La IA, Inteligencia Artificial, está trastornando un sector tras otro. En este artículo, le mostraremos cómo nuestra nueva red neuronal artificial puede ayudarle a mejorar significativamente el tiempo de simulación de GHEtool.
El problema general
El cálculo de las funciones g es fundamental para la simulación de campos de sondeo. Estas funciones adimensionales describen el comportamiento de un campo de sondeo a largo plazo, con los distintos pozos interactuando entre sí y con el terreno circundante. (Si no ha leído nuestro artículo sobre las funciones g, puede encontrarlo en aquí.)
Históricamente, la simulación de funciones g, sobre todo para campos de sondeo bastante grandes, era extremadamente lenta. Hoy en día, gracias a algunos trucos matemáticos y algoritmos inteligentes, la humanidad puede calcular estos valores g en unos 0,5 segundos, lo que es más que aceptable cuando se trata de la simulación directa de temperaturas de perforación.
Sin embargo, surge un problema cuando los métodos más complicados y avanzados requieren simular varios valores g, por ejemplo en el método de cálculo de la profundidad de perforación requerida. Para cada iteración, este objetivo requiere el cálculo de varios valores g, lo que lleva a tiempos de simulación de diez a treinta segundos o, a veces, incluso superiores. Con la tendencia hacia métodos más avanzados, este aumento del tiempo de simulación no es una perspectiva halagüeña.
Por lo tanto, se trataba de encontrar una nueva forma de acelerar la simulación de estas funciones g sin comprometer la precisión. Aquí es donde la inteligencia artificial, o más concretamente una red neuronal artificial, entró en escena.
Red neuronal artificial
La IA es un término muy amplio, que abarca desde grandes modelos lingüísticos (como ChatGPT) hasta robots humanoides y sistemas de conducción autónoma. Dentro de este campo de la IA, existe algo llamado red neuronal artificial (o RNA, para abreviar). En las próximas secciones, presentaremos estas RNA, explicaremos cómo las entrenamos y cuál es su precisión.
¿De qué se trata?
El concepto de una RNA es imitar el comportamiento del cerebro humano, o al menos el modo en que creemos que funciona. Cuando recibimos alguna entrada sensorial, ya sea olor, tacto o sonido, se envía a las neuronas de nuestro cerebro, donde la señal se mueve de neurona en neurona hasta que terminamos con un determinado pensamiento, acción, sentido, etcétera. Este comportamiento, en el que partimos de un conjunto de entradas y nos movemos a través de una serie de neuronas para llegar a una determinada conclusión, es exactamente lo que intentamos modelar con una RNA. En la figura siguiente se ofrece una representación esquemática de una RNA.
Aunque estas redes neuronales pueden adoptar todas las formas posibles, su estructura es más o menos la misma. Partiendo de un conjunto de parámetros de entrada, que en nuestro caso son los datos del campo de sondeo (configuración, profundidad, difusividad térmica del terreno, etc.), los datos pasan a una serie de nodos de la primera capa. Aquí, en cada nodo (o neurona), los datos se ponderan por el valor de la neurona y se envían a las neuronas de la capa siguiente. Allí ocurre el mismo proceso, hasta llegar a la capa de salida, que en nuestro caso consiste en los valores g correspondientes.
Dependiendo de la arquitectura del modelo de la RNA, el número de capas ocultas puede variar, así como el número de neuronas de cada capa. El principal reto es encontrar un modelo que sea lo suficientemente complejo como para aprender o representar la física que necesitas, y no demasiado complicado, ya que cuantas más neuronas tengas en tu modelo, más extenso tendrá que ser tu conjunto de entrenamiento.
Formación
Al igual que un bebé que llega a este mundo y aún tiene que aprenderlo casi todo, nuestra red neuronal no puede hacer nada correctamente nada más sacarla de la caja. Como ya hemos dicho, el concepto de una red neuronal es que los datos pasan por varios nodos de ponderación para transformarse, al final, en la salida real que necesitamos. Sin embargo, estos factores de ponderación no son generales, sino muy específicos para cada caso y cada modelo. Por eso tenemos que entrenarla y enseñarle a la RNA cómo debe comportarse, o más concretamente para nuestra situación, cuáles son los valores g para un determinado conjunto de entradas.
Nota
El entrenamiento y desarrollo de la RNA para este dominio se basa en el trabajo de Tobias Blanke, que también desarrolló el modelo de RNA que actualmente está implementado en GHEtool.
Para nuestro conjunto de datos de entrenamiento, partimos de configuraciones regulares (línea, en forma de L y de U, rectángulos y campos de perforación densos) y las simulamos con parámetros en los siguientes rangos:
- Tamaño del campo de perforación: 30×30 perforaciones, es decir, hasta 900 perforaciones para nuestros campos de perforación con forma rectangular y densa.
- Profundidad de perforación: 50-400 m
- Distancia entre perforaciones: 2-10 m
- Diámetros de perforación: 100-300 mm
- Difusividad térmica del suelo: 2,5e-7 - 2,67e-6
Dadas las permutaciones de todos los rangos de datos anteriores, entrenamos nuestro modelo con más de seis millones de puntos de datos.
Precisión
Aunque existen bastantes medidas formales diferentes para evaluar la precisión de las RNA, nos gusta que sea sencillo y comprensible. Por eso, en el gráfico siguiente se muestra la profundidad de perforación necesaria en nueve casos distintos, calculada tanto con el modelo normal (en el que los valores g se calculan explícitamente) como con el modelo RNA. Los casos se seleccionaron para cubrir una amplia gama de situaciones, como estar limitados por la temperatura media máxima o mínima del fluido, tener diferentes flujos de calor geotérmico, o tener propiedades variables del fluido, etc.
Del gráfico anterior se desprende claramente que existe una excelente concordancia entre el modelo normal y el nuevo modelo artificial. En la mayoría de los casos, la RNA dio una ligera sobreestimación de la profundidad de perforación requerida, mientras que en el caso 7 se simuló una profundidad ligeramente inferior. En general, la precisión de la RNA se situó dentro de los 4% del modelo regular, lo que podría decirse que está en el orden de las demás incertidumbres utilizadas en el diseño geotérmico.
Nota
Por razones de precisión, una vez completado el dimensionado, el perfil de temperatura que se ve en GHEtool se calcula con el modelo exacto y regular. Esto significa que la aceleración AI sólo se utiliza para acelerar la iteración para encontrar la profundidad requerida, pero no para simular las temperaturas a esta profundidad. De este modo, usted se beneficia de un modelo más rápido combinado con la máxima precisión para la simulación de la temperatura.
En el gráfico siguiente se muestra el tiempo de simulación para los distintos casos.
n el gráfico anterior, está claro que la RNA supera significativamente al enfoque normal, con un ahorro de tiempo que oscila entre 25% y 75%. Teniendo en cuenta que la diferencia de precisión es de solo 4%, cabe afirmar que se trata de una buena compensación.
Nota
Además del tiempo de cálculo necesario para las funciones g, otras partes del código también requieren cierto tiempo. Con el modelo RNA, el tiempo de cálculo de los valores g se ha reducido notablemente, lo que hace que otros aspectos, como el cálculo de la resistencia térmica efectiva de la perforación, dominen más el tiempo total de simulación.
¿Y ahora qué?
¿Y ahora qué? ¿A partir de ahora todos los cálculos de GHEtool se basarán en modelos de IA? Por supuesto que no.
Aunque hemos visto y demostrado el valor de confiar en la IA para acelerar ciertos métodos, seguimos prefiriendo la precisión del enfoque normal, basado en la física. Por eso, a partir de hoy, la RNA está disponible en GHEtool cuando se utiliza el objetivo ‘calcular la profundidad necesaria’, en los ‘ajustes específicos del objetivo’. Para otros métodos, en nuestra opinión, todavía no es un valor añadido.
Dicho esto, la aplicación de nuestra primera RNA abre la puerta a toda una nueva gama de posibilidades, nuevos métodos y optimizaciones más avanzadas.
Permanezca atento
La semana que viene presentaremos nuestro primer nuevo objetivo, posible gracias a esta misma RNA. Estén atentos.
Conclusión
Este artículo ha sentado las bases para toda una nueva gama de posibilidades dentro de GHEtool. Con la implementación de una red neuronal artificial para acelerar el tiempo de simulación de las funciones g, el cálculo de la función de profundidad de perforación requerida puede hacerse 25-75% más rápido manteniendo una precisión similar.
Referencias
- Vea nuestro vídeo explicativo en nuestra página de YouTube haciendo clic en aquí.
- Blanke, T., Pfeiffer, F., Göttsche, J., & Döring, B. (2024, septiembre). Uso de redes neuronales artificiales para el diseño de campos de sondas geotérmicas. En Conferencia BauSim 2024 (Vol. 10, pp. 89-95). IBPSA-Alemania y Austria.