En el Departamento de Ingeniería Mecánica de la Universidad de Chile (DIMEC U. Chile) los avances en Inteligencia Artificial (IA) están permitiendo abordar grandes desafíos de la transformación digital, que van desde la integración de datos de múltiples sensores y su análisis para la gestión de equipos industriales, hasta llevar simulaciones físicas de un supercomputador a un laptop para permitir controlar y optimizar sistemas complejos, como la aerodinámica de un parque eólico o las vibraciones en el fuselaje de un avión.
La IA es una disciplina que aprende automáticamente y que usa patrones similares a las redes neuronales humanas para ejecutar y/o repetir una tarea en específico. Sus ventajas son amplias, por lo que desde el año 2014 académicos y académicas del DIMEC U. Chile trabajan con herramientas de IA para el modelamiento de sistemas. En ingeniería mecánica se requiere utilizar modelos numéricos que permitan predecir las respuestas de ciertos sistemas, que involucran el flujo de fluidos, transferencia de calor, deformación de sólidos, vibraciones estructurales, entre otras.
Estos modelos numéricos se pueden ocupar en tiempo real, sin embargo, se requiere una retroalimentación de lo que está ocurriendo para poder hacer un control del sistema y predecir su comportamiento a futuro. “Necesitamos tener una evaluación rápida del comportamiento de los modelos, pero la mayoría de estos requieren muchos grados de libertad esto los hace lentos de evaluar, dificultando su evaluación en tiempo real y por lo tanto no sirve para optimizar el modelo”, explica la directora del Departamento de Ingeniería Mecánica de la Universidad de Chile, Viviana Meruane.
En ese sentido, la aplicación de inteligencia artificial para desarrollar modelos equivalentes a este sistema conlleva ventajas importantes. En primer lugar, puede ser más liviano, el procesamiento de los datos es más rápido y más económico. Para lograr lo anterior, la profesora Meruane señala “que se realiza identificando cuáles son los parámetros relevantes que dan respuestas a estos modelos, desarrollando uno de menor dimensión. En la mayoría de los casos el sistema es dinámico y no solo requiere una respuesta en tiempo real, sino que también se necesita saber cómo va a cambiar o evolucionar en el tiempo”.
Aquí presentamos las principales aplicaciones de IA que se están desarrollando en tres áreas del DIMEC U. Chile: Confiabilidad, Mantenimiento y Gestión de Activos, Mecánica de Fluidos y Transferencia de Calor, y Mecánica de Sólidos.
Confiabilidad, Mantenimiento y Gestión de Activos: optimizar y predecir
En esta área trabajan el profesor Enrique López y la profesora Viviana Meruane. “Nos enfocamos en la predicción del estado de salud y del comportamiento futuro de un equipo dado los datos que estamos obteniendo. Esto lo hacemos a través de datos de monitoreo de máquinas. En general, la mayoría de los equipos están siendo monitoreados por muchos sensores, sensores de vibración, de temperatura, de corriente, de voltaje, de presión, etc., y todos estos dispositivos esconden información del estado de salud del equipo”, explica la investigadora.
En la industria hay muchos equipos que cuentan con una gran cantidad de información lo que dificulta su procesamiento de la forma tradicional. En ese contexto, el profesor López desarrolló una solución denominada Big Machinery Data, que permite procesar gran cantidad de datos incorporando el uso de algoritmos de aprendizaje de máquina, capaces de aprender mejor y con mayor profundidad los datos masivos.
Igualmente, en el área de Confiabilidad, Mantenimiento y Gestión de Activos del DIMEC U. Chile el profesor López ha trabajado con las aerolíneas Latam y Sky Airline. Y a nivel internacional desarrolló una solución mediante un gemelo digital (Digital Twin, en inglés) para la programación autónoma de acciones de mantenimiento preventivo en base al nivel de corrosión interno de tuberías de distribución de gas natural, en Los Ángeles, Estados Unidos, en conjunto con el DIMEC U. Chile y la Universidad de California, Los Ángeles (UCLA)”, explica el investigador. Los resultados de este trabajo fueron publicados en la revista Sensors con el título “Condition-Based Maintenance with Reinforcement Learning for Dry Gas Pipeline Subject to Internal Corrosion”.
Mecánica de Fluidos y Transferencia de Calor: ciencia de datos informada por física
En esta área el académico del DIMEC U. Chile, Benjamin Herrmann aplica aprendizaje de máquinas para sistemas físicos. “Usando computación de alto rendimiento, hoy somos capaces de construir modelos basados en física de sistemas de ingeniería que son de muy alta fidelidad. Sin embargo, simular estos modelos puede tomar semanas o incluso meses, lo que hace difícil el aprovecharlos para tareas prácticas, como optimización de un diseño o control en tiempo real. Avances en aprendizaje de máquinas están permitiendo construir modelos reducidos para hacer lo que hace un supercomputador en un laptop”, señala el profesor Herrmann.
El desarrollo de estos modelos contribuye a predecir, controlar y optimizar sistemas de ingeniería. El investigador ejemplifica señalando que “en el viento que pasa sobre un parque eólico interactúan de manera compleja las estelas turbulentas de los distintos aerogeneradores, y nos interesaría tener un modelo lo suficientemente sofisticado para capturar la aerodinámica relevante, y lo suficientemente simple para controlar el parque en tiempo real o para optimizar el posicionamiento de las turbinas”, manifiesta Herrmann, quien agrega que “incorporar física no solo resulta en modelos que predicen mejor, sino que además necesitan menos datos para ser entrenados”.
Mecánica de Sólidos: modelos subrogados
En esta área la profesora Meruane desarrolla “modelos subrogados”, es decir, se desarrolla un modelo equivalente que prediga lo mismo, pero que se pueda hacer de manera más rápida y para ello utiliza algoritmos de aprendizaje de máquina. “Estos algoritmos se entrenan y aprenden el comportamiento del modelo numérico y luego ese modelo sustituto lo ocupamos para hacer distintas predicciones”, explica la investigadora.
En ese sentido también añade que “es muy relevante poder medir la exactitud al momento de entrenar el modelo de aprendizaje de máquina, porque lo que se requiere es que se parezca al modelo real. Básicamente se va midiendo con algunas métricas el error que hay entre la predicción y lo real. Y cuando ya sabes que el modelo está ajustado se ocupa para predecir otros casos”.
En su proyecto Fondecyt “Optimal design of ultralight sandwich panels with cellular truss cores and large phononic band gaps”, que comenzó a desarrollar este año, la investigadora modela estructuras tipo panel que impiden la propagación de vibraciones en un rango de frecuencias, conocidas como bandas prohibidas (band gaps, en inglés). En este caso, Meruane señala que “desarrolla el modelo numérico que permite predecir en qué rango de frecuencia van a estar estas bandas. Con ello, intenta hacer la misma predicción, pero con un algoritmo de aprendizaje de máquina, evitando la propagación de vibraciones”.
La importancia de desarrollar estas estructuras, explica la académica del DIMEC U. Chile es que “en algunos casos las vibraciones generan problemas, dañando los componentes de un equipo y su posterior falla, por lo que desarrollar estos modelos subrogados, aplicando Inteligencia Artificial es una gran herramienta para la predicción y la toma de decisiones”.
Por Carolina Conejeros, dimec.comunicaciones@ing.uchile.cl
