A inteligência artificial (IA) tornou-se uma força onipresente no mundo da engenharia, transformando radicalmente a forma como as empresas operam e como os funcionários trabalham. À medida que o ano de 2025 avança, a influência da IA continuará a crescer, inaugurando uma nova era de maior eficiência, produtividade e inovação.
O CEO da Nvidia, Jensen Huang, afirmou recentemente que o poder computacional que impulsiona os avanços em IA generativa deverá aumentar “um milhão de vezes” nos próximos 10 anos, impulsionado por um aumento quadruplicado do poder computacional anualmente.
O que impulsiona esse rápido avanço é o crescimento exponencial do poder computacional na última década.
Hoje, os principais supercomputadores do mundo são capazes de realizar mais de 1 quintilhão (1.000.000.000.000.000.000!!!) de cálculos por segundo, um aumento impressionante em relação a apenas uma década atrás.
Esse enorme aumento no poder computacional bruto permitiu o treinamento de modelos de IA cada vez maiores e mais complexos, permitindo que eles lidem com tarefas cada vez mais sofisticadas.
Por trás dessa revolução da IA não estão apenas as CPUs tradicionais, mas também hardware especializado, como unidades de processamento gráfico (GPUs) e circuitos integrados específicos para aplicações (ASICs), projetados especificamente para cargas de trabalho de aprendizado de máquina. Esses chips podem realizar o processamento paralelo necessário para treinar e executar modelos de IA com muito mais eficiência do que CPUs de uso geral.
Além dos avanços em hardware, a ascensão de plataformas baseadas em nuvem, como o Simcenter X, também desempenhou um papel fundamental na democratização do acesso ao imenso poder computacional da IA.
Pesquisadores e empresas agora podem alugar clusters de GPU e recursos de supercomputação sob demanda de provedores de nuvem, permitindo-lhes treinar modelos em larga escala sem a necessidade de grandes investimentos iniciais.
Otimizando processos de negócios com IA
O Simcenter Engineering Services demonstrou que a influência da IA vai muito além de assistentes digitais e produtividade pessoal. As empresas estão implantando cada vez mais sistemas com tecnologia de IA para otimizar suas operações principais e a tomada de decisões.
Algoritmos de IA podem analisar grandes quantidades de dados para descobrir insights que informam tudo, desde a gestão da cadeia de suprimentos até estratégias de marketing e previsões financeiras.
Decisões de projeto de engenharia baseadas em simulações de transferência de calor e dinâmica de fluidos computacional (CFD) não são exceção. Os algoritmos de IA agora oferecem suporte a toda a cadeia de fluxo de trabalho de simulação, desde o gerenciamento de dados e reconhecimento da forma das peças até previsões e otimização de resultados térmicos e de fluxo em tempo real.
IA/ML em CFD
A sinergia entre CFD e aprendizado de máquina promete fornecer soluções mais rápidas para problemas complexos e conhecidos de escoamento de fluidos industriais e transferência de calor – principalmente, a otimização de projeto de problemas transientes, como aerodinâmica de veículos e conforto da cabine de passageiros.
Confira o artigo Simulação CFD de combustão: como garantir eficiência energética?
Aerodinâmica veicular
As simulações aerodinâmicas transientes, especialmente aquelas que envolvem geometrias complexas, exigem recursos computacionais significativos em termos de poder de processamento e memória.
Executar essas simulações em larga escala pode ser computacionalmente intensivo e demorado. Simulações transientes frequentemente exigem também incrementos de passo de tempo muito pequenos para capturar o comportamento dinâmico do ar com precisão.
Isso pode levar a tempos de simulação longos, especialmente para problemas com uma ampla gama de escalas de tempo. Além disso, a grande quantidade de dados gerada por simulações CFD transientes em larga escala pode ser difícil de gerenciar, armazenar e analisar.
Algoritmos de IA abordam esse problema fornecendo resultados CFD inferidos, incluindo distribuições de pressão e velocidades do ar, permitindo o cálculo dos coeficientes de arrasto e sustentação em vários parâmetros de projeto. Os modelos de IA são treinados em um conjunto de dados de simulação, que consiste em nuvens de pontos extraídas de simulações tanto em nível de superfície quanto de volume, juntamente com valores escalares como pressão, tensão de cisalhamento da parede e os três componentes de velocidade.
Para desenvolver modelos de IA precisos, é crucial executar o processo de treinamento com eficiência.
A Simcenter Engineering Services atende essa necessidade empregando uma técnica híbrida projetada para cobrir o vasto espaço de projeto de forma eficaz dentro de um número definido de avaliações.
Inicialmente, um conjunto de pontos de projeto é estabelecido. Estes podem ser fornecidos pelo usuário como sementes ou gerados por meio de técnicas avançadas, como métodos de amostragem de hipercubo latino.
Uma vez estabelecidos, esses pontos iniciais servem como entradas para um estudo de amostragem adaptativa. Este estudo é fundamental, pois seleciona e preenche de forma inteligente pontos de projeto adicionais alinhados aos objetivos definidos pelo usuário. Tais objetivos podem incluir a exploração de regiões onde há mudanças consideráveis na resposta ou áreas onde ocorrem variações de gradiente global e local.
O modelo de IA em si é treinado principalmente usando dados espaciais das células da malha de superfície e volume. Além disso, ele incorpora escalares que definem características, como normais de superfície, juntamente com os escalares destinados à previsão pelo modelo de IA.
Essa abordagem abrangente garante que o modelo possa prever com precisão escalares de engenharia complexos, abrangendo diversas alterações de projeto.
A imagem abaixo demonstra um exemplo das etapas de treinamento e inferência de um modelo de IA, demonstrando sua aplicação na utilização de coordenadas espaciais, normais de superfície e distância da parede para prever escalares de engenharia, como vetores de pressão e velocidade.
Training workflow
Fluxo de trabalho de inferência
Conforto do passageiro
Executar simulações CFD transientes para a análise do conforto do passageiro de um veículo é frequentemente necessário e apresenta muitos desafios específicos.
As cabines dos veículos são conhecidas por terem geometrias complexas com muitos detalhes, como saídas de ar, assentos e outros componentes internos, que devem ser capturados em detalhes usando malhas de alta resolução. Para fluxos instáveis, esse requisito de malha pode ser bastante exigente computacionalmente.
Além disso, os passageiros da cabine devem ser modelados com bastante detalhe, com saída separada necessária para a cabeça, pescoço, tronco, mãos e pés do manequim. Esse nível de refinamento é necessário porque os seres humanos se sentem mais confortáveis dentro de uma faixa relativamente estreita de temperaturas ambientes.
Mesmo pequenos desvios fora dessa faixa podem começar a causar desconforto. Somando-se à complexidade, está o fato de que as temperaturas da superfície do manequim podem ser influenciadas por desvios muito pequenos das condições ambientais, como fluxo de ar, temperatura, umidade, radiação solar, velocidade e aceleração do veículo.
Por dentro desses desafios, a Simcenter Engineering Services está explorando ativamente modelos de ordem reduzida e soluções baseadas em IA/ML, especificamente adaptadas para lidar com os desafios da análise de conforto dos passageiros.
Confira o artigo Model Based System Engineering (MBSE) na Indústria Automotiva
Uma área de foco envolve o uso de modelos de ordem reduzida (ROM), incorporando ROMs estáticos e interpolação adequada de decomposição ortogonal (POD).
ROMs estáticos são usados para prever métricas escalares importantes, como temperatura ou velocidade, em um formato baseado em texto que fornece insights quantitativos essenciais.
Por outro lado, a interpolação POD é empregada para prever campos escalares bidimensionais espacialmente variáveis. Essa abordagem permite a determinação de métricas escalares importantes, como temperatura e velocidades da cabine, em duas dimensões, com base em parâmetros de entrada como cargas solares, posição relativa do sol e características de fluxo. Ambos os modelos de ordem reduzida podem ser gerados usando dados de simulação (e teste) para treinamento.
A combinação desses dois métodos fornece um meio simplificado, porém eficaz, de analisar dados complexos, garantindo que os parâmetros críticos de conforto dos passageiros sejam avaliados e otimizados com precisão.
Esses e outros tipos de modelos de ordem reduzida podem ser gerados usando a ferramenta Simcenter Reduced Order Modeling, disponível no portfólio Simcenter.
Modelagem 3D complexa
Os algoritmos de IA podem aprimorar e acelerar a fase de construção de modelos de simulações térmicas 3D complexas. No gerenciamento térmico e energético de veículos (VTM/VEM), o contato preciso entre peças por meio de impressão CAD é crucial para capturar os caminhos de condução de calor em toda a montagem do veículo. A obtenção de resultados de alta fidelidade geralmente exige revisão e aprimoramento manuais de centenas de impressões de baixa qualidade, resultando em prazos de entrega do projeto mais longos.
Para aumentar a eficiência e reduzir os tempos de resposta, a Simcenter Engineering Services desenvolveu uma automação personalizada e “lógica inteligente” para dar suporte ao processo de impressão e revisão de CAD. Isso utiliza procedimentos baseados em IA/ML no Simcenter STAR-CCM+. Diversas “modalidades” podem ser empregadas para inferência, conforme ilustrado abaixo.
Depois que o modelo de IA é treinado, a validade do contato pode ser inferida por meio de um plug-in de front-end personalizado usando a modalidade selecionada.
Essa abordagem integra o treinamento de dados tabulares e baseados em imagens para derivar inferências do modelo de ML, agilizando e simplificando o processo de modelagem.
Para previsões diretas de validade de contato, um modelo classificador simples usando recursos de um arquivo baseado em texto é suficiente. No entanto, ao lidar com áreas de contato complexas, onde contexto adicional, como a identidade das partes em contato, é necessário, um modelo baseado em imagens oferece maiores vantagens. Este modelo pode analisar dados visuais para avaliar as relações espaciais e estruturais entre os componentes, proporcionando uma compreensão mais detalhada da validade de contato.
O pipeline de inferência para o modelo tabular e baseado em imagens é mostrado abaixo:
Pipeline de inferência para modelo baseado em tabelas
Pipeline de inferência para modelo baseado em imagem
Essa abordagem inovadora não apenas acelera o processo de modelagem, mas também melhora a precisão e a confiabilidade das simulações térmicas, levando, em última análise, a um melhor design do veículo.
O caminho a seguir
Não há dúvidas de que a IA está remodelando o cenário da engenharia de maneiras profundas. Profissionais que sabem que a inovação é mandatória estão adotando a IA como uma oportunidade transformadora, implementando-a estrategicamente para ampliar e capacitar sua força de trabalho.
Como pioneira no setor, a Simcenter Engineering Services lidera pelo exemplo, capacitando seus funcionários e clientes com ferramentas e recursos baseados em IA, permitindo que a comunidade de engenharia alcance níveis sem precedentes de produtividade, criatividade e sucesso empresarial.
Na JL Engenharia e Software, acreditamos que inovação não é apenas uma escolha, mas sim uma necessidade.
Atuando na vanguarda da simulação computacional, estamos sempre atentos às transformações do setor e buscamos aplicar tecnologias como a inteligência artificial de forma estratégica, prática e eficiente.
Com anos de experiência, entregamos as melhores soluções para desafios complexos da engenharia, contribuindo para processos mais ágeis, sustentáveis e rentáveis. Se a sua empresa também quer dar um passo à frente na jornada da inovação, entre em contato com a nossa equipe.
