Cómo una IA valenciana ayuda a descifrar las turbulencias

Un equipo de la Universitat Politècnica de València (UPV) y la Universidad de Michigan ha creado un modelo de inteligencia artificial capaz de anticipar la evolución de un flujo turbulento y localizar las zonas que más influyen en su comportamiento. El avance, publicado en Nature Communications, no se limita a calcular qué podría ocurrir: también ofrece pistas sobre qué partes del movimiento son determinantes.

Ese matiz importa porque la turbulencia aparece en fenómenos muy distintos, desde el aire alrededor de un avión hasta procesos industriales. El modelo podría contribuir a estudiar zonas de riesgo durante los vuelos y a mejorar aplicaciones como la combustión o la eficiencia aerodinámica, aunque la investigación no equivale a un sistema ya instalado en aviones ni a una herramienta operativa de predicción meteorológica. Su aportación inmediata es más precisa: ayuda a interpretar una dinámica difícil de controlar.

Un movimiento irregular que sigue reglas difíciles de resolver

La turbulencia se reconoce por un movimiento desordenado, con cambios y remolinos que se desarrollan a distintas escalas. No es una ausencia de leyes físicas; el problema es que las interacciones entre las partes del flujo hacen que su evolución resulte extremadamente compleja. Una variación localizada puede alterar el comportamiento de zonas cercanas y, con el tiempo, modificar el patrón general.

En un flujo tranquilo, las trayectorias pueden describirse de forma relativamente estable. En uno turbulento, en cambio, las pequeñas estructuras se mezclan, se deforman y afectan a otras. Para reconstruir esa evolución mediante cálculos hacen falta simulaciones detalladas, y la cantidad de información que producen puede ser enorme. El reto no consiste solo en obtener datos, sino en distinguir cuáles explican realmente el cambio.

Sergio Hoyas, investigador del Instituto de Matemática Pura y Aplicada de la UPV y coautor del trabajo, ha descrito el problema como un rompecabezas que lleva más de un siglo sin resolverse por completo. Las ecuaciones son complejas, los experimentos presentan dificultades y la capacidad de cálculo impone límites. La inteligencia artificial no elimina esas barreras por sí sola, pero puede aportar una forma nueva de buscar patrones dentro de una simulación.

La diferencia entre comprender y simplemente calcular es central. Un programa puede ofrecer una predicción útil sin revelar por qué llega a ella; en un sistema complejo, esa opacidad dificulta decidir qué intervención tendría sentido. El trabajo de los investigadores intenta avanzar en ambos frentes: estimar la evolución del flujo y señalar qué regiones pesan más en ella.

De una simulación detallada a una predicción interpretable

El equipo entrenó el modelo con simulaciones numéricas de alta precisión de un flujo turbulento. A partir de esa representación computacional, el algoritmo aprende a estimar cómo cambia el movimiento. El material de partida es importante: la inteligencia artificial no observa por sí misma cualquier situación del mundo real, sino que aprende a partir de los datos y las condiciones que se incorporan al modelo.

Después, los investigadores aplicaron técnicas de inteligencia artificial explicable conocidas como SHAP. Estas permiten analizar qué regiones del flujo contribuyen más a la predicción. En lugar de tratar el resultado como una respuesta cerrada, el método ayuda a relacionar el cálculo con zonas concretas del movimiento. La explicación acompaña a la predicción, un rasgo especialmente valioso cuando el objetivo es comprender y no solo anticipar.

La imagen se parece a estudiar una corriente de agua observando no solo su dirección general, sino también los puntos donde una perturbación cambia el recorrido. La analogía no reproduce todos los detalles físicos, pero ayuda a entender la lógica: el modelo identifica áreas cuya evolución tiene una influencia mayor sobre el conjunto. Eso permite centrar el análisis en partes relevantes, en vez de tratar cada punto de la simulación como si aportara la misma información.

Andrés Cremades, investigador del mismo instituto, ha destacado precisamente el potencial de localizar las regiones más importantes en la evolución de un flujo turbulento. La investigación de la UPV y Michigan convierte esa idea en una herramienta cuantitativa: combina una simulación de alta resolución con métodos para interpretar la relevancia de sus distintas zonas. No se trata de que la IA sustituya las ecuaciones de la física, sino de usarla para extraer información de una dinámica que resulta difícil de leer directamente.

Por qué importa que el modelo no sea una caja negra

Muchos sistemas de aprendizaje automático ofrecen una salida sin mostrar con claridad qué elementos condujeron a ella. Esa limitación suele resumirse con la expresión caja negra. En una predicción cotidiana puede ser suficiente conocer el resultado; en una investigación sobre flujos, no necesariamente. Si se pretende modificar el comportamiento de la turbulencia, hace falta saber dónde actuar y qué parte del movimiento parece tener más influencia.

La explicación que aporta SHAP no convierte automáticamente el modelo en una descripción completa de la causa física. Indica qué zonas contribuyen a la predicción según el método y los datos empleados; interpretar ese resultado sigue requiriendo conocimiento del fenómeno. Que una región aparezca como relevante no demuestra, por sí solo, que intervenir en ella vaya a producir siempre el efecto esperado. Esa distinción evita confundir una herramienta de análisis con una receta universal.

Con todo, la posibilidad de reconocer zonas influyentes abre una vía para diseñar estrategias de control más selectivas. En vez de intentar modificar todo el flujo, los investigadores podrían estudiar qué cambios tienen más posibilidades de afectar a la resistencia, la fricción o el desgaste. Sergio Hoyas ha señalado que el método puede ayudar a identificar regiones que convendría modificar para reducir resistencia, mejorar la combustión o disminuir la contaminación. Se trata de posibilidades de investigación, no de resultados industriales ya garantizados.

La interpretabilidad también permite comparar predicciones con el conocimiento físico existente. Si el modelo destaca una zona inesperada, esa señal puede orientar nuevos análisis; si coincide con patrones conocidos, puede reforzar la confianza en el enfoque. En ambos casos, el sistema aporta una pista que debe contrastarse. La utilidad está en acortar el camino entre una simulación compleja y una hipótesis que los especialistas puedan examinar.

Del laboratorio a los aviones: una aplicación posible, no inmediata

La relación con la aviación resulta intuitiva: el aire que rodea una aeronave puede presentar movimientos turbulentos, y anticipar su evolución podría ayudar a reconocer zonas peligrosas durante un vuelo. Sin embargo, el estudio descrito trabaja con simulaciones de flujos turbulentos y no afirma que el modelo ya pronostique en tiempo real las turbulencias de una ruta concreta. La investigación señala una posible contribución futura, no una prestación disponible para pilotos o pasajeros.

Entre una simulación científica y una herramienta aeronáutica lista para operar hay una distancia importante. Un sistema destinado a vuelos tendría que responder a condiciones reales y demostrar que sus resultados son fiables en el contexto para el que se emplearía. La información disponible sobre este trabajo no detalla una aplicación de ese tipo ni un calendario para incorporarla a la aviación. Por eso, presentar el avance como un mecanismo que ya evita turbulencias sería ir más allá de lo que muestran los datos publicados.

La aportación puede ser relevante aunque no cambie todavía la experiencia de un pasajero. Comprender mejor cómo se organizan los flujos puede ayudar a desarrollar modelos y estrategias de control más precisos, que después se evalúen en contextos concretos. En aeronáutica, el interés está ligado a la resistencia aerodinámica y al comportamiento del aire alrededor de las superficies; pero el estudio no aporta una cifra de ahorro ni demuestra una reducción inmediata de riesgos. El puente hacia la aplicación depende de validaciones posteriores.

La misma cautela vale para otros sectores. Un resultado obtenido en una simulación no se traslada de forma automática a cualquier tipo de flujo, porque cada aplicación tiene condiciones y objetivos propios. Los autores apuntan que la técnica también puede servir en otros problemas físicos donde sea necesario reconocer los factores decisivos. Esa posibilidad amplía el alcance metodológico del trabajo, aunque cada uso tendría que estudiarse por separado.

La turbulencia también consume energía

El interés no se limita a anticipar movimientos incómodos o potencialmente peligrosos. La turbulencia influye en la fricción y en la resistencia que aparece en distintos sistemas, además de intervenir en procesos como la combustión. Cuando el flujo se comporta de una manera que exige más energía o genera más desgaste, comprender sus zonas críticas puede ayudar a buscar diseños y controles más eficientes.

Los investigadores sitúan en torno al 15 % la proporción de la energía mundial que se pierde por efectos relacionados con la turbulencia. La cifra expresa la magnitud potencial del problema, pero no significa que el nuevo modelo vaya a recuperar ese porcentaje ni que toda esa energía pueda ahorrarse. Identificar una pérdida no equivale a eliminarla: el paso siguiente sería demostrar que una intervención concreta reduce el consumo sin crear otros costes o problemas.

La precisión de esa distinción es importante para valorar el alcance real del descubrimiento. Un modelo que señala áreas influyentes puede orientar el diseño de estrategias para reducir la fricción, el gasto energético o el desgaste de equipos. Si esas estrategias funcionan en pruebas específicas, podrían contribuir a tecnologías más sostenibles en aeronáutica, automoción y energía eólica. La investigación ofrece una herramienta para explorar ese camino, no una garantía de que todos esos sectores obtengan ya una mejora medible.

En la industria, además, pequeños cambios en el comportamiento de un flujo pueden tener consecuencias acumuladas sobre la eficiencia de un proceso. La combustión es uno de los ejemplos citados por el equipo, junto con la reducción de la resistencia aerodinámica. La ventaja de localizar regiones relevantes sería orientar las modificaciones hacia los puntos con mayor influencia, en lugar de intervenir a ciegas sobre todo el sistema. Ese enfoque selectivo podría hacer más racional el control de ciertos procesos.

Un avance parcial ante uno de los grandes problemas de la física

El trabajo no resuelve el problema matemático de la turbulencia. La cuestión de demostrar la existencia y unicidad de soluciones de las ecuaciones de la mecánica de fluidos se conoce como el problema del millón de dólares. Ricardo Vinuesa, miembro del equipo, ha expresado la escala del desafío con una comparación: resolver la turbulencia de forma práctica sería el problema del billón de dólares.

La comparación no debe leerse como una promesa de premio ni como una estimación económica literal del valor de esta investigación. Subraya la diferencia entre describir un caso concreto con herramientas computacionales y alcanzar una comprensión general que permita resolver el fenómeno en toda su amplitud. El modelo publicado avanza en una tarea delimitada: predice la evolución de un flujo simulado y ayuda a identificar las zonas más influyentes. Es una pieza de un problema mayor, no su solución definitiva.

También explica por qué una herramienta de inteligencia artificial puede ser útil sin zanjar el debate científico. Las simulaciones permiten estudiar situaciones difíciles de reproducir en un experimento, mientras que los métodos explicables ayudan a examinar qué información resulta decisiva. Pero los resultados dependen de los datos y del marco de análisis, y deben interpretarse junto con la física del problema. La IA amplía la capacidad de análisis; no convierte la incertidumbre en certeza por el mero hecho de producir una predicción.

La relevancia del trabajo está, por tanto, en combinar dos objetivos que a menudo se separan: anticipar cómo evolucionará el flujo y aportar una explicación de las regiones que condicionan esa evolución. Esa combinación puede facilitar nuevas preguntas sobre cómo reducir resistencia, controlar procesos o estudiar otros fenómenos físicos. La turbulencia sigue siendo un rompecabezas, pero ahora hay una herramienta más para localizar sus piezas decisivas.