Resumen
En las próximas décadas, la humanidad va a enfrentarse a la amenaza más importante de su corta historia. Las pruebas acumuladas
sugieren que no nos enfrentamos al calentamiento global, sino a un cambio climático de consecuencias imprevisibles. Por poner sólo un
ejemplo, en lo que respecta a la aviación y según los investigadores de The Boeing Company, una reducción de sólo el 2% en la fricción
conduce a una reducción del 1% en la resistencia total. Teniendo en cuenta que en 2017 se utilizaron 340.000 millones de litros de
combustible para el transporte aéreo en todo el mundo, existe un enorme potencial de mejora en el ahorro de energía y en el consumo de
combustible. Uno de los retos a los que debemos enfrentarnos es que el flujo que rodea a un avión y el del interior de los motores es
turbulento, como el flujo de gases o líquidos en las tuberías. Los flujos turbulentos son intrínsecos a casi cualquier flujo en ingeniería.
El objetivo principal de este proyecto es contribuir a la comprensión de la dinámica de los flujos de pared, explorando dos técnicas: La
simetría de Lie y el Machine Learning. Como las técnicas experimentales son extremadamente difíciles para este tipo de flujos, la técnica
que debemos utilizar es necesariamente la Simulación Numérica Directa, DNS. Las simulaciones numéricas pueden ofrecer una solución
allí donde las técnicas experimentales son imposibles o demasiado costosas. La principal ventaja es que, una vez realizada la
configuración de una simulación, se puede responder a preguntas como "¿qué pasaría si cambiara esto?".
Queremos abordar tres flujos de pared diferentes
1. Flujo de canal turbulento
El flujo de canal turbulento es una de las mejores herramientas en la turbulencia de pared, debido a su relativa simplicidad. A partir de los
resultados de proyectos anteriores, disponemos de una gran base de datos. Entre otros, queremos profundizar en a dinámica de la capa
logarítmica, utilizando técnicas de Machine-Learning, obtener nuevas leyes de escalado para momentos de alto orden y crear filtros
específicos, imposibles de realizar en laboratorio, para poder aislar diversos efectos en el flujo.
2. Procesos de estratificación
Este flujo se produce de forma natural en los procesos atmosféricos cuando aparece un gradiente de temperatura inverso. El tamaño y las
longitudes de las estructuras del flujo cambian sensiblemente cuando aumenta la estratificación. Además de ser una de las principales
causas de la falta de dispersión de los contaminantes en las ciudades durante el invierno, este flujo es una referencia perfecta para
estudiar la interacción de las estructuras.
3. Flujos escalares pasivos
Estos flujos son de suma importancia, ya que ejemplos de ellos son la dispersión de contaminantes y los procesos de transferencia de
calor. Utilizando la teoría de la simetría de Lie y nuestra base de datos, queremos investigar nuevas leyes de escala de momentos puros y
mixtos. Esto es importante, ya que los momentos mixtos pueden dar una idea de la distribución de contaminantes o del calor fuera de las
paredes. Además, queremos estudiar las estructuras de los escalares pasivos. No está claro si existe una definición para las estructuras
instantáneas. Sin embargo, saber cuáles son las estructuras más energéticas o disipativas puede ayudar a diseñar mejores dispositivos.
Esto, por ejemplo, ayudaría a diseñar nuevos edificios para facilitar la dispersión de contaminantes.
