A la indústria aeronàutica, el disseny de perfils aerodinàmics representa un dels reptes computacionals més intensius, especialment quan s'optimitzen múltiples condicions de vol amb alts requeriments de precisió. Les simulacions tridimensionals basades en RANS (Reynolds-Averaged Navier-Stokes) ofereixen resultats fiables, però el seu cost computacional limita el nombre d'iteracions que es poden executar en un cicle d'optimització. Per superar aquesta barrera, els enginyers recorren cada cop més a tècniques de modelatge substitut o surrogate modeling, que combinen avaluacions de baixa fidelitat (com codis de panell o mètodes de capa límit) amb unes quantes simulacions d'alta fidelitat estratègicament seleccionades. Un enfocament particularment prometedor és l'aprenentatge substitut multifidelitat actiu (active multi-fidelity surrogate modeling), que decideix dinàmicament quan i on executar les costoses simulacions RANS en funció de la incertesa predictiva del model. Aquest article explora els fonaments d'aquesta tècnica, les seves aplicacions concretes en l'optimització de perfils aerodinàmics i com les empreses de desenvolupament de programari, com Q2BSTUDIO, en faciliten la implementació mitjançant solucions a mida.
La idea central del modelatge multifidelitat és senzilla: aprofitar l'abundància d'avaluacions barates (per exemple, usant XFOIL) per construir una base de coneixement, i després refinar el model amb un nombre reduït d'avaluacions cares (RANS) només on el model substitut mostra la màxima incertesa. A la pràctica, això es tradueix en un procés iteratiu on un algorisme genètic híbrid (GA) va explorant l'espai de disseny —habitualment representat mitjançant els coeficients CST (Class-Shape Transformation)— i, per a cada individu candidat, el valor de la funció objectiu (com l'eficiència aerodinàmica L/D o el coeficient de sustentació CL) s'obté del model substitut en lloc d'executar directament el CFD. La clau és la sincronització: quan la incertesa supera un llindar predefinit, es llança una nova simulació RANS que actualitza tant el model com la població del GA, evitant així que l'algorisme evolutiu es basi en valors obsolets.
Un cas pràctic il·lustratiu és l'optimització d'un perfil aerodinàmic per a dues condicions de vol en un nombre de Reynolds de 6×106: creuer a 2° d'angle d'atac (maximitzar eficiència L/D) i enlairament a 10° (maximitzar coeficient de sustentació CL). Mitjançant una representació CST de 12 paràmetres, es poden construir models multifidelitat independents per a cada condició, permetent un refinament desacoblat. Els resultats obtinguts en estudis recents mostren millores del 41,05 % en eficiència en creuer i del 20,75 % en sustentació en enlairament respecte al millor individu de la primera generació, tot emprant simulacions RANS en només el 14,78 % i 9,5 % de les avaluacions totals per a cada condició, respectivament. Aquestes xifres demostren l'enorme estalvi computacional que es pot aconseguir sense sacrificar la precisió dels resultats aerodinàmics finals.
Darrere d'aquest tipus d'optimització es necessita una infraestructura de programari robusta i flexible. La integració de mòduls de CFD de diferent fidelitat, la gestió de cues de simulacions al núvol, l'orquestració d'algorismes genètics i la visualització de resultats són tasques que requereixen un desenvolupament d'aplicacions a mida per adaptar-se a les necessitats específiques de cada projecte aeronàutic. Empreses com Q2BSTUDIO ofereixen serveis d'enginyeria de programari que permeten construir aquestes plataformes combinant components d'intel·ligència artificial, com els models substituts basats en processos gaussians, amb sistemes d'execució distribuïda al núvol (AWS o Azure). De fet, la capacitat d'escalar les simulacions RANS sota demanda gràcies a la infraestructura al núvol resulta crítica per evitar colls d'ampolla a les campanyes d'optimització. A més, la implementació d'agents IA pot automatitzar la selecció de mostres d'alta fidelitat, decidint en temps real quins individus requereixen validació addicional segons els nivells d'incertesa.
D'altra banda, la ciberseguretat no s'ha de descuidar en entorns on es manegen dades de disseny sensibles o propietat intel·lectual. Les solucions d'intel·ligència artificial que gestionen els models substituts han d'estar protegides davant d'accessos no autoritzats, i la comunicació entre els diferents mòduls (XFOIL, RANS, GA, base de dades) s'ha d'encriptar. Les empreses que desenvolupen aquest tipus de plataformes solen incloure serveis de ciberseguretat i pentesting per garantir que la infraestructura al núvol compleixi amb els estàndards més exigents. Així mateix, el monitoratge del rendiment de les simulacions i la generació d'informes periòdics es beneficia enormement de les eines de Business Intelligence, com Power BI, que permeten visualitzar en temps real el progrés de l'optimització, l'evolució de la incertesa i el consum de recursos computacionals.
Des d'una perspectiva empresarial, l'adopció de models multifidelitat actius no només redueix els costos de computació, sinó que també accelera el cicle de disseny, permetent als equips d'enginyeria avaluar un nombre molt més gran de configuracions en el mateix temps. Això es tradueix en avantatges competitius per als fabricants aeronàutics, que poden llançar al mercat aeronaus més eficients i segures amb terminis de desenvolupament més ajustats. La clau és comptar amb un programari a mida que integri de forma fluida totes les peces del procés: des de la generació de geometries fins a l'extracció de coeficients aerodinàmics, passant per la gestió de la incertesa i l'evolució de la població mitjançant algorismes genètics.
En conclusió, l'optimització de perfils aerodinàmics mitjançant aprenentatge substitut multifidelitat actiu representa una convergència exitosa entre l'enginyeria aeronàutica clàssica i les tècniques més avançades de machine learning i computació al núvol. Per a les empreses que necessiten implementar aquestes capacitats, Q2BSTUDIO proporciona el suport tecnològic necessari, oferint des del desenvolupament d'aplicacions a mida fins a la integració de solucions al núvol, IA, ciberseguretat i BI, sempre amb un enfocament pràctic i orientat a resultats. Si la seva organització busca millorar els seus processos de disseny aerodinàmic reduint costos computacionals, contar amb un soci tecnològic expert en aquestes disciplines marcarà la diferència entre un projecte que avança lentament i un altre que vola cap a l'excel·lència.
