Thesis:

Estimación de factores de forma mediante aprendizaje supervisado: un enfoque basado en Machine Learning y Deep Learning

Los factores de forma (VF) son fundamentales para modelar con precisión la transferencia de calor por radiación entre superficies, ya que gobiernan la distribución de los flujos radiativos y desempeñan un papel clave en la gestión térmica y en el análisis de seguridad frente a incendios. En este trabajo se presenta una metodología numérica para la estimación de factores de forma y la resolución de problemas inversos asociados mediante algoritmos de machine learning (ML) y deep learning (DL). El marco de trabajo propuesto, basado en datos, se compara con valores de referencia de factores de forma calculados mediante métodos de integrales de contorno derivados del teorema de Stokes. Se analizan tres configuraciones geométricas representativas con el fin de caracterizar el comportamiento espacial y geométrico del intercambio radiativo y evaluar la capacidad predictiva de los modelos sustitutos. Entre los enfoques evaluados, el Perceptrón Multicapa (MLP) alcanzó de manera consistente la mayor precisión, capturando exitosamente las dependencias geométricas no lineales y reproduciendo las distribuciones espaciales del factor de forma con una concordancia casi perfecta respecto de las referencias analíticas. Los modelos entrenados ofrecen mejoras de varios órdenes de magnitud en la eficiencia computacional en comparación con la integración numérica clásica, lo que permite evaluaciones en tiempo real adecuadas para estudios paramétricos, tareas de optimización y problemas de diseño inverso. Los resultados demuestran que los modelos sustitutos basados en ML y DL constituyen una alternativa robusta y escalable a las formulaciones tradicionales basadas en integrales, proporcionando estimaciones de factores de forma precisas, rápidas y físicamente consistentes en una amplia variedad de escenarios de transferencia radiativa.

View factors (VFs) are fundamental for accurately modeling radiative heat transfer between surfaces, as they govern the distribution of radiative fluxes and play a key role in thermal management and fire safety analysis. This paper presents a numerical methodology for estimating view factors and solving associated inverse problems using machine learning (ML) and deep learning (DL) algorithms. The proposed data-driven framework is compared against reference view factor values ​​calculated using contour integral methods derived from Stokes' theorem. Three representative geometric configurations are analyzed to characterize the spatial and geometric behavior of radiative exchange and to evaluate the predictive capability of the surrogate models. Among the approaches evaluated, the Multilayer Perceptron (MLP) consistently achieved the highest accuracy, successfully capturing non-linear geometric dependencies and reproducing spatial view factor distributions with near-perfect agreement relative to analytical references. The trained models offer improvements in computational efficiency of several orders of magnitude compared to classical numerical integration, enabling real-time evaluations suitable for parametric studies, optimization tasks, and inverse design problems. The results demonstrate that ML- and DL-based surrogate models constitute a robust and scalable alternative to traditional integral-based formulations, providing accurate, rapid, and physically consistent view factor estimates across a wide range of radiative heat transfer scenarios.