Análise de tensão em engrenagem acelerada por IA
- Alvaro Filho
- 15 de out
- 8 min de leitura
Desafio: alcançar uma prototipagem virtual rápida e precisa
O projeto ideal de transmissões multiatributo continua sendo um desafio crítico para engenheiros de transmissão, ganhando ainda mais importância na era dos veículos elétricos. A indústria automotiva atual exige sistemas de transmissão que se destaquem em múltiplos aspectos: minimizando ruídos e vibrações, maximizando a densidade de potência e a eficiência, ao mesmo tempo em que garantem desempenho de durabilidade sem precedentes. Para isso, engenheiros de transmissão precisam projetar transmissões inovadoras que atendam aos critérios de desempenho multiatributo. A Engenharia Assistida por Computador (CAE) permite que engenheiros da indústria criem protótipos virtuais e otimizem a otimização de seus próximos produtos. Simulações são essenciais para prever e otimizar com precisão o comportamento dos componentes e o desempenho da transmissão em nível de sistema ao longo do ciclo de desenvolvimento.
Modelos poderosos baseados em física e recursos de simulação estão disponíveis, os quais modelam com precisão produtos reais, realizam simulações preditivas e otimizam o desempenho do produto em termos de estática, dinâmica, aerodinâmica, acústica, durabilidade, etc. Esses modelos baseados em física, como os modelos de Elementos Finitos (EF), são adotados com sucesso em fluxos de trabalho de desenvolvimento industrial. Para simulações de alta fidelidade (por exemplo, simulações detalhadas de contato de EF), a fidelidade do modelo deve aumentar para permitir previsões precisas, o que, infelizmente, também aumenta o tempo e o custo computacional do modelo.
Em CAE, as tecnologias de Inteligência Artificial (IA) e Machine Learning (ML) estão revolucionando as simulações físicas. Entre os avanços, a modelagem substituta para simulações físicas experimenta rápido crescimento graças a técnicas e arquiteturas avançadas de IA. Modelos substitutos, ou modelos de ordem reduzida (ROMs), oferecem alternativas eficientes a simulações de alta fidelidade computacionalmente dispendiosas (como simulações detalhadas de contato de elementos finitos). Esses modelos substitutos baseados em IA/ML, capazes de fornecer previsões rápidas e precisas, mantendo alta fidelidade, liberam o potencial para a exploração extensiva e automatizada do espaço de projeto, permitindo que engenheiros avaliem com eficiência milhares de variantes de projeto em uma fração do tempo exigido pelos métodos de simulação tradicionais.
Engrenagens, como componentes críticos em sistemas de transmissão, beneficiam-se particularmente dessas abordagens avançadas de simulação, pois seu projeto exige consideração cuidadosa de deformação, tensões de contato e flexão, além de durabilidade. Este artigo apresenta um novo método de análise de projeto de engrenagens que combina os pontos fortes dos modelos de EF e IA/ML para obter uma previsão eficiente e precisa das tensões nas engrenagens, demonstrando como essa tecnologia pode ser implementada na prática em fluxos de trabalho industriais.
Solução: combinar modelos poderosos de alta fidelidade com IA/ML
O inovador método de análise de tensões em engrenagens explora os poderosos recursos de simulação preditiva dos modelos de elementos finitos (FE) para gerar dados de simulação precisos, que são então usados para treinar um modelo substituto de IA/ML. Uma vez treinado, o eficiente modelo substituto de IA/ML pode prever com precisão as tensões nas engrenagens para combinações inéditas de parâmetros de projeto. Isso combina os pontos fortes de FE e IA/ML em um novo recurso de análise de tensões em engrenagens acelerado por IA/ML que fornece previsões precisas rapidamente.
O fluxo de trabalho de simulação para análise abrangente de engrenagens integra os recursos das soluções de software Simcenter 3D e Simcenter Nastran, enquanto o Simcenter HEEDS atende ao duplo propósito de automatizar a geração de dados para treinamento de modelos de IA/ML e orquestrar estudos de otimização multiobjetivo que fazem uso dos cálculos do modelo de IA/ML.
A Figura 1 ilustra o fluxo de trabalho de geração automatizada de dados, no qual o Simcenter HEEDS orquestra o processo de simulação baseado em física. O fluxo de trabalho agiliza a criação de conjuntos de dados de engrenagens, incorporando elementos das metodologias de otimização de projeto de engrenagens de movimento 3D do Simcenter. Para cada projeto, primeiro a macrogeometria e a microgeometria do par de engrenagens são avaliadas antes que o módulo de análise de elementos finitos não lineares (NLFEA) gere o modelo de elementos finitos e utilize o Simcenter Nastran para o contato automatizado das engrenagens baseado em elementos finitos.
Figura 1: Fluxo de trabalho de geração automatizada de dados de engrenagens, envolvendo o Simcenter HEEDS como orquestrador
Este fluxo de trabalho adota modelos de simulação baseados em física de alta fidelidade, trazendo diversas vantagens aos engenheiros de projeto: previsões altamente precisas do comportamento no mundo real por meio de modelagem detalhada de fenômenos físicos (como a mecânica de contato não linear em engrenagens) e uma compreensão profunda de interações e fenômenos complexos que poderiam passar despercebidos em modelos mais simples. Esses modelos detalhados fornecem uma fonte confiável de dados de treinamento para modelos de IA e validação de modelos de IA.
Para acelerar a análise de tensão e durabilidade de engrenagens, essa abordagem substitui a análise de contato tradicional baseada em NLFEA por um modelo substituto de IA/ML, treinado com base nos resultados da análise de contato de NLFEA, para prever a alteração da tensão na peça bruta e na raiz do dente ao longo do ciclo de engrenamento da engrenagem. A ROM resultante, baseada em IA/ML, oferece tempos de computação significativamente reduzidos em comparação com as simulações baseadas em NLFEA de ordem completa, permitindo iterações rápidas de projeto. A incorporação do modelo de IA/ML aos fluxos de trabalho padrão de simulação de projeto de engrenagens cria um processo acelerado por IA/ML que permanece altamente preciso, ao mesmo tempo que abre portas para estudos de otimização multiobjetivo (normalmente inatingíveis por meio de modelos de elementos finitos tradicionais, que exigem muitos recursos).
Dois elementos de solução adicionais são introduzidos para concretizar os fluxos de trabalho acelerados de IA/ML:
Simcenter Reduced Order Modeling que permite a criação e implantação de ROMs a partir de dados de simulação e teste.
Uma futura tecnologia de IA do Simcenter para modelagem substituta 3D que aproveita técnicas de aprendizado do operador.
Resultados: realize análises rápidas e precisas de tensão nas engrenagens
Foi introduzido um fluxo de trabalho de solução, com o objetivo de combinar o poder de modelos de alta fidelidade com modelos de IA/ML para obter análises de tensão em engrenagens aceleradas por IA/ML. Esta seção apresenta um caso de uso de engrenagem para comparar o fluxo de trabalho com o objetivo de obter análises de tensão em engrenagens eficientes e precisas.
O caso de uso do projeto de engrenagem é descrito abaixo e tem quatro parâmetros de projeto:
o ângulo de pressão normal, na faixa [18°-22°],
o coeficiente de adendo do Pinhão, no intervalo [1,00-1,30],
o coeficiente de adendo da Roda, no intervalo [1,00-1,30], e
o coeficiente de deslocamento do perfil do pinhão, na faixa [0,35-0,70].
Utilizando o Simcenter HEEDS e o Simcenter Nastran, foram criados 81 projetos de engrenagens, variando os quatro parâmetros de projeto por meio de um DOE fatorial completo de nível 3. O conjunto de dados foi dividido aleatoriamente em 64 projetos como conjunto de treinamento e 17 projetos como conjunto de teste.
Um modelo de IA/ML com aprendizado de operadores baseado em transformadores é treinado para prever tensões na superfície da engrenagem, considerando a geometria da superfície e as forças de contato como entradas do modelo. Neste primeiro estudo, optou-se por fazer com que o modelo de IA/ML aprendesse o campo de tensões de von Mises com sinal tridimensional completo, que captura tanto o comportamento compressivo quanto o de tração. A tensão de von Mises com sinal é criada por meio do pós-processamento do tensor tridimensional completo em cada nó, que é armazenado nos resultados de contato baseados em NLFEA. O modelo se concentra nos nós da superfície onde as falhas normalmente se iniciam (raiz do dente e regiões de contato), otimizando a eficiência computacional e mantendo a precisão para previsões de tensões críticas. Três abordagens são avaliadas para o caso de uso de projeto de engrenagem:
Referência FE: Simulações de contato baseadas em NLFEA (Referência),
ML com Forças FE: previsões de IA/ML usando forças de contato NLFEA,
ML com forças de movimento: previsão de IA/ML usando forças de contato de movimento do Simcenter 3D.
As forças de contato de engrenagens baseadas em múltiplos corpos (calculadas via Simcenter 3D Motion) são usadas neste estudo, pois fornecem uma alternativa computacionalmente eficiente às caras análises de elementos finitos não lineares, ao mesmo tempo em que mantêm precisão suficiente na previsão de distribuições de força de contato – um aspecto que será crucial para futuros fluxos de trabalho de otimização de projeto.
A Figura 2 apresenta uma análise do campo de tensões completo usando as três abordagens. O campo de tensões previsto pelo modelo substituto AI/ML com forças de contato baseadas em EF como entrada (Fig. 2b) mostra-se quase idêntico ao dos resultados baseados em EF de referência (Fig. 2a), enquanto o campo de tensões previsto pelo modelo substituto AI/ML com forças de contato baseadas em movimento como entrada (Fig. 2c) mostra apenas pequenos desvios dos resultados de referência. Essas descobertas são confirmadas pela Figura 3, que apresenta os resultados para a tensão na raiz do dente durante cinco ciclos de malha para um ponto localizado ao longo do meio da largura da face e no meio do arco da raiz do dente.
Figura 2: Campos de tensão de Von Mises (sinalizados), calculados a partir de a) simulações de contato baseadas em NLFEA, b) modelo ML com forças baseadas em FE (entrada), c) modelo ML com forças baseadas em movimento (entrada), para um caso de exemplo de engrenagem de pinhão.
Figura 3: Comparação da tensão da raiz do dente para um ponto (flanco médio, arco da raiz média) ao longo de 5 ciclos de malha (criados com base na tensão de 5 dentes durante 1 ciclo de malha) para um caso de exemplo de engrenagem de pinhão, Figura 3.
Embora a geração de dados e o treinamento de modelos de IA/ML exijam um investimento inicial de tempo, esses são processos offline únicos. O modelo treinado resultante permite previsões rápidas, ideais para exploração e otimização eficientes do espaço de design.
O modelo de IA/ML utilizado neste estudo requer cerca de 0,1 segundo para calcular o campo de tensões completo para um ponto no ciclo da malha, enquanto uma simulação de contato NLFEA requer, em média, cerca de 5 minutos. Sabendo que um ciclo de malha completo requer cerca de 20 a 30 configurações angulares por par de engrenagens e que uma transmissão industrial possui múltiplos pares de engrenagens para os quais centenas de variantes são exploradas, a inclusão dos modelos substitutos de IA/ML pode realmente acelerar a otimização do projeto de engrenagens.
Conclusão e perspectivas
Este estudo demonstra a integração bem-sucedida de modelos substitutos de IA/ML em fluxos de trabalho de projeto de engrenagens, alcançando velocidade e precisão na previsão de tensões. A abordagem de IA/ML fornece resultados que se aproximam muito das análises tradicionais de elementos finitos não lineares, sendo, ao mesmo tempo, muito mais rápida. Essa melhoria drástica na velocidade, combinada com a manutenção da precisão, abre novas possibilidades para a exploração abrangente do espaço de projeto e a otimização de sistemas de transmissão.
O fluxo de trabalho desenvolvido, apoiado pelas ferramentas Simcenter e validado por meio de estudos de caso práticos, demonstra efetivamente a viabilidade industrial do projeto de engrenagens e transmissões acelerado por IA/ML.
Referências
D. Park, A. Rezayat and Y. Gwen, “Gear design optimization for multi-mesh and multi-power flow transmissions under a broad torque range incorporated with multibody simulations”, in VDI International Conference on Gears 2022, Munich, Germany, 2022.
M. Vivet, J. Melvin, S. Donders, “Advancing bevel gear contact simulation towards quiet transmissions”, Simcenter Blog, August 19, 2024.
M. Vivet, D. Park, A. Scheuer, “AI/ML-accelerated gear durability analysis within gear design optimization”, in VDI International Conference on Gears 2025, Garching near Munich, Germany, September 10-12, 2025.
Agende uma reunião com a CAEXPERTS e descubra como acelerar a análise de tensões em engrenagens com soluções que combinam simulação de alta fidelidade e Inteligência Artificial. Combinando modelos de alta fidelidade e IA/ML, ajudamos sua empresa a reduzir tempo de desenvolvimento, aumentar a precisão das análises e acelerar a inovação em sistemas de transmissão.
WhatsApp: +55 (48) 98814-4798
E-mail: contato@caexperts.com.br
