Integración de CFD, Análisis Dimensional y Estadística en la Optimización de Turbinas Hidrocinéticas
Resumen
En el presente se explora la optimización de turbinas hidrocinéticas, dispositivos clave para la
generación de energía sostenible en zonas aisladas, como evidencian proyectos en Escocia y Francia. Para
superar los altos costos de experimentación, la investigación se enfoca en la Dinámica de Fluidos
Computacional (CFD) y metodologías de análisis numérico. El objetivo principal es analizar la integración de
CFD, el Teorema π de Buckingham y la Estadística en la optimización de estas turbinas. El artículo revisa la
literatura existente, estableciendo un marco teórico para futuras investigaciones. Se destaca el papel de CFD
en el análisis de flujos y la determinación de parámetros críticos, y cómo el Teorema π de Buckingham
simplifica las ecuaciones de fluidos y facilita el escalamiento. La Estadística, por su parte, es fundamental
para el diseño, optimización, evaluación del rendimiento y desarrollo de modelos predictivos. Finalmente, la
investigación resalta la creciente integración de la Inteligencia Artificial (IA), incluyendo el aprendizaje
automático y profundo, como un enfoque novedoso para mejorar el diseño, la optimización y el control de las
turbinas hidrocinéticas, abriendo nuevas vías para el avance de esta tecnología energética.
Descargas
Citas
Amran Abolholl, H. A., Teschner, T. R., & Moulitsas, I. (2024). A hybrid computer vision and machine learning approach for robust vortex core detection in fluid mechanics applications. Journal of Computing and Information Science in Engineering, 24(6).
Esfahanian, V., Izadi, M. J., Bashi, H., Ansari, M., Tavakoli, A., & Kordi, M. (2024). Aerodynamic shape optimization of gas turbines: a deep learning surrogate model approach. Structural and Multidisciplinary Optimization, 67(1), 2.
Etemadeasl, V., Esmaelnajad, R., Gharlai, K., & Riasi, A. (2024). Application of Entropy Production Theory for Evaluating the Performance of a Gorlov Hydrokinetic Turbine. Iranian Journal of Science and Technology, Transactions of Mechanical Engineering, 1-20.
Jayaram, V., & Bavanish, B. (2021). A brief review on the Gorlov helical turbine and its possible impact on power generation in India. Materials Today: Proceedings, 37, 3343-3351.
Jia, W., & Xu, H. (2024). Optimal parallelization strategies for active flow control in deep reinforcement learning-based computational fluid dynamics. Physics of Fluids, 36(4).
Kim, I., Jeon, Y., Chae, J., & You, D. (2024). Deep reinforcement learning for fluid mechanics: Control, optimization, and automation. Fluids, 9(9), 216.
Li, G., Wu, G., Tan, L., & Fan, H. (2023). A Review: Design and Optimization Approaches of the Darrieus Water Turbine. Sustainability, 15(14), 11308.
Marturet, G. (2019). Modelación fluidodinámica de turbinas Gorlov para la mejora de su rendimiento. Tesis doctoral. Puerto Ordaz: UNEXPO.
https://www.researchgate.net/publication/345356850_Modelacion_fluidodinamica_de_turbinas_Gorlov_para_la_mejora_de_su_rendimiento
Marturet Pérez, G. J., Marturet García, G. E., & Torres Monzón, C. F. (2022). Análisis CFD en Régimen Transitorio para la Determinación de Cavitación en Turbinas Helicoidales Gorlov. Revista Técnica de la Facultad de Ingeniería de la Universidad del Zulia, 45(2).
Marturet Pérez, G. J., Marturet García, G. E., Guerra Silva, R. A., Josefina Torres, M., & Torres Monzón, C. F. (2023). Análisis CFD sobre la Influencia del Ángulo de Ataque en el Coeficiente de Potencia de Turbinas Helicoidales Gorlov. Revista Técnica de la Facultad de Ingeniería de la Universidad del Zulia, 46.
Olausson, R. (2024). Wall modeled computational fluid dynamics using machine learning. Using CFD coupled machine learning to create wall models for increased LES knowledge for future industrial use. https://odr.chalmers.se/items/89db12c8-7349-4ab2-b8fe-d633ae3d12bc
Saini, G., & Saini, R. P. (2019). A review on technology, configurations, and performance of cross‐flow hydrokinetic turbines. International Journal of Energy Research, 43(13), 6639-6679.
Surulere, S. A., Shatalov, M. Y., & Olayiwola, F. E. (2024). Extensive Study of Modern Approaches Used in Identifying the Buckingham Potential. International Journal of Applied and Computational Mathematics, 10(1), 22.
Derechos de autor 2025 Gustavo José Marturet Pérez, Gustavo Elías Marturet García
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
Copyright
La Revista Técnica de la Facultad de Ingeniería declara que los derechos de autor de los trabajos originales publicados, corresponden y son propiedad intelectual de sus autores. Los autores preservan sus derechos de autoría y publicación sin restricciones, según la licencia pública internacional no comercial ShareAlike 4.0
_2.04__.27_p__._m__.__.png)
