Crédito:CC0 Public Domain
El ingeniero mecánico Michael Gollner y su estudiante de posgrado, Sriram Bharath Hariharan, de la Universidad de California, Berkeley, viajó recientemente al Centro de Investigación John H. Glenn de la NASA en Cleveland, Ohio. Allí, dejaron caer objetos en llamas en un pozo profundo y estudiaron cómo se forman los remolinos de fuego en microgravedad. El Centro Glenn alberga una instalación de investigación de gravedad cero, que incluye una torre de caída experimental que simula la experiencia de estar en el espacio.
"Obtienes cinco segundos de microgravedad, "dijo Gollner. Los investigadores encendieron una pequeña mecha de parafina para generar remolinos de fuego y la dejaron caer, estudiando la llama hasta el fondo.
Experimentos como este presentado en la 73a Reunión Anual de la División de Dinámica de Fluidos de la Sociedad Estadounidense de Física, puede ayudar a los científicos del fuego a responder dos tipos de preguntas. Primero, iluminan las formas en que el fuego puede arder en ausencia de gravedad, e incluso pueden informar las medidas de protección para los astronautas. "Si algo se está quemando, podría ser una situación muy peligrosa en el espacio, "dijo Gollner. Segundo, puede ayudar a los investigadores a comprender mejor el papel de la gravedad en el crecimiento y propagación de incendios destructivos.
El fuego ardía de manera diferente sin gravedad, dijo Gollner. La llama era más corta y más ancha. "Vimos una verdadera ralentización de la combustión, ", dijo Gollner." No vimos los mismos giros dramáticos que tenemos con la gravedad ordinaria ".
Otros investigadores, incluyendo un equipo del Laboratorio Nacional de Los Alamos en Nuevo México, introdujo nuevos desarrollos en un modelo de dinámica de fluidos computacional que puede incorporar combustibles de contenido de humedad variable. Muchos modelos ambientales existentes promedian la humedad de todos los combustibles en un área, pero ese enfoque no capta las variaciones que se encuentran en la naturaleza, dijo el ingeniero químico Alexander Josephson, investigador postdoctoral que estudia la predicción de incendios forestales en Los Alamos. Como resultado, esos modelos pueden producir predicciones inexactas en el comportamiento de los incendios forestales, él dijo.
"Si estás caminando por el bosque, ves madera aquí y pasto allá, y hay mucha variación, dijo Josephson. Hierbas secas, musgos húmedos, y las extremidades colgantes no tienen el mismo contenido de agua y se queman de diferentes maneras. Un fuego puede estar evaporando la humedad del musgo húmedo, por ejemplo, al mismo tiempo, consume ramas más secas. "Queríamos explorar cómo se produce la interacción entre esos combustibles a medida que pasa el fuego".
Los científicos de Los Alamos trabajaron para mejorar su modelo llamado FIRETEC (desarrollado por Rod Linn), colaborando con investigadores de la Universidad de Alberta en Canadá y el Servicio Forestal Canadiense. Sus nuevos desarrollos se adaptan a las variaciones en el contenido de humedad y otras características de los tipos de combustible simulados. La investigadora Ginny Marshall del Servicio Forestal Canadiense comenzó recientemente a comparar sus simulaciones con datos del mundo real de los bosques boreales del norte de Canadá.
Durante una sesión sobre flujos de reacción, Matthew Bonanni, un estudiante de posgrado en el laboratorio del ingeniero Matthias Ihme en la Universidad de Stanford en California, describió un nuevo modelo para la propagación de incendios forestales basado en una plataforma de aprendizaje automático. Predecir dónde y cuándo arderán los incendios es un proceso complejo, dice Ihme, eso es impulsado por una mezcla compleja de influencias ambientales.
El objetivo del grupo de Ihme era construir una herramienta que fuera precisa y rápida, capaz de ser utilizado para la evaluación de riesgos, sistemas de alerta temprana, y diseñar estrategias de mitigación. Construyeron su modelo en una plataforma informática especializada llamada TensorFlow, diseñado por investigadores de Google para ejecutar aplicaciones de aprendizaje automático. A medida que el modelo se entrena con más datos físicos, dijo Ihme, sus simulaciones de la dinámica de acumulación de calor y propagación del fuego mejoran y se vuelven más rápidas.
Ihme dijo que está emocionado de ver qué aportan las herramientas computacionales avanzadas a la predicción de incendios forestales. "Solía ser un área de investigación muy empírica, basado en observaciones físicas, y nuestra comunidad trabaja en problemas más fundamentales, ", dijo. Pero al agregar el aprendizaje automático a la caja de herramientas, él dijo, muestra cómo los algoritmos pueden mejorar la fidelidad de los experimentos. "Este es un camino realmente emocionante, " él dijo.