Imagen de la aeronave Cessna 172 utilizada para los experimentos en el simulador del plano X con ilustraciones que muestran posibles trayectorias futuras del sistema con límites de incertidumbre. Crédito: Joshua Ott usando X-Plane por Laminar Research
Un equipo de Stanford ha demostrado que usar menos puntos de datos de mayor calidad puede acelerar simulaciones complejas. El método podría afectar los campos de la certificación de aeronaves hasta el modelado climático.
Cualquiera que haya visto una simulación de mecánica de fluidos en acción, confió en un modelo meteorológico para anticipar un huracán que se aproxima, o haber visto un simulador de vuelo puso un diseño de chorro virtual de mil millones de dólares a prueba, sabe que las matemáticas de la simulación son casi imposiblemente complejas. Incluso en las supercomputadoras más rápidas, estos cálculos a veces pueden tardar días en completarse.
Ahora, los investigadores de la Universidad de Stanford han descubierto una forma no solo de acelerar los cálculos de modelado, sino que en realidad producen mejores resultados al recopilar menos datos de mayor calidad y eliminar redundancias que empantanan los enfoques tradicionales. Lo lograron utilizando un nuevo enfoque que simplifica las entradas de datos a los cálculos de velocidad.
“La conclusión clave de este trabajo es que, al ser inteligente sobre los datos que recopilamos, podemos reducir significativamente la cantidad de datos requeridos para construir modelos precisos de sistemas complejos”, dijo Joshua Ott, estudiante de doctorado en aeronáutica y astronautia y primer autor de un nuevo artículo presentado en la Conferencia de Dynamics & Control de Learning for Dynamics y Control). “Si puede simplificar las entradas de datos, facilita las matemáticas”.
Simplificar para acelerar
La visión, explica el coautor Mykel Kochenderfer, profesor de aeronáutica y astronáutica, es reducir la escala de los cálculos a solo los más importantes, permitiendo la eliminación de datos redundantes y la aceleración de los tiempos de cálculo.
“Nuestro trabajo implica nuevos métodos para aprender de manera eficiente el comportamiento de los sistemas complejos, como aviones, clima o mercados financieros, al recopilar datos inteligentes y específicos”, dijo Kochenderfer. “Comprender estos sistemas con precisión es importante en ciencia e ingeniería, pero la recopilación de los datos necesarios puede llevar mucho tiempo y costoso”.
En términos laicos, el enfoque del equipo al problema era forzarlo a través de una serie de aproximaciones más pequeñas y más fáciles de resolver, lo que les permite resolver los problemas extremadamente rápido.
“Técnicamente, ese tipo de modelado no es tan preciso como si hubiera hecho la optimización completa, pero lo resolvemos muchas más veces, y con el tiempo nos reducimos en mejores respuestas, más rápido”, explicó Ott.
Prueba válida
El equipo validó experimentalmente su método en tres entornos de simulación no relacionados utilizando dos técnicas convencionales. “Solo para darle una idea de la escala de estos problemas: la simulación de una aeronave generalmente tiene quizás 20 dimensiones para calcular, pero una simulación de flujo de fluido puede tener 50,000 o más”.
En un experimento, hicieron cálculos de fluidos que fluyeron más allá de un cilindro giratorio, el tipo de problema que tiene más de 50,000 entradas. En otro, simularon el vuelo de un chorro de combate F-16, reduciendo las entradas a solo cuatro controles: porcentaje de masa, elevador, alerón y desviaciones del timón.
“Es una gran diferencia en la escala, pero el método aún funciona a ambas escalas”, dijo Ott. “Eso es genial”.
Por último, para demostrar la utilidad de su método en situaciones del mundo real, el equipo integró su método en X-Plane, un simulador de vuelo altamente realista para fines de entrenamiento y investigación de pilotos. X-Plane requirió actualizaciones y ajustes en tiempo real para controlar las entradas en función del estado actual de la aeronave. Luego usaron un Cessna 172 simulado en el plano X para demostrar el caso de uso en tiempo real de su método.
“Este último ejemplo, en particular, muestra la aplicabilidad práctica de nuestro método en escenarios que requieren estrategias de control adaptativas y receptivas y la velocidad de nuestro método para actualizar las estimaciones y reemplazar a bordo de un avión en ejecución”, dijo Stephen Boyd, profesor de ingeniería eléctrica, experto en sistemas de control y autor senior del documento.
En el mundo real
Los investigadores señalan que este enfoque podría disminuir significativamente el tiempo para certificar nuevos diseños de aeronaves para garantizar que los aviones sean seguros y cumplir con los estándares de rendimiento, lo que potencialmente reduce los costos tanto para las aerolíneas como para los pasajeros. También podría aplicarse a los sistemas climáticos para mejorar las proyecciones climáticas e identificar áreas donde los modelos actuales tienden a ser más inciertos para refinar nuestra comprensión de los patrones climáticos, mejorar las predicciones e informar mejor las decisiones políticas.
En ese sentido, a continuación para el equipo, dijo Ott, es una colaboración de investigación con la Escuela de Pilotos de Pruebas de la Fuerza Aérea que busca aplicarlo a sus aviones T-38.
“El T-38 es bastante más rápido que un Cessna 172. Demostrar nuestro método a bordo del T-38 en tiempo real podría abrir puertas para futuras vías para acelerar la prueba de vuelo y el proceso de certificación en todos los ámbitos”, dijo Ott. “Estamos tratando de trabajar de una manera que podamos obtener lo mejor de ambos mundos: la precisión de los métodos tradicionales y la velocidad de nuestro enfoque reducido. Debería ser un desafío divertido”.
Proporcionado por la Universidad de Stanford
Cita: los investigadores aceleran simulaciones con un enfoque de datos más inteligente (2025, 9 de junio) Consultado el 9 de junio de 2025 de https://techxplore.com/news/2025-06-simulations-smarter-proch.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
