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.