Estudi sobre la viabilitat de l'aprenentatge automàtic basat en la física per a la modelització del flux d'aire i la qualitat de l'aire

Abstract

En el meu Treball de Final de Grau, he abordat el repte de modelar la dispersió de nanopartícules en entorns industrials, específicament en processos de projecció per plasma (APS). L'objectiu principal ha estat avaluar la viabilitat de les Xarxes Neuronals Informades per la Física (PINNs) com a alternativa a la simulació tradicional (CFD), que, tot i ser precisa, requereix un temps de càlcul excessiu. He desenvolupat una metodologia híbrida que integra l'aprenentatge profund amb les lleis físiques, aconseguint una precisió comparable a la simulació numèrica però reduint el temps de dies a segons, fet que obre la porta al monitoratge en temps real en la Indústria 4.0.

En mi Trabajo de Final de Grado, he abordado el reto de modelar la dispersión de nanopartículas en entornos industriales, específicamente en procesos de proyección por plasma (APS). El objetivo principal ha sido evaluar la viabilidad de las Redes Neuronales Informadas por la Física (PINNs) como alternativa a la simulación tradicional (CFD), que, aunque es precisa, requiere un tiempo de cálculo excesivo. He desarrollado una metodología híbrida que integra el aprendizaje profundo con las leyes físicas, logrando una precisión comparable a la simulación numérica pero reduciendo el tiempo de días a segundos, lo que abre la puerta a la monitorización en tiempo real en la Industria 4.0.

In my Bachelor's Thesis, I addressed the challenge of modeling nanoparticle dispersion in industrial environments, specifically in Atmospheric Plasma Spraying (APS) processes. My main objective was to evaluate the feasibility of Physics-Informed Neural Networks (PINNs) as an alternative to traditional simulation (CFD), which, while accurate, entails excessive computational time. I developed a hybrid methodology that integrates deep learning with physical laws, achieving accuracy comparable to numerical simulation while drastically reducing the time from days to seconds, paving the way for real-time monitoring in Industry 4.0.