ABSTRACT
La mayoría de técnicas empleadas para resolver ecuaciones en derivadas parciales requieren generar una malla que describa con precisión la geometría del modelo. Aunque la tecnología de mallado no estructurado ha avanzado de forma extraordinaria y hoy es posible producir mallas tridimensionales con cientos de millones de elementos en cuestión de minutos, las exigencias de la optimización de diseño moderna ponen de manifiesto una limitación clave. En los entornos industriales es habitual necesitar miles de simulaciones bajo condiciones operativas y configuraciones geométricas muy diversas. Generar una malla adecuada para cada caso se vuelve un proceso excesivamente lento, en gran parte por la cantidad de conocimiento experto y de intervención manual que requiere. Como consecuencia, la industria suele recurrir a mallas demasiado refinadas y uniformes, lo que incrementa el coste computacional y amplifica la huella de carbono asociada al uso intensivo de HPC.
Esta charla presentará un nuevo marco de trabajo basado en IA para predecir mallas casi óptimas adaptadas a cada simulación. El enfoque aprovecha la enorme cantidad de datos ya disponibles en la industria para inferir funciones de espaciado isotrópicas y anisotrópicas adecuadas, transfiriendo de forma efectiva el conocimiento de análisis previos para guiar el proceso de generación de mallas. Al integrar la IA en esta fase clave del flujo de trabajo, la metodología aspira a ofrecer una precisión comparable a la de las mallas creadas por expertos, reduciendo al mismo tiempo la necesidad de ajustes manuales, aumentando la automatización y disminuyendo el consumo energético.
SPEAKER
Rubén Sevilla es Profesor de Ingeniería Computacional en el Zienkiewicz Institute for Modelling, Data and AI de la Universidad de Swansea (Reino Unido). Obtuvo su doctorado en Matemáticas Aplicadas en la Universitat Politècnica de Catalunya (España) en 2009. Su trabajo sobre métodos de elementos finitos mejorados con NURBS, desarrollado junto con el Prof. Antonio Huerta y la Prof. Sonia Fernández-Méndez, recibió varios reconocimientos, entre ellos el premio a la Mejor Tesis Doctoral de ECCOMAS.
Su investigación se centra en el avance de la ingeniería computacional mediante métodos numéricos de alto orden, técnicas robustas de generación de mallas y una representación geométrica precisa. Ha contribuido al desarrollo de mallas curvas y conscientes de la geometría CAD, permitiendo simulaciones precisas en dominios complejos sin necesidad de simplificaciones dependientes de la física. Más recientemente, ha impulsado enfoques basados en aprendizaje automático para acelerar la generación y adaptación de mallas, mejorando la automatización en los procesos de simulación CFD. En conjunto, su trabajo busca crear herramientas fiables, eficientes y fieles a la geometría que impulsen el diseño y análisis ingenieril de próxima generación.
Rubén combina su pasión por la investigación con un firme compromiso con la formación de nuevas generaciones de ingenieros computacionales, además de contribuir activamente a la comunidad a través de su participación en UKACM, ECCOMAS e IACM.