## [Descomposición Ortogonal Propia](/es/node/65079) Definición Técnica de reducción de modelos basada en datos que calcula una base ortogonal (modos) a partir de instantáneas resolviendo el problema propio del operador de covarianza o correlación de las instantáneas (equivalente a la expansión de Karhunen–Loève), de modo que los modos principales capturan la mayor parte de la varianza (energía); la proyección truncada sobre estos modos produce una aproximación de baja dimensión que minimiza el error cuadrático medio de reconstrucción para el conjunto de instantáneas. ## Principio Principio POD genera modos ortogonales ordenados por varianza capturada en orden descendente; truncar a los primeros N modos da el subespacio lineal N‑dimensional óptimo (en sentido L2‑promedio) para reconstruir las instantáneas, pero la optimalidad se refiere al error de reconstrucción, no necesariamente a la predicción dinámica. ## Demostración Demostración Escenario ilustrativo → Recolectar una secuencia de instantáneas del campo de velocidad de la estela tras un cilindro. Calcular la matriz de covarianza de las instantáneas, resolver su problema de valores propios para obtener los modos POD y proyectar el flujo sobre los primeros modos. Reconocimiento → los primeros modos representan estructuras coherentes dominantes (p. ej. pares de vórtices); Acción → reconstruir el flujo con solo esos modos; Consecuencia → una aproximación de baja dimensión captura la mayor parte de la energía cinética y revela las dinámicas coherentes principales para control o modelado reducido. ## Aplicación incorrecta Aplicación incorrecta Suponer que los modos POD obtenidos en una condición operativa son válidos para parámetros distintos (número de Reynolds, geometría, condiciones de contorno) o que la truncación preserva la dinámica no lineal para predicción sin cierres adicionales; esto es plausible porque los modos parecen físicamente significativos, pero el error semántico es confundir optimalidad energética con universalidad o suficiencia dinámica. ## Consecuencia Consecuencia POD permite una reducción dimensional significativa para análisis, visualización, diseño de control y modelado reducido, reduciendo el coste computacional; sin embargo, es necesario complementar POD con modelos dinámicos, bases paramétricas o cierres para obtener sistemas reducidos predictivos y robustos ante variaciones operativas. ## Inversión Inversión Para sistemas muy no estacionarios, fuertemente no lineales o dependientes de parámetros donde las estructuras coherentes cambian o bifurcan, una base POD fija puede fallar; pueden requerirse enfoques alternativos (DMD, POD local/paramétrica o métodos de variedades no lineales). ## Límite Límite Claramente aplicable: conjuntos de datos con estructuras coherentes dominantes e instantáneas representativas del régimen de interés. Caso límite: flujos con estructuras intermitentes o parámetros que varían lentamente donde POD captura la energía del conjunto pero omite dinámicas transitorias críticas. Claramente no aplicable: procesos puramente estocásticos de ruido blanco o datos sin patrones coherentes repetitivos. ## Tensión semántica Tensión semántica Optimalidad Energética ↔ Relevancia Dinámica — el criterio de POD (captura de varianza) ofrece representaciones eficientes pero no garantiza que los modos sean los más relevantes para la predicción o para objetivos de control que dependen de rasgos dinámicos específicos. ## Síntesis Síntesis POD suministra el mejor subespacio lineal para la reconstrucción en sentido cuadrático medio de los datos dados, por lo que es una herramienta clave para compresión e interpretación; convertir ese subespacio en un modelo reducido predictivo requiere además modelado de la dinámica temporal, dependencia paramétrica e interacciones no lineales.