Aprendizaje Automático Aplicado: Predicciones para un problema de convección natural transitoria

Resumen

En este trabajo se aplica aprendizaje automático supervisado para predecir el flujo de calor promedio Q en cavidades bidimensionales con geometría tipo ático, sometidas a convección natural transitoria. A partir de datos obtenidos por simulación numérica con el software OpenFOAM®, se analiza el comportamiento de Q en función del salto de temperatura impuesto (ΔT) y el ángulo de inclinación de la pared activa (γ). La base teórica se fundamenta en la resolución de ecuaciones diferenciales que modelan la transferencia de calor y dinámica de fluidos, con condiciones de borde variables. Para reducir el costo computacional de las simulaciones, se entrenaron modelos predictivos utilizando regresión lineal múltiple (RLM) y Random Forest (RF), evaluando su desempeño mediante el coeficiente de determinación R2. El modelo RF mostró un ajuste superior (R2>0,99) y fue validado con nuevos casos simulados no incluidos en el entrenamiento, demostrando su capacidad de generalización. Este enfoque permite obtener estimaciones confiables del flujo de calor sin necesidad de resolver nuevamente el problema completo, lo cual resulta útil en aplicaciones como diseño térmico de recintos o análisis preliminar de sistemas pasivos.