NewsPhysics

Investigadores han desarrollado un nuevo algoritmo, denominado PSO-CNN-LSTM, para reconstruir campos de flujo complejos a partir de datos limitados. Este método se ha aplicado con éxito a la reconstrucción de flujos de estela generados por cilindros, un problema fundamental en la dinámica de fluidos con amplias implicaciones en ingeniería y aerodinámica. La capacidad de inferir el comportamiento completo de un flujo a partir de mediciones dispersas representa un avance significativo en la caracterización y modelado de fenómenos fluidodinámicos, donde la obtención de datos completos suele ser costosa o inviable.

El algoritmo PSO-CNN-LSTM combina tres componentes clave: la optimización por enjambre de partículas (PSO) para la búsqueda de parámetros óptimos, redes neuronales convolucionales (CNN) para la extracción de características espaciales, y redes de memoria a largo plazo (LSTM) para el manejo de dependencias temporales en secuencias de datos. Esta integración permite al sistema aprender patrones complejos en los datos de flujo y predecir con precisión las regiones no muestreadas, superando las limitaciones de los métodos tradicionales que a menudo requieren una mayor densidad de sensores o suposiciones simplificadoras sobre el flujo.

“Investigadores han desarrollado un nuevo algoritmo, denominado PSO-CNN-LSTM, para reconstruir campos de flujo complejos a partir de datos limitados.”