RESUMEN
La sedimentación en embalses es un problema crítico y continuo en la gestión sostenible de los recursos hídricos. Aunque los modelos bidimensionales (2D) convencionales son computacionalmente eficientes, omiten procesos tridimensionales clave, como la estratificación térmica. Los modelos tridimensionales (3D) proporcionan una representación física más precisa, pero requieren extensos recursos computacionales, lo que los hace imprácticos para aplicaciones a gran escala. Esta investigación desarrolla un marco computacional que combina Computación de Alto Rendimiento (HPC), Inteligencia Artificial (IA) y simulación multifísica 3D avanzada para salvar esta brecha.
Un modelo hidromorfodinámico bidimensional (R-Iber) fue reimplementado para Unidades de Procesamiento Gráfico (GPUs), logrando aceleraciones computacionales de uno a dos órdenes de magnitud. El modelo acelerado permitió el entrenamiento de un modelo sustituto (surrogate) basado en Redes Neuronales Profundas (DNN), posibilitando un análisis de Monte Carlo de 100.000 ejecuciones para una calibración robusta del modelo y la cuantificación de la incertidumbre. En paralelo, se desarrolló un modelo multifísico tridimensional completo en el entorno Kratos para para simular el problema fluido térmico tridimensional.
El enfoque integrado se aplicó al sistema del embalse de Riba-roja. Se evaluó cómo la estratificación térmica afecta a la eficiencia de atrapamiento de sedimentos. Los resultados demuestran que la combinación de HPC, IA y modelado multifísico conduce a métodos prácticos y aplicables para la gestión sostenible de embalses.
Directores de tesis:
- Prof Ernest Bladé
- Prof Antonia Larese
DOCTORANDO
Danial Dehghan es un doctorando en ingeniería civil en el clúster de investigación en Aprendizaje Automático y Modelos en Ingeniería Hidroambiental del CIMNE.