales observaban las fluctuaciones de la velocidad del aire cerca de la superficie, probaban distintas acciones y recibían una mayor recompensa si la tensión tangencial disminuía.

El control se llevó a cabo mediante inyección y succión local de aire perpendiculares a la superficie. El algoritmo elegía de forma autónoma la intensidad de la acción para distintas zonas, mientras que el volumen total de aire inyectado y extraído permanecía equilibrado. Este esquema permitía actuar directamente sobre las estructuras turbulentas que transmiten impulso hacia la superficie y aumentan el rozamiento.

Durante el entrenamiento, el sistema aprendió a debilitar las franjas longitudinales rápidas del flujo cerca de la pared y las estructuras vórtice asociadas. A continuación, la estrategia obtenida, sin entrenamiento adicional, se transfirió a un modelo tridimensional de ala con perfil NACA0012 a número de Reynolds 200 000 y ángulo de ataque cero.

Las condiciones diferían notablemente del entorno de entrenamiento. El ala presenta curvatura de la superficie y una presión que varía a lo largo del perfil, elementos que no existen en el canal simple. A pesar de la diferencia, el algoritmo mantuvo la capacidad de reconocer estructuras características de la turbulencia cerca de la superficie y de reaccionar ante ellas.

En la zona controlada, la resistencia por rozamiento local se redujo aproximadamente un 38%. La resistencia aerodinámica total del modelo disminuyó un 11%. Los autores consideran este resultado por separado como una demostración de la posibilidad de transferir la estrategia encontrada, y no como la confirmación de la misma mejora para una aeronave real.

La principal ventaja fue el ahorro de recursos computacionales. El modelo de entrenamiento en el canal requería aproximadamente cien veces menos puntos de la malla que el modelo del ala. Teniendo en cuenta la posibilidad de distribuir los cálculos de forma más eficiente, la búsqueda de la estrategia de control requirió más de 10 000 veces menos tiempo de cálculo. Incluso con comprobaciones periódicas en el modelo completo del ala, el tiempo total de cómputo se redujo aproximadamente 60 veces en comparación con el entrenamiento directamente en el ala.

Para experimentos de este tipo, los investigadores desarrollaron la plataforma abierta HydroGym. Incluye más de 60 entornos para modelar y controlar flujos, desde regímenes laminares relativamente simples hasta turbulencia tridimensional. La plataforma permite comparar algoritmos en condiciones iguales y verificar si las estrategias encontradas pueden funcionar fuera del entorno donde se entrenaron.

Los autores aún no saben hasta qué punto se podrá generalizar dicha transferencia. El esquema comprobado se basa en la similitud de los procesos que ocurren en el flujo turbulento inmediatamente junto a la superficie. Ante fuertes variaciones de presión, separación del flujo, compresibilidad significativa del aire u otros regímenes, el comportamiento del algoritmo podría cambiar.

Por ello, el resultado principal no se limita solo a la reducción de la resistencia. El experimento muestra que se puede entrenar un sistema de control de flujo en un modelo simplificado y relativamente económico, y luego transferir la estrategia obtenida a una geometría mucho más compleja sin un nuevo ciclo de entrenamiento. Si el enfoque se confirma en otros regímenes y en ensayos físicos, sistemas similares podrían aplicarse en el diseño de ala, turbinas y otras estructuras donde la resistencia y la turbulencia influyen directamente en la eficiencia.