Autor: TLALES, Kenza
Título: Accelerating Computational Fluid Dynamics with Unsupervised Learning-Based Mesh Adaptation
Fecha: 2025
Materia: ---
Escuela: E.T.S. DE INGENIEROS DE TELECOMUNICACION
Departamento: MATEMATICA APLICADA A LA INGENIERIA AEROESPACIAL
Acceso electrónico: https://oa.upm.es/90695/
Director/a(s):
- Director/a: RUBIO CALZADO, Gonzalo
Resumen: This thesis investigates the integration of machine learning techniques into computational fluid dynamics (CFD) to improve simulation accuracy and computational performance. It proposes the use of the Gaussian Mixture Model (GMM) and unsupervised clustering as novel tools for mesh adaptation and flow feature detection. The methodology applies GMM to segment the computational domain into regions with distinct physical behaviour, viscous/turbulent and inviscid/irrotational. This clustering-based p-adaptation approach removes the need for predefined thresholds, enabling a fully automated and localised adjustment of the solution's polynomial degree. As a result, mesh refinement becomes more efficient and precise. A series of numerical experiments, including simulations of flow past a cylinder at varying Reynolds numbers, demonstrate the ability of the method to balance computational cost and solution fidelity. The framework is also tested on real-world engineering cases, such as wind turbine wake simulations, confirming its scalability and robustness. The results show substantial gains in efficiency and adaptability, establishing this approach as a promising solution for a wide range of CFD applications. By embedding machine learning into high-order solvers, this work advances the state-of-the-art and opens new directions for adaptive simulation strategies. It also lays the groundwork for future research in error-driven refinement, 3D turbulence modeling, and the broader application of AI in fluid mechanics. Keywords: Computational fluid dynamics, machine learning, Gaussian Mixture Model, p-adaptation, flow feature detection, mesh refinement, high-order methods. RESUMEN Esta tesis examina la integración de técnicas de aprendizaje automático en la dinámica de fluidos computacional (CFD) para mejorar la precisión de las simulaciones y reducir el coste computacional. Se propone el uso del Modelo de Mezclas Gaussianas (GMM) y métodos de agrupamiento no supervisado para desarrollar nuevas estrategias de adaptación de malla y detección de regiones del flujo sin recurrir a umbrales predefinidos. La metodología aplica GMM para segmentar automáticamente el dominio en regiones con diferentes características físicas, como zonas viscosas/turbulentas y no viscosas/irrotacionales. Esta clasificación guía un proceso de p-adaptación, ajustando el orden polinomial de la solución numérica de forma localizada, lo que permite un refinamiento automático, preciso y eficiente. Diversos experimentos numéricos, incluyendo simulaciones del flujo alrededor de un cilindro para distintos números de Reynolds, demuestran que el enfoque propuesto equilibra de manera eficaz el coste computacional y la calidad de la solución. Además, su aplicabilidad se valida en casos reales como las estelas de aerogeneradores, evidenciando la escalabilidad del método. Los resultados confirman que estas técnicas mejoran la eficiencia y adaptabilidad de los solucionadores de alto orden, lo que las convierte en herramientas prometedoras para aplicaciones complejas en CFD. La tesis contribuye así al estado del arte al integrar aprendizaje automático con métodos numéricos avanzados, y sienta las bases para investigaciones futuras sobre refinamiento adaptativo basado en errores, simulaciones tridimensionales de turbulencia y uso extendido de IA en mecánica de fluidos. Palabras clave: dinámica de fluidos computacional, aprendizaje automático, Modelo de Mezclas Gaussianas, p-adaptación, detección de características, refinamiento de mallas, métodos de alto orden. RÉSUMÉ Cette thèse explore l’intégration des techniques d’apprentissage automatique dans la dynamique des fluides numérique (CFD) afin d’améliorer la précision des simulations et la surcharge de calcul. En utilisant le modèle de mélanges gaussiens (GMM) et des méthodes de regroupement non supervisé, cette recherche introduit des approches innovantes pour l’adaptation du maillage et la détection des structures d’écoulement. La méthodologie se concentre sur l’application du GMM pour partitionner les champs d’écoulement en régions distinctes, régions distinctes, différenciant les zones visqueuses/turbulentes des zones inviscides/irrotationnelles. Cette technique de p-adaptation basée sur le regroupement élimine le besoin de seuils prédéfinis, permettant ainsi un raffinement du maillage automatisé, efficace et précis. De nombreuses expériences numériques sur divers cas tests, notamment l’écoulement autour d’un cylindre à différents nombres de Reynolds, démontrent la capacité de la méthode proposée à équilibrer le coût computationnel et la fidélité de la solution. Des applications en ingénierie, telles que la simulation du sillage d’une éolienne, illustrent davantage l’évolutivité des méthodes proposées. Les résultats montrent des améliorations significatives en termes du coût computationnel et d’adaptabilité, rendant ces techniques particulièrement adaptées à un large éventail d’applications en CFD. Ce travail contribue à l’état de l’art en intégrant de manière fluide l’apprentissage automatique dans les solveurs CFD d’ordre élevé, ouvrant ainsi la voie à de futures avancées dans les méthodes de simulation adaptative. Les méthodologies proposées établissent une base pour l’exploration du raffinement basé sur l’erreur, la modélisation tridimensionnelle de la turbulence et l’adoption plus large de l’apprentissage automatique dans la recherche en dynamique des fluides.