Tecnología de conducción térmica adaptativa basada en la modelización colaborativa de datos físicos y su simulación de ingeniería

Resumen

 En ámbitos de la ingeniería como la gestión térmica de dispositivos electrónicos de alta potencia, la simulación eficiente y de alta fidelidad de procesos complejos de conducción térmica transitoria se ve obstaculizada por el elevado coste computacional y la escasa adaptabilidad de los métodos numéricos convencionales. Mientras que los enfoques existentes se enfrentan a una disyuntiva entre el coste prohibitivo de los solucionadores tradicionales y la inconsistencia física o las dificultades de convergencia de los modelos estándar basados en datos, este trabajo salva estas brechas mediante la introducción de un mecanismo de plausibilidad física reforzado por un discriminador que supera significativamente a las estrategias convencionales de minimización de residuos. Para mejorar la precisión y la estabilidad de la predicción, este artículo propone una novedosa tecnología de conducción térmica adaptativa que integra de forma sinérgica las leyes físicas con los enfoques basados en datos. Al establecer un mecanismo colaborativo entre las restricciones físicas y la optimización adversaria, el método logra una reconstrucción térmica de campo completo en condiciones sin malla y con muestras pequeñas. Concretamente, se construye un marco de optimización colaborativa de red dual combinando las restricciones físicas de las redes neuronales informadas por la física (PINN) con el entrenamiento adversario de las redes generativas adversarias (GAN) para permitir soluciones de alta precisión para la conducción de calor. En primer lugar, una red neuronal totalmente conectada incorpora el residuo físico derivado de la ecuación gobernante mediante diferenciación automática. En segundo lugar, un generador construye el campo de temperatura, que luego es refinado por un discriminador para mejorar la plausibilidad física de las muestras generadas. Además, una estrategia de muestreo adaptativo enriquece dinámicamente el conjunto de datos de entrenamiento en regiones con un alto error de predicción, mejorando así la fidelidad del campo térmico reconstruido. A diferencia de los estudios que se basan únicamente en la minimización de residuos, nuestros análisis comparativos confirman que este marco adaptativo logra una convergencia más rápida y una mayor precisión, ofreciendo una solución robusta diseñada específicamente para aplicaciones de ingeniería en tiempo real en las que los métodos tradicionales son computacionalmente prohibitivos. La eficacia práctica del enfoque propuesto se demuestra mediante simulaciones de ingeniería canónicas, como la refrigeración transitoria de chips. Los resultados muestran que el marco de modelización colaborativa entre la física y los datos captura eficazmente la dinámica subyacente de la conducción de calor, lo que da lugar a distribuciones de temperatura que se aproximan mucho a la verdad fundamental. La evolución espacio-temporal del campo térmico generado se ajusta a la ley de difusión de la energía regida por la ecuación de calor, con errores de predicción concentrados en el rango de 0,04–0,10, lo que confirma su capacidad de modelización de alta fidelidad para escenarios complejos. El mecanismo de entrenamiento adversarial mejora significativamente la estabilidad numérica: las pérdidas del generador y del discriminador convergen desde valores iniciales de 1,41 y 0,72 a 1,35 y 0,64, respectivamente, mientras que el error cuadrático medio (MSE) de las muestras generadas mejora de 0,037 a 0,004, lo que indica una convergencia progresiva hacia la solución verdadera a través de la competencia dinámica. Además, la estrategia de muestreo adaptativo centra eficazmente los recursos computacionales en las regiones de alto error (por ejemplo, cerca de los límites de las fuentes de calor o de las interfaces discontinuas), lo que conduce a la convergencia temporal de la distribución del error y valida su eficacia en el refinamiento de características locales. Este trabajo proporciona una solución eficiente y robusta para los problemas de conducción de calor que armoniza la coherencia física con la flexibilidad basada en datos.