Development of data-driven surrogate models for complex optimization in enhanced heat transfer applications

Abstract

Artificial Intelligence, including machine learning techniques, is a set of mathematical methods of great interest nowadays. This doctoral thesis explores its application in the development of surrogate models to accelerate the optimization of complex geometries in industrial thermal applications. Focusing on microscale heat transfer, it seeks to accelerate numerical calculations, which are computationally demanding due to meshing requirements at this scale. From the parameterization of a micro-fin as a base geometry, thousands of morphologies are randomly generated, which constitute a large database for training surrogate models. These models predict the performance of each micro-fin, allowing more freedom in the optimization process and considering unusual geometries. The creation of this database will also facilitate the extraction of specific knowledge from the design of the microfins, through an analysis of variables related to both contour and the periodicity of the microfins on the surface, seeking to increase heat transfer and minimize pressure loss in a balanced manner. This approach aims to exploit the benefits of Artificial Intelligence in engineering, with applications such as thermal analysis and the design of irregular surfaces resulting from additive manufacturing, crucial for the automotive sector, among others.

La Inteligencia Artificial, incluyendo las técnicas de aprendizaje automático o Machine Learning, es un conjunto de métodos matemáticos de gran interés actualmente. Esta tesis doctoral explora su aplicación en el desarrollo de modelos subrogados para acelerar la optimización de geometrías complejas en aplicaciones térmicas industriales. Centrándose en la transferencia de calor a microescala, se busca agilizar cálculos numéricos, que son computacionalmente exigentes por los requisitos de mallado en dicha escala. Partiendo de la parametrización de una microaleta como geometría base, se generan de forma aleatoria miles de morfologías que constituyen una amplia base de datos para el entrenamiento de modelos subrogados. Estos modelos predicen las prestaciones de cada microaleta, permitiendo mayor libertad en el proceso de optimización y considerando geometrías inusuales. La creación de dicha base de datos también facilitará la extracción de conocimiento específico de su diseño mediante un análisis de variables relacionadas tanto con su contorno, como con la periodicidad de las aletas sobre la superficie, buscando aumentar la transferencia de calor y minimizar la pérdida de carga de manera equitativa. Este enfoque busca aprovechar los beneficios de la Inteligencia Artificial en ingeniería, con aplicaciones como el análisis térmico y el diseño de superficies irregulares, resultantes de la fabricación aditiva, cruciales para el sector automovilístico, entre otros.

A Intelixencia Artificial, incluíndo as técnicas de aprendizaxe automática ou Machine Learning, é un conxunto de métodos matemáticos de gran interese actualmente. Esta tese doutoral explora a súa aplicación no desenvolvemento de modelos subrogados para acelerar a optimización de xeometrías complexas en aplicacións térmicas industriais. Centrándose na transferencia de calor a microescala, búscase axilizar cálculos numéricos, que son computacionalmente esixentes polos requirimentos de mallado na devandita escala. Partindo da parametrización dunha microaleta como xeometría base, xéranse de forma aleatoria miles de morfoloxías que constitúen unha ampla base de datos para o adestramento de modelos subrogados. Estes modelos predín as prestacións de cada microaleta, permitindo maior liberdade no proceso de optimización e considerando xeometrías inusuais. A creación da devandita base de datos tamén facilitará a extracción de coñecemento específico do deseño das microaletas, mediante unha análise de variables relacionadas tanto con contorno como coa periodicidade das aletas sobre a superficie, buscando aumentar a transferencia de calor e minimizar a perda de carga de maneira equitativa. Este enfoque busca aproveitar os beneficios da Intelixencia Artificial en enxeñería, con aplicacións como a análise térmica e o deseño de superficies irregulares, resultantes da fabricación aditiva, cruciais para o sector automobilístico, entre outros.