- INSTRUMENTO Fondo María Viñas
- BENEFICIARIO Martín Draper Vanrell : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 2280000
- FECHA DE INICIO 01.06.2024
- DURACIÓN 30 meses
- AÑO CONVOCATORIA 2023
- CÓDIGO FMV_1_2023_1_175915
- FASE SEGUIMIENTO
- ESTADO Seguimiento
La mecánica de los fluidos estudia el movimiento de fluidos y su interacción con el entorno. Históricamente, su abordaje se ha realizado mediante desarrollos teóricos y experimentales. En las últimas décadas, se ha consolidado la mecánica de los fluidos computacional (CFD) como una estrategia complementaria. El proyecto aborda la utilización de CFD a nivel industrial en dos aplicaciones complementarias: a) Detección de zonas de riesgo de daños por heladas agrometeorológicas en cultivos y evaluación de estrategias para su mitigación. b) Análisis de la operación de aerogeneradores y parques eólicos. El proyecto propone abordar un problema del sector productivo agrícola nacional e internacional. Estos eventos constituyen uno de los principales riesgos a la producción de cultivos de alto valor así como a la producción forestal. Por otra parte, tanto durante la etapa de proyecto como la etapa de explotación comercial de un parque eólico se requiere realizar simulaciones numéricas del flujo de aire alrededor de los aerogeneradores, contemplando la producción de energía y las solicitaciones mecánicas. El objetivo general del proyecto es potenciar la aplicación industrial de un código nacional de mecánica de los fluidos computacional en dos áreas de interés nacional como son la detección de daño por heladas agrometeorológicas y el análisis de la operación de aerogeneradores y parques eólicos. Para ello se plantea por un lado ampliar la capacidad del código de forma de viabilizar la ejecución de simulaciones de emplazamientos de mayor tamaño manteniendo los recursos de cómputo o de emplazamientos de dimensiones similares a los actualmente considerados reduciendo dichos recursos. Por otro lado, se propone explorar técnicas de aprendizaje profundo, en particular operadores neuronales profundos, para la construcción de modelos subrogados en ambas aplicaciones.