Por Dr. Justin Hodges da Siemens Digital Industries Software – Na era moderna de produtos cada vez mais complexos, simulações abrangentes são fundamentais para o processo de desenvolvimento, mas também cada vez mais difíceis e demoradas. Com a inteligência artificial (IA) e o aprendizado de máquina (ML – machine learning), o tempo necessário para configurar fluxos de trabalho e executar essas simulações complexas pode ser consideravelmente reduzido.
Ferramentas avançadas integradas à IA, como as encontradas no Simcenter, que faz parte da plataforma de software, hardware e serviços Siemens Xcelerator, podem ajudar a encurtar os tempos de projetos de simulação, reduzindo para horas o que antes levava dias ou semanas.
Ao aproveitar o poder da IA para acelerar o processo de simulação, um tempo valioso é liberado no ciclo de desenvolvimento, permitindo a exploração mais ampla do espaço do projeto, ciclos de desenvolvimento mais curtos e testes mais rigorosos. Com o aumento da demanda por produtos mais inteligentes entregues em prazos menores, a IA se tornará uma ferramenta importante que ajudará na invenção dessas tecnologias de ponta.
Desafios da simulação moderna – O nível de complexidade de muitos produtos modernos aumentou tanto em número de componentes quanto em projetos de componentes individuais; desta forma, a validação manual de projetos se tornou quase impossível. Ao longo dos anos, os projetistas passaram a confiar em simulações feitas por computador, mas muitas vezes a preparação e execução demoram tanto que apenas um número limitado pode ser executado para colocar o produto no mercado dentro do prazo.
Com isso, resta pouco tempo para a exploração adicional do espaço do projeto enquanto sobrecarrega os projetistas com as tarefas manuais e repetitivas de preparar modelos para simulação, retardando ainda mais o processo do projeto. Mesmo depois que os melhores projetos são selecionados, milhares de simulações adicionais precisam ser realizadas para garantir a operação segura nas várias condições operacionais às quais o componente pode ser submetido durante a sua vida útil.
Veja, por exemplo, o projeto de um carro. Ao preparar o modelo digital para simulação, todos os componentes, até as porcas, cavilhas e parafusos devem ser marcados manualmente para que os materiais apropriados e os níveis de detalhe possam ser atribuídos a cada componente com suas operações específicas necessárias. Obviamente, um processo altamente manual e demorado para centenas ou milhares de peças individuais. Da mesma forma, a execução de uma simulação aerodinâmica com a alta fidelidade exigida também envolve muito tempo de computação do datacenter, limitando a oportunidade de testar projetos alternativos ou realizar simulações detalhadas em outros estágios do projeto.
O poder da automação orientada por IA – A IA e a automação sempre andaram lado a lado e agora, graças aos avanços recentes, a IA também pode assumir algumas das tarefas de simulação mais trabalhosas, criando fluxos de trabalho automatizados convenientes. Com grandes redes neurais capazes de reconhecer com precisão centenas ou milhares de peças ao mesmo tempo, o processo de classificação de peças que antes era altamente manual agora pode ser realizado automaticamente.
No exemplo anterior de um projeto de carro, o processo de classificação tradicional levava mais de uma semana para ser concluído manualmente por um engenheiro experiente, ao passo que um modelo de IA pode ser treinado para concluir esse processo em apenas algumas horas.
Além da economia de tempo, o uso de IA para automatizar essas tarefas repetitivas e manuais minimiza erros acidentais com o computador, permitindo classificar com precisão e consistência todas as peças em uma margem de erro definida. Por outro lado, uma pessoa geralmente está mais propensa a erros ao nomear milhares de peças do que ao realizar uma tarefa relativamente simples de verificar o trabalho feito pelo computador.
Com a IA assumindo tarefas simples, os projetistas podem usar esse tempo valioso em tarefas mais importantes de nível superior. A IA oferece uma série de benefícios para o processo de um projeto; no entanto, apenas os projetistas têm a imaginação necessária para realmente criar algo novo. À medida que a IA assume uma lista cada vez maior de tarefas simples, porém demoradas e necessárias para apoiar o processo de projeto, os projetistas podem se concentrar em outras áreas para as quais são essenciais.
Os modelos substitutos fornecem aumento de velocidade – A IA também é usada na área de modelos substitutos (também chamados de modelos de ordem reduzida, ou ROMs, na sigla em inglês) para fornecer benefícios significativos na simulação de projetos. A execução de simulações de alta fidelidade é demorada e cara, então geralmente é reservada apenas para as etapas mais importantes do processo de um projeto.
Embora esta seja uma consequência natural das limitações dos métodos de simulação tradicionais, isso quer dizer que as simulações fora dessas áreas importantes acabam exigindo modelos substitutos de baixa fidelidade ou aproximações simples. Porém, ao usar modelos substitutos orientados por ML, é possível obter os benefícios da simulação precisa e detalhada de alta fidelidade com a velocidade da aproximação em 1-D.
Os modelos substitutos baseados em ML são treinados usando grandes quantidades de dados gerados por simulações tradicionais de alta fidelidade, extraindo valor adicional desse processo caro além dos próprios resultados da simulação. Depois de treinados, esses modelos substitutos podem produzir resultados em tempo real, permitindo que os projetistas colham os benefícios da simulação de alta fidelidade sem os custos associados de computação e programação. Os modelos substitutos também podem produzir resultados além do escopo em que foram treinados, permitindo fornecer validação básica para projetos novos e não testados.
Depois de treinado e integrado ao processo de um projeto, o modelo substituto pode efetivamente reduzir para quase zero o tempo de execução de simulações em sua área de treinamento, liberando um tempo valioso para outros aspectos do projeto. Tudo é possível com mais tempo disponível, como testes de segurança mais rigorosos, ciclos de projeto menores e exploração de um espaço de projeto mais amplo.
Embora o retorno do investimento seja claro na criação e uso de modelos substitutos para acelerar o processo de simulação, eles também podem ajudar a simplificar as cadeias de ferramentas de múltiplos softwares. Muitas vezes, essas cadeias de ferramentas podem se tornar inconvenientes e pouco intuitivas, pois várias ferramentas diferentes devem ser orquestradas para trabalharem juntas, em paralelo ou em série, mantendo-se em sincronia, pois os resultados da simulação gerados em uma ferramenta são necessários para concluir tarefas em outra.
Os modelos substitutos podem ajudar a eliminar isso fornecendo inferências e previsões diretamente com base nos resultados de uma ferramenta dentro da estrutura de outra. Dessa forma, várias áreas da física podem ser incluídas nas avaliações do projeto sem fluxos de trabalho complicados e tediosos que envolvem diferentes ferramentas e softwares.
Simulações de sistema de alta fidelidade – O uso de modelos substitutos não se limita a substituir simulações de alta fidelidade, eles também podem ser usados em áreas onde uma simulação de alta fidelidade seria desejável, mas tradicionalmente inviável. Como exemplo, vamos usar a simulação de um carro que utiliza um software de simulação de sistema como o Siemens Amesim, que combina resultados de várias disciplinas diferentes para criar um modelo de sistema completo.
Devido às limitações do hardware moderno, é impossível para este tipo de sistema simular cada elemento do carro com todos os detalhes; então os resultados das várias simulações com diferentes componentes, como a aerodinâmica da carroceria ou as características do motor, são inseridos no modelo como aproximações estáticas em 1-D.
A substituição dessas aproximações em 1-D por modelos substitutos para certos componentes do modelo do sistema permite simulações detalhadas efetivas de cada componente presente no mesmo modelo e simultâneas. Isso pode ser expandido para permitir um fluxo maior de informações entre as disciplinas, como uma equipe que projeta um motor com acesso total para analisar o impacto da aerodinâmica de diferentes projetos de carroceria na eficiência do motor.
A maior parte do projeto de produtos é altamente baseada em gerações anteriores do projeto, como o smartphone ou carro do ano, que apresenta muitas semelhanças com o projeto de anos anteriores. Desta forma, os modelos substitutos atuais podem ser reutilizados durante os ciclos de projetos futuros ou podem servir como ponto de partida para aprimorar com mais rapidez o modelo do produto atual que está sendo projetado.
São muitos os benefícios do acesso a modelos razoavelmente precisos de componentes fundamentais desde o início do processo de um projeto. Esses modelos permitem que os projetistas explorem mais alternativas no início do ciclo do projeto, graças à validação antecipada dos conceitos do projeto. Esse efeito adicional ajuda a melhorar a velocidade e o valor dos modelos substitutos ao longo dos anos, pois eles são aprimorados a cada geração do produto.
A IA está mudando a natureza da simulação – A simulação é uma parte fundamental do processo de um projeto e seu papel aumenta a cada ano à medida que os produtos se tornam cada vez mais complexos. Embora a simulação seja comprovadamente uma maneira econômica de validar e testar projetos, os modelos tradicionais controlados por computador podem não conseguir acompanhar a complexidade dos projetos.
Com os avanços recentes de IA e ML, a duração da simulação pode ser reduzida de dias ou até semanas para minutos, cuja complexidade e detalhes antes eram considerados impossíveis, com apenas alguns cliques do projetista. Isso está redefinindo a forma como a simulação é usada no processo do projeto, mudando não apenas a simulação, mas o processo do projeto como um todo, para permitir a criação de produtos mais inteligentes e inovadores com velocidade e eficiência sem precedentes.
O Dr. Justin Hodges é especialista técnico em IA/ML para gerenciamento de produtos na Siemens Digital Industries Software. Ele concluiu vários cursos, incluindo PhD em engenharia mecânica pela University of Central Florida. As pesquisas de mestrado e doutorado do Dr. Hodges avaliaram campos de fluxo de resfriamento de filme, prevendo turbulência e campos térmicos usando modelagem avançada de turbulência e abordagens de aprendizado de máquina. Na Siemens, o Dr. Hodges trabalha para aumentar os recursos de simulação de engenharia usando aprendizado de máquina.
