Modelos de Orden Reducido para la simulación de flujos inestables

Webinar del grupo de investigación Mecánica Computacional

Modelos de Orden Reducido para la simulación de flujos inestables

La modelación computacional de flujos turbulentos está asociada a una alta complejidad matemática y computacional. El tiempo que toma obtener simulaciones con precisión en ocasiones es extremadamente alto. Desde hace algún tiempo, la comunidad científica ha puesto sus ojos en los beneficios que los modelos de orden reducido y los algoritmos de Machine Learning pueden presentar en la solución de problemas de flujos inestables. Actualmente, uno de los modelos más usados es el llamado Proper Order Decomposition (POD). Los beneficios que POD presenta en cuanto a precisión y velocidad de cómputo son muy usados en el campo de la simulación de flujos y en esta charla se hablará desde su definición matemática hasta su aplicación y beneficios. 

Conferencista: Andrea Matiz Chicacausa

Candidata a doctora en Ingeniería de la Universidad de Los Andes, ingeniera mecánica, magíster en Ingeniería Mecánica de la Universidad de Los Andes y magíster en Energías Renovables y Eficiencia Energética de la Universidad de Zaragoza, España. Matiz tiene interés en la simulación computacional de fluidos aplicada a la aerodinámica de turbinas eólicas y a la eficiencia energética. Actualmente, investiga la aplicación de modelos de orden reducido y algoritmos de Machine Learning para la simulación de dispositivos de control de flujo activo en turbinas eólicas.