Si conoce la dinámica de fluidos computacional, sabrá que suele estar reservada a los ámbitos de alta tecnología de la ingeniería aeroespacial y mecánica. ¿Qué tiene que ver con el cultivo de cannabis? En el Libro Blanco del miércoles de esta semana, nos adentramos en cómo una ciencia normalmente asociada a los motores a reacción y a los patrones meteorológicos puede revolucionar nuestra forma de cultivar cannabis.

¿Qué es el modelado CFD?

El modelado CFD, o modelado de dinámica de fluidos computacional, es la simulación y el análisis del comportamiento de los fluidos (como el aire o el agua) y sus interacciones con objetos o entornos, como plantas de cannabis, iluminación y estanterías. Consiste en crear una representación virtual de un sistema del mundo real y utilizar ecuaciones matemáticas para predecir cómo fluye el fluido, cómo se transfiere el calor en su interior y cómo cambian otras propiedades.

¿Y si lo aplicamos al cultivo de cannabis? Como ejemplo sencillo, imagine que tiene una instalación de cultivo de cannabis. El modelado CFD le permitiría crear una simulación informatizada del entorno de cultivo, el aire en su interior y cómo se mueve el aire cuando el sistema de ventilación está encendido. Puede estudiar factores como la distribución de la temperatura, los patrones de flujo de aire y la calidad del aire acondicionado rico en CO2 que reciben las plantas. Mediante la manipulación de diferentes variables, puede probar escenarios para optimizar su diseño y mejorar la eficiencia o el rendimiento del sistema de ventilación y las soluciones de flujo de aire aumentado.

(Modelo CFD creado por Grow Glide)

El modelado CFD utiliza complejas ecuaciones matemáticas para calcular y predecir el comportamiento de los fluidos en función de factores como las propiedades de los fluidos, las formas de los objetos y las condiciones ambientales. Ayuda a investigadores, ingenieros y científicos a comprender y analizar fenómenos de flujo de fluidos sin necesidad de realizar experimentos físicos costosos y que requieren mucho tiempo. En cierto modo, es un gran puente entre los ingenieros que intentan diseñar instalaciones y los cultivadores que recogen las experiencias y obstáculos del mundo real necesarios para orientar el estudio.

En general, el modelado CFD proporciona un laboratorio virtual donde los cultivadores pueden explorar y estudiar el comportamiento de los fluidos en diversas aplicaciones, incluida la agricultura, ayudando a optimizar los diseños, mejorar el rendimiento y comprender la compleja dinámica de los fluidos.

Pero no sustituye a la experiencia real de cultivo. Sólo porque un modelo parezca atractivo no significa que vaya a producir resultados que impulsen los objetivos de un negocio de cultivo de cannabis. Por eso es importante comprender las limitaciones y oportunidades que presenta la modelización CFD.

Ventajas de la modelización CFD para la agricultura

El uso de modelos CFD en la agricultura está revolucionando la forma en que los agricultores comprenden y gestionan sus entornos de cultivo. Estas son algunas de las principales ventajas de emplear modelos CFD en las prácticas agrícolas.

1. Mejor comprensión: El modelado CFD proporciona una comprensión más profunda de los patrones de flujo de fluidos, transferencia de calor y transferencia de masa dentro de los sistemas agrícolas. Este conocimiento puede ayudar a optimizar diversos procesos, como el riego, la ventilación y la aplicación de pesticidas, mejorando el crecimiento y el rendimiento de los cultivos.

2. Diseño y optimización: El modelado CFD permite diseñar y optimizar estructuras y equipos agrícolas. Por ejemplo, puede utilizarse para optimizar los diseños de las instalaciones de cultivo y curado, y los sistemas de riego, para garantizar un uso eficiente de los recursos, como el agua y la energía, y crear unas condiciones de cultivo óptimas.

3. Ahorro de costes y tiempo: Mediante el uso de simulaciones CFD, los cultivadores, empresarios e ingenieros pueden ahorrar costes y tiempo que de otro modo emplearían en experimentos físicos y pruebas de campo. Las simulaciones virtuales les permiten explorar distintos escenarios, probar múltiples diseños y evaluar diversos parámetros sin necesidad de costosos prototipos ni exhaustivas pruebas sobre el terreno.

4. Evaluación del impacto ambiental: El modelado CFD puede ayudar a evaluar y minimizar el impacto medioambiental de las prácticas de cultivo. Puede simular la dispersión de contaminantes transportados por el aire, como pesticidas u olores, ayudando a optimizar los métodos de aplicación y a reducir sus efectos negativos en los ecosistemas circundantes y en la salud humana, además de ayudar a las instalaciones de cultivo a ser mejores vecinos.

Aspectos negativos de la modelización CFD para la agricultura

Aunque la aplicación de modelos CFD en la agricultura, especialmente en el cultivo de cannabis, ha proporcionado numerosas ventajas, es crucial comprender que no está exenta de retos y limitaciones.

1. Proceso de modelado complejo: El modelado CFD requiere un alto nivel de conocimientos y recursos informáticos. El desarrollo de modelos precisos y la creación de simulaciones pueden ser complejos y llevar mucho tiempo, ya que requieren software especializado, hardware y conocimientos sobre el cannabis. A menudo, quienes dominan Autodesk o Solidworks no dominan la dirección de cultivos o la expresión fenotípica, y viceversa.

2. Retos de la validación de modelos: La validación de modelos CFD para cannabis puede ser un reto debido a la complejidad inherente y a la variabilidad de cultivares dinámicos que crecen rápidamente. La obtención de datos de entrada precisos, como el índice de área foliar, las tasas de transpiración o las características del medio, puede resultar difícil. Garantizar la precisión y fiabilidad del modelo requiere una gran cantidad de datos experimentales y esfuerzos de validación.

3. Simplificaciones y suposiciones: Los modelos CFD a menudo utilizan simplificaciones y suposiciones para representar sistemas de cultivo e interacciones complejas. Aunque estas simplificaciones son necesarias para que las simulaciones sean computacionalmente viables, pueden introducir incertidumbres y limitaciones en los resultados. La consideración cuidadosa y la validación de los supuestos son cruciales para garantizar la fiabilidad del modelo.

4. Integración con sistemas del mundo real: Traducir las conclusiones y recomendaciones de las simulaciones CFD en aplicaciones prácticas sobre el terreno puede ser todo un reto. El cultivo de cannabis en el mundo real presenta complejidades y restricciones adicionales que deben tenerse en cuenta, como las limitaciones de los equipos, las restricciones operativas, los impactos de los procedimientos normalizados de trabajo o los factores económicos. La integración con las prácticas agrícolas existentes requiere una cuidadosa evaluación y adaptación.

En general, la modelización CFD encierra un gran potencial para optimizar y mejorar los procesos agrícolas. Sin embargo, es esencial reconocer las limitaciones y los retos asociados a su aplicación y garantizar que los modelos se validen e integren adecuadamente en los sistemas agrícolas del mundo real.

Ventajas del CFD para los sistemas de estanterías de cannabis

(Modelo CFD creado por Grow Glide)

Algunas aplicaciones aisladas del modelado FCD han conducido al desarrollo de productos, validación e impacto financiero en el cultivo y curado del cannabis.

1. Optimización del flujo de aire: El modelado CFD permite optimizar los patrones de flujo de aire dentro de los sistemas de estanterías de cultivo de varios niveles. Ayuda a analizar la distribución del aire y a identificar áreas de ventilación deficiente o zonas estancadas. Mediante la simulación de diferentes configuraciones de flujo de aire, los diseñadores pueden determinar la configuración más eficiente para suministrar CO2 acondicionado a las plantas y eliminar el exceso de calor y humedad. Esta optimización mejora la circulación del aire y garantiza unas condiciones ambientales uniformes en todos los bastidores de cultivo, y es precisamente la forma en que Grow Glide desarrolló la solución AirGlide disponible en la actualidad.

2. Control de temperatura y humedad: El mantenimiento de niveles óptimos de temperatura y humedad es crucial para el crecimiento de las plantas y la gestión de VPD en sistemas de estanterías de cultivo de varios niveles. El modelado CFD permite analizar la transferencia de calor y la distribución de la humedad. Mediante la simulación de diferentes escenarios, ayuda a identificar posibles puntos calientes, zonas de alta humedad o regiones con variaciones de temperatura. Esta información puede utilizarse para diseñar sistemas eficientes de ventilación, refrigeración y humidificación, así como para indicar las ubicaciones más adecuadas para los sensores e interpretar la precisión de la recogida de datos.

3. Distribución de la luz: La luz es un factor crítico en el crecimiento de las plantas, especialmente en los cultivos de interior, y el modelado CFD puede ilustrar la generación de calor de las luces y los factores ambientales que influirán en el rendimiento de la iluminación. Teniendo en cuenta factores como las superficies reflectantes, la colocación de las luces, la distancia a las plantas, la densidad de plantación y el índice de superficie foliar, el modelo puede ayudar a optimizar la distribución de la luz y orientar las técnicas de producción más eficaces. De este modo se garantiza que las plantas reciban niveles de luz adecuados y uniformes, promoviendo un crecimiento sano y optimizando la fotosíntesis.

4. Optimización de la utilización de recursos: El modelado CFD puede ayudar a optimizar la utilización de los recursos mediante la simulación del flujo de aire y las condiciones ambientales, ayuda a identificar las áreas de movimiento excesivo de aire o áreas donde los recursos se están desperdiciando. Esta información puede utilizarse para ajustar las estrategias de riego, los sistemas de suministro de nutrientes, las densidades de plantación, las condiciones ambientales y las estrategias de flujo de aire que impulsan la utilización eficiente de los recursos y minimizan el despilfarro, al tiempo que optimizan la expresión fenotípica.

5. Gestión de plagas y enfermedades: El modelado CFD puede ayudar en la gestión de plagas y enfermedades en sistemas de estanterías de cultivo de varios niveles de varias maneras. Mediante el análisis de los patrones de flujo de aire, ayuda a identificar las áreas donde las plagas o patógenos pueden acumularse y cómo las aplicaciones fluyen a través de la habitación. El modelado CFD también puede demostrar las estrategias de aplicación más eficaces para las aplicaciones IPM/IMM. Algunos ejemplos son la determinación del mejor tamaño de gota, las tasas de aplicación y las técnicas de aplicación que ayudan a perfeccionar los procedimientos normalizados de trabajo y la eficacia.

6. Diseño y ampliación: El modelado CFD permite a ingenieros y arquitectos simular distintas configuraciones, comprobar el impacto de variables como la separación entre bastidores, la densidad de plantas o la disposición del sistema, y optimizar el diseño para obtener la máxima productividad y eficiencia de recursos. Esto ayuda a agilizar el proceso de cultivo y mejorar el rendimiento general del sistema.

El modelado CFD ofrece información valiosa sobre el flujo de aire, la temperatura, la humedad, la distribución de la luz y la utilización de recursos en sistemas de estanterías de cultivo de varios niveles. Al optimizar estos factores, se potencia el crecimiento de las plantas, se mejora la eficiencia de los recursos y se contribuye a la gestión de plagas y enfermedades, lo que permite aumentar el rendimiento de los cultivos y mejorar los resultados generales del cultivo.

Más allá del diseño de instalaciones: Otras aplicaciones de CFD

Tras la construcción de las instalaciones, existen otras formas en las que el modelado CFD puede beneficiar a la vitalidad de las plantas, la expresión fenotípica y la eficiencia operativa.

Flujo de aire Dirección del cultivo

Estas son algunas de las ventajas de utilizar el modelado CFD para la dirección del flujo de aire del cultivo en la Agricultura de Ambiente Controlado de Cannabis:

1. Visualización de patrones de flujo de aire: Proporciona una clara comprensión de cómo el aire se mueve y circula alrededor de las plantas y la zona radicular destacando las áreas de aire estancado o flujo insuficiente/exceso. Esta información ayuda a identificar microclimas potenciales dentro del dosel del cultivo y a optimizar la distribución del flujo de aire para mejorar la salud y el crecimiento de las plantas. También puede tener un impacto significativo en la homogeneización del flujo de aire durante el proceso de curado y en la creación de planes de acción para secar el producto de la forma más eficaz posible, al tiempo que se evitan los brotes de patógenos.

2. Control de la temperatura y la humedad: Ayuda a identificar zonas de acumulación de calor, gradientes de temperatura o focos de humedad elevada que pueden afectar al crecimiento de los cultivos. Mediante la simulación de diferentes escenarios de flujo de aire, el modelo puede guiar el diseño y la colocación de sistemas de deshumidificación y ventiladores, y puede guiar la colocación de conductos de suministro y retorno para garantizar niveles uniformes de temperatura y humedad en todo el dosel del cultivo desde la parte delantera hasta la trasera y a través de múltiples niveles.

3. Optimización del intercambio de gases: El intercambio eficiente de gases, en particular la absorción de dióxido de carbono (CO2), es vital para la fotosíntesis y el crecimiento de las plantas y está directamente relacionado con el rendimiento. El modelado CFD puede simular el movimiento de gases dentro del entorno de cultivo, lo que permite optimizar la asimilación de CO2. Mediante la manipulación de los patrones de flujo de aire, el modelo puede ayudar a garantizar un suministro adecuado de CO2 a las plantas y las velocidades apropiadas para romper la capa límite sin provocar el cierre estomático. Esto ayuda a optimizar las tasas de crecimiento, los sistemas de defensa de las plantas y la producción de metabolitos secundarios.

4. Prevención de variaciones microclimáticas: La modelización puede ayudar a predecir los microclimas que surgirán debido a variaciones en el flujo de aire, la temperatura y la humedad alrededor de plantas individuales o grupos de plantas. Estas variaciones pueden provocar un crecimiento desigual, una calidad irregular de los cultivos, una mayor susceptibilidad a plagas y enfermedades, un aumento de los costes de mano de obra, resultados fallidos de las pruebas y costosas medidas correctoras. El modelado CFD permite la identificación de posibles variaciones del microclima y ayuda a guiar la aplicación de estrategias de flujo de aire para mitigar estos problemas, promoviendo el desarrollo uniforme de los cultivos y permitiendo el control y la reacción predictiva a los factores de estrés de las plantas.

5. Eficiencia energética y optimización de recursos: Mediante la simulación de diferentes configuraciones del flujo de aire, el modelo puede identificar áreas de movimiento excesivo de aire o de derroche de energía. Esta información puede orientar el diseño de sistemas HVACD eficientes desde el punto de vista energético y correctamente dimensionados, así como optimizar la asignación de recursos, como la colocación de ventiladores o compuertas, lo que permite reducir el consumo de energía y mejorar la eficiencia de los recursos.

6. Apoyo a la toma de decisiones y diseño de sistemas: El modelado CFD proporciona información valiosa, sirve como herramienta de apoyo a la toma de decisiones para el diseño y el funcionamiento del sistema, y ofrece a cultivadores, ingenieros y empresarios una base común a la hora de aplicar evaluaciones de riesgos y beneficios. Ayuda a los profesionales de CEA a evaluar diferentes estrategias para la dirección del flujo de aire de los cultivos, evaluar el impacto de las modificaciones de diseño y tomar decisiones informadas para optimizar el entorno de cultivo. Utilizando el modelado CFD, los cultivadores pueden planificar y diseñar eficazmente sus sistemas CEA, teniendo en cuenta factores como el flujo de aire, la temperatura, la humedad y el consumo de energía, a la vez que debaten objetivamente la necesidad y el impacto de los equipos y soluciones especialmente diseñados.

Expresión fenotípica

Además de la dirección del cultivo Airflow, los impactos del control ambiental sobre la expresión fenotípica pueden medirse con mayor precisión y aplicarse con mayor exactitud con el análisis CFD.

Los beneficios potenciales de la modelización CFD para la expresión fenotípica (50% ambiente y 50% genética) en la Agricultura en Ambiente Controlado (AAC) son significativos.

1. Comprensión de los factores ambientales: Al estudiar cómo la temperatura, la humedad, el flujo de aire y otras variables interactúan con las plantas, el modelado CFD permite comprender cómo influyen los rasgos fenotípicos y cómo optimizar las condiciones de cultivo para obtener la expresión fenotípica deseada. Aunque esto puede depender del cultivar, las directrices para los estudios de I+D y los impactos mensurables de los cambios medioambientales pueden hipotetizarse y, en última instancia, apoyarse en métricas de cultivo.

2. Optimización de las condiciones de cultivo: Mediante la simulación de diferentes escenarios y la manipulación de variables ambientales, como los patrones de flujo de aire o la distribución de la temperatura que influyen en la VPD, el modelo puede guiar a los cultivadores en la creación de condiciones óptimas para los cultivares deseados o impulsar los KPI que son imperativos para el éxito del negocio. Esta optimización puede conducir a un mejor crecimiento de la planta, un mayor rendimiento y la expresión de los rasgos deseados, como un mayor crecimiento de las raíces, una reducción del estiramiento, una mejor producción de terpenos o una mayor eficiencia en el uso de nutrientes y agua.

3. Manipulación selectiva de factores ambientales: El modelado CFD permite la manipulación selectiva de factores ambientales para inducir respuestas fenotípicas específicas. Al comprender cómo el flujo de aire, la temperatura y la humedad afectan a la fisiología de la planta, los cultivadores pueden diseñar y ajustar sus sistemas CEA para crear variaciones localizadas en estos factores. Esta manipulación específica puede influir en la morfología de la planta, la orientación de las hojas, las tasas de transpiración o los tiempos de ciclo.

4. Predicción y optimización de la distribución de la luz: Al simular la intensidad de la luz y la interacción simultánea de los otros nueve parámetros de la vitalidad de la planta, el modelado CFD puede optimizar la utilización de cada fotón disponible para las plantas. Esto crea oportunidades para optimizar no sólo la iluminación y la expresión de las plantas, sino todos los demás sistemas mecánicos que intervienen en el entorno de cultivo, superando los límites de la eficiencia y la producción.

El modelado CFD ofrece beneficios potenciales para la expresión fenotípica en CEA al proporcionar información sobre los factores ambientales, optimizar las condiciones de cultivo, permitir la manipulación selectiva de variables, predecir y optimizar la distribución de la luz, mejorar la eficiencia de los recursos y ayudar al diseño y escalado del sistema. Aprovechando estas ventajas, los cultivadores pueden optimizar sus sistemas CEA para lograr los rasgos fenotípicos deseados y maximizar el potencial de la agricultura en ambientes controlados.

Impacto en la ubicación de los sensores y la recogida de datos

Con la llegada de la tecnología de sensores avanzados al CEA, la supervisión y gestión precisas de los entornos de cultivo es cada vez más sencilla. Sin embargo, su colocación y utilización eficaz es un aspecto crítico que determina la calidad de los datos recogidos. Aquí es donde entra en juego el modelado CFD. A continuación veremos cómo influye el modelado CFD en la colocación de los sensores y la recopilación de datos en el CEA.

1. Colocación óptima de los sensores: El modelado CFD guía la colocación estratégica de los sensores para capturar datos relevantes, como la temperatura, la humedad, los niveles de CO2 o las velocidades del flujo de aire, de forma representativa y completa. La colocación óptima de los sensores garantiza una recopilación de datos precisa y fiable para fines de supervisión y control.

2. Validación y calibración de datos: Al comparar los datos simulados del modelo con las mediciones reales del sensor, se pueden identificar discrepancias o imprecisiones. Esto ayuda a refinar la calibración del sensor y a mejorar la precisión de los datos recogidos. El modelado CFD sirve como herramienta para la validación de datos y la garantía de calidad, mejorando la fiabilidad e integridad de los datos del sensor.

3. Predicción del rendimiento de los sensores: La simulación del entorno de cultivo ayuda a seleccionar los tipos de sensores adecuados, determinar la ubicación ideal de los sensores para mediciones específicas y predecir el rendimiento esperado de los sensores en diferentes condiciones.

4. Optimización de las estrategias de recogida de datos: Mediante la simulación de varios escenarios y configuraciones, el modelo puede guiar la selección de tipos de sensores, su densidad y su ubicación para maximizar la cobertura de datos relevantes minimizando la redundancia. Esta optimización garantiza una recogida de datos eficiente, reduciendo el coste y la complejidad asociados a un despliegue excesivo de sensores. El modelado CFD ayuda a diseñar estrategias de recogida de datos que proporcionen información completa y representativa para la supervisión y la toma de decisiones en CEA.

El modelado CFD ofrece ventajas para la colocación de sensores y la recopilación de datos en CEA al optimizar la colocación de sensores, validar y calibrar los datos de los sensores, predecir el rendimiento de los sensores, optimizar las estrategias de recopilación de datos, promover la eficiencia energética y respaldar el diseño y el escalado del sistema. Aprovechando estas ventajas, los cultivadores pueden mejorar la fiabilidad y la eficacia de la recogida de datos, lo que permite mejorar la supervisión, el control y la toma de decisiones en la Agricultura en Ambientes Controlados.

Las desventajas de CFD para CEA

Como puede ver, el modelado CFD puede ser muy beneficioso en muchas aplicaciones, pero ciertas consideraciones lo hacen potencialmente difícil o menos adecuado para la Agricultura en Ambiente Controlado (AAC) del cannabis. He aquí algunas razones por las que el modelado CFD puede ser una opción menos favorable para la CEA del cannabis:

1. Estructura compleja de la copa de la planta: Las plantas de cannabis tienen una estructura de dosel compleja e intrincada, patrones de crecimiento dinámicos y una enorme variabilidad entre cultivares. Modelizar con precisión el flujo de aire dentro de un dosel tan complejo puede ser todo un reto. Los modelos CFD tienen dificultades para captar los intrincados detalles y las interacciones entre las plantas, lo que dificulta la simulación precisa de los patrones de flujo de aire y la predicción de las variaciones microclimáticas dentro de la canopia.

2. Etapas variables de crecimiento de la planta: Las plantas de cannabis pasan por diferentes etapas de crecimiento, desde la Madre hasta el Clon, pasando por la Vegetativa, y la etapa de Floración puede dividirse fácilmente semana a semana en función de las técnicas de gestión del cultivo. Cada etapa tiene características y requisitos medioambientales distintos. El crecimiento y la estructura de la planta cambian significativamente a lo largo de estas etapas, afectando a los patrones de flujo de aire y al microclima dentro de la canopia. Modelizar la naturaleza dinámica del crecimiento del cannabis utilizando CFD puede ser complejo y requiere frecuentes ajustes o recalibraciones del modelo.

3. Sensibilidad a las condiciones ambientales: Las plantas de cannabis son sensibles a factores ambientales como la temperatura, la humedad y los niveles de CO2. El control preciso de estas variables es crucial para el éxito del cultivo. Aunque el modelado CFD puede ayudar a optimizar estas condiciones, la precisión de las predicciones del modelo puede verse limitada por las complejas interacciones entre los factores ambientales y la fisiología de la planta, así como por la variabilidad de los cultivares de cannabis, las soluciones mecánicas que controlan el espacio y la precisión de los sensores/datos para el modelo.

4. Falta de datos exhaustivos específicos de la planta: El modelado CFD depende de datos de entrada precisos para que el modelo proporcione predicciones fiables. Sin embargo, en comparación con otros cultivos, los datos específicos del cannabis relativos a la morfología de las plantas, las propiedades de las hojas y las interacciones planta-medio ambiente son limitados. La falta de datos completos y validados específicos de los cultivares de cannabis socava la exactitud y fiabilidad del modelado CFD en el CEA del cannabis.

5. Datos de validación limitados: La validación de modelos CFD en CEA de cannabis puede ser un reto debido a la limitada disponibilidad de datos experimentales validados. La naturaleza dinámica de la planta de cannabis, la diversidad de cultivares y las condiciones ambientales específicas que requiere el cultivo dificultan la obtención de conjuntos de datos de validación completos y representativos. Sin una validación sólida y una amplia aplicación y seguimiento del modelo en instalaciones del mundo real, la precisión y fiabilidad de las predicciones del modelo CFD son inciertas.

6. Coste y complejidad: El modelado CFD puede ser costoso y lento de implementar en el CEA del cannabis. Por supuesto, es increíble ver cintas de colores moviéndose por un espacio de cultivo teórico, y nos da tranquilidad a la hora de pensar en las consideraciones de diseño, pero requiere conocimientos especializados y recursos para desarrollar, calibrar y validar el modelo. Además, la complejidad del proceso de cultivo del cannabis, las restricciones normativas y la necesidad de realizar ajustes en tiempo real en respuesta a los cambios de las plantas y del entorno pueden añadir nuevos retos a la aplicación práctica del modelado CFD en el CEA del cannabis.

Para llevar

Si bien el modelado CFD puede presentar desafíos para el CEA del cannabis, vale la pena señalar que los avances en las técnicas de modelado, la disponibilidad de datos más específicos y una mejor comprensión del cultivo de cannabis pueden abordar algunas de estas limitaciones en el futuro. Sin embargo, es esencial considerar cuidadosamente estos retos y las necesidades específicas del cultivo de cannabis antes de implementar el modelado CFD en este contexto.

A fin de cuentas, el viejo adagio es válido a la hora de aplicar el modelado CFD al diseño de sus instalaciones, a la modernización o a la adquisición de soluciones: Confíe pero verifique.

Fuentes

Aplicaciones de la ingeniería agrícola y alimentaria en la industria y CFD. (2023, 1 de febrero). MR CFD. https://www.mr-cfd.com/industries/agricultural-food-engineering/

Bartzanas, T., Kacira, M., Zhu, H., Karmakar, S., Tamimi, E., Katsoulas, N., Lee, I., & Kittas, C. (2013). Computational fluid dynamics applications to improve crop production systems. Computers and Electronics in Agriculture, 93, 151-167. https://doi.org/10.1016/j.compag.2012.05.012

Chen, J., Xu, F., Tan, D., Shen, Z., Zhang, L., & Ai, Q. (2015). A control method for agricultural greenhouses heating based on computational fluid dynamics and energy prediction model. Applied Energy, 141, 106-118. https://doi.org/10.1016/j.apenergy.2014.12.026

Dousthaghi, M. H., Minaei, S., & Khoshtaghaza, M. H. (2022). Computational fluid dynamics and analytical modeling for predicting effects of airflow temperature and relative humidity on the terminal velocity of agricultural granular materials. Journal of Food Process Engineering, 45(2), e13941. https://doi.org/10.1111/jfpe.13941

Ingeniería de instalaciones - Avances AgricultraTM. (sin fecha). Avances AgricUltraTM. https://www.agricultra.com/cfdmodelling

Kichah, A., Bournet, P., Migeon, C., & Boulard, T. (2012). Measurement and CFD simulation of microclimate characteristics and transpiration of an Impatiens pot plant crop in a greenhouse. Biosystems Engineering, 112(1), 22-34. https://doi.org/10.1016/j.biosystemseng.2012.01.012

Malekjani, N., & Jafari, S. M. (2018). Simulación de procesos de secado de alimentos mediante dinámica de fluidos computacional (CFD); avances y enfoques recientes. Trends in Food Science & Technology, 78, 206-223. https://doi.org/10.1016/j.tifs.2018.06.006

Niam, A. G., Muharam, T. M., Bose, P., Solahudin, M., & Sucahyo, L. (2019). Enfoque de simulación CFD en la determinación de la posición de los acondicionadores de aire en la fábrica de mini plantas para la producción de semillas de chalota. En Actas de la conferencia del AIP. Instituto Americano de Física. https://doi.org/10.1063/1.5086564

Norton, T., Sun, D., Grant, J., Fallon, R. H., & Dodd, V. A. (2007). Applications of computational fluid dynamics (CFD) in the modelling and design of ventilation systems in the agricultural industry: A review. Bioresource Technology, 98(12), 2386-2414. https://doi.org/10.1016/j.biortech.2006.11.025

Patterson Fan Co. (2021, 6 de mayo). Simulación de flujo de aire: Sala de cultivo de cannabis | Ventilador de alta velocidad de 30″ | Dinámica de fluidos.

. https://www.youtube.com/watch?v=TOYe9ZFVRy8