Ponente
Descripción
La simulación de dinámica de fluidos por computadora (CFD) es una herramienta indispensable para comprender, predecir y diseñar sistemas complejos caracterizados por comportamientos no lineales y dinámicas multifísicas. Sin embargo, los métodos de optimización tradicionales suelen quedar atrapados en óptimos locales o resultan ineficientes ante múltiples objetivos contrapuestos y espacios de búsqueda de alta dimensión. La Computación Evolutiva (CE) ha emergido como un paradigma fundamental para superar estas limitaciones, transformando la simulación pasiva en un proceso activo de diseño automatizado e inteligente.
Esta revisión breve examina el estado del arte de la integración de algoritmos evolutivos con modelos de CFD para la optimización de sistemas. Se analizan los marcos metodológicos clave que permiten formular la geometría, las condiciones de frontera y los parámetros de operación como problemas de optimización estocástica. Asimismo, se aborda el principal desafío técnico de esta intersección: el elevado costo computacional asociado a la evaluación repetida de simulaciones numéricas, destacando el papel de las estrategias multiobjetivo y el uso de modelos sustitutos (surrogate models) basados en aprendizaje automático para acelerar la convergencia del algoritmo.
Finalmente, se discuten las brechas metodológicas actuales, las oportunidades en el escalado computacional y las tendencias futuras que posicionan al diseño guiado por evolución como un pilar clave en la ingeniería y la ciencia aplicada asistida por simulación.