¿La intuición a veces puede traicionarte?
Resumen
El modelado de fenómenos de transporte en sistemas que involucran escalas múltiples puede llevarse a cabo sin ambigüedades al nivel del continuo. Sin embargo, cuando se desea contar con modelos a niveles de escala superiores y que involucran más fases, no se cuenta con el mismo nivel de claridad y aceptación de las ecuaciones de transporte. Por un lado, una solución rápida a esta situación consiste en usar modelos intuitivos fundamentados en el aprendizaje (natural o artificial). Por otro lado, está la deducción rigurosa de los modelos en niveles de escala superiores. En este trabajo se discuten ambos enfoques y la relación que guardan entre sí. El propósito es mostrar al lector que un enfoque no es excluyente del otro y que vale la pena dedicar tiempo a aprender de ambos puntos de vista para llevar a cabo soluciones (rápidas o rigurosas) de problemas prácticos en ciencias e ingeniería.
Descargas
Citas
Bailly, A., Blanc, C., Francis, ´E., Guillotin, T., Jamal, F., Wakim, B., & Roy, P. (2022). Effects of dataset size and interactions on the prediction performance of logistic regression and deep learning models. Computer Methods and Programs in Biomedicine, 213, 106504.
Battiato, I., V, P. T. F., Malley, D. O., Miller, C. T., Takhar, P. S., Valdés-Parada, F. J., & Wood, B. D. (2019). Theory and Applications of Macroscale Models in Porous Media. Transport in Porous Media, 130 (1), 5-76.
De-Groot, S. R., & Mazur, P. (2011). Non-Equilibrium Thermodynamics. Dover Publications.
Kim, D., & Lee, J. (2024). A Review of Physics Informed Neural Networks for Multiscale Analysis and Inverse Problems. Multiscale Science and Engineering, 6 (1), 1-11.
Liu, Z., Ma, P.,Wang, Y., Matusik, W., & Tegmark, M. (2024). KAN2.0: Kolmogorov-Arnold Networks Meet Science.
Whitaker, S. (1999). The Method of Volume Averaging. Springer Netherlands.
