Utilize dados estruturais e de fluidos existentes para treinar o Simcenter PhysicsAI
Toda equipe de análise estrutural possui um repositório de dados como este: centenas de modelos resolvidos armazenados em uma unidade de rede — estudos de hipóteses, simulações de colisão, análises modais, o projeto do Departamento de Energia (DOE) que alguém iniciou no último trimestre e nunca explorou completamente. Assim que o relatório foi divulgado, esses dados deixaram de fornecer informações úteis para a equipe.
O software Simcenter PhysicsAI pode mudar o que acontece com esses dados. Ele lê os resultados que você já possui, incluindo os softwares Simcenter Optistruct, Simcenter Radioss, Simcenter Nastran e Simcenter STAR-CCM+, e então treina um modelo geométrico de aprendizado profundo com base neles, prevendo resultados completos de campos 3D em novas geometrias em segundos, em vez de horas. Não é necessário executar novos solvers para começar. Os dados de treinamento são referentes ao trabalho que você já pagou.
O que é o Simcenter PhysicsAI?
O Simcenter PhysicsAI é uma ferramenta de modelagem preditiva integrada à plataforma de software Simcenter Hypermesh.
Também está incluído nos softwares Simcenter Inspire, Simcenter Simlab e no recém-anunciado Simcenter STAR-CCM+. Uma vantagem adicional é que ele pode ser usado para fluxos de trabalho estruturais, de fluidos ou multifísicos. Ele utiliza aprendizado profundo geométrico para construir modelos preditivos rápidos diretamente a partir de dados CAE, e a palavra-chave aqui é "geométrico". Os modelos substitutos tradicionais exigem que você parametrize o projeto primeiro. Defina as variáveis, estabeleça os intervalos e permaneça dentro desses limites. Se um novo conceito tiver uma topologia diferente, um novo modelo substituto precisará ser parametrizado.
O Simcenter PhysicsAI não funciona dessa maneira. Ele aprende com a própria malha, então lida com geometrias variadas e topologias diferentes sem parâmetros definidos pelo usuário. Ele também aceita entradas não geométricas, como propriedades de materiais e condições de contorno, como recursos além da forma. E prevê resultados completos de campo 3D, não apenas um indicador-chave de desempenho (KPI) escalar. Você obtém um gráfico de contorno, não um número. É isso que o torna interessante especificamente para estruturas. Um único valor de pico de tensão indica se uma peça foi aprovada. Um campo previsto indica onde ela irá falhar e o que precisa ser alterado.
Os solvers
Eis a parte que costuma surpreender as pessoas: o Simcenter PhysicsAI não é exigente quanto à origem dos dados, sendo independente do solver. Ele ingere resultados da maioria dos principais solvers de física estrutural diretamente.
Se a sua empresa utiliza o Simcenter Optistruct para otimização, o Simcenter Radioss ou LS-DYNA para análise de impacto, o Simcenter Nastran por exigência do cliente e o Simcenter STAR-CCM+ para análise avançada de fluidos, cada solver pode alimentar seu próprio pipeline de treinamento. Não é necessário consolidar em um único solver nem executar nada em um novo formato. O arquivo existente é a entrada.
Isso importa mais do que parece. O obstáculo usual para a modelagem substituta por IA não é o ceticismo em relação à matemática, mas sim a suposição de que adotá-la implica um projeto que demanda muitos recursos e tempo. Quando a ferramenta lê o que você já possui, o custo inicial, tanto em recursos quanto em tempo, cai para um investimento muito mais razoável.
Como funciona o workflow
O processo é simples: crie um projeto, construa um conjunto de dados (ou use um conjunto de dados existente), treine um modelo, teste-o e preveja novas variantes. Confira este passo a passo simples para uma explicação mais detalhada.
Um conjunto de dados nada mais é do que uma coleção de resultados de simulação. Em seguida, você direciona o Simcenter PhysicsAI para esses conjuntos de dados. A partir daí, você escolhe as características de entrada (coordenadas, rótulos das peças, espessura, material), seleciona suas respostas de saída (dados de campo, KPIs ou curvas) e escolhe uma arquitetura. Existem três arquiteturas de rede para escolher, e a escolha é prática, não acadêmica:
O Graph Context Neural Simulator (GCNS) é o padrão. Requer menos memória e é um bom ponto de partida para uso geral.
O Transformer Neural Simulator (TNS) é invariante à malha e mais rápido em GPUs, além de lidar melhor com resultados transitórios, que é onde os dados de testes de colisão e queda se acumulam.
O Shape Encoding Regressor (SER) é o mais rápido, mas produz apenas KPIs e curvas, não campos.
O treinamento é executado localmente ou submetido a um sistema de computação de alto desempenho (HPC). A melhor prática é começar com um conjunto pequeno. Teste em um subconjunto menor dos seus dados de treinamento (cerca de 20% é o ideal) com os hiperparâmetros padrão apenas para confirmar que o pipeline funciona e, em seguida, aumente a escala. Este processo foi projetado para ser executado pelo usuário da simulação, e não para ser entregue a uma equipe de ciência de dados.
Figura 1: Exemplo de workflow do Simcenter PhysicsAI
Saber quando confiar na previsão
A objeção legítima a qualquer modelo substituto é: como posso saber se ele é preciso no projeto que ainda não resolvi? O Simcenter PhysicsAI responde a isso de duas maneiras.
Primeiramente, a validação já está integrada à divisão dos dados. A melhor prática é particionar o conjunto de dados com 80% para treinamento e reservar um conjunto de validação quando houver mais de 13 amostras. Você obtém o erro médio absoluto e as curvas de perda como saída padrão.
Em segundo lugar, cada previsão possui uma Pontuação de Similaridade Geométrica. Ela varia de 1,0, o que significa que a nova geometria corresponde de perto àquela com a qual o modelo foi treinado, a 0, o que significa que não há correspondência próxima. Uma previsão com uma pontuação de similaridade de 0,9 é um resultado de triagem que você pode usar como referência.
Figura 2: Modelo com pontuação de similaridade
A documentação da Siemens é clara quanto à dependência fundamental: um modelo Simcenter PhysicsAI só é tão bom quanto os dados usados para treiná-lo (assim como todos os modelos de IA). A curadoria do conjunto de dados contribui mais para a precisão do que o ajuste de hiperparâmetros. Isso significa remover valores discrepantes, descartar partes inconsistentes e filtrar os dados para incluir apenas os passos de tempo e componentes que realmente importam.
A imagem abaixo mostra os resultados obtidos dentro do software Simcenter Inspire Form, comparando um modelo treinado usando o Simcenter PhysicsAI (à esquerda) com os resultados reais do solver (à direita). Os resultados mostram uma discrepância inferior a 1% entre os dois cenários.
Figura 3: Resultados do modelo treinado versus resultados do solver
Onde isso se encaixa
O Simcenter PhysicsAI complementa seus solvers, não os substitui. Execuções completas de solvers estruturais e de fluidos continuam sendo a referência para validação, e qualquer workflow sério as mantém como tal.
O que muda é a etapa inicial do processo. Você pode avaliar centenas de variantes em uma fração do tempo, selecionar os poucos resultados promissores e investir o tempo de processamento, que é caro, em projetos que realmente o justificam. Na maioria dos casos, o verdadeiro obstáculo da simulação nunca foi a física, mas sim quantas possibilidades você pode se dar ao luxo de explorar antes que o prazo final force uma decisão.
Transforme dados de simulação existentes em um recurso de engenharia reutilizável
O Simcenter PhysicsAI complementa a simulação de alta fidelidade, em vez de substituí-la. Os solvers estruturais e de fluidos continuam sendo essenciais para análises detalhadas e validação final. O Simcenter PhysicsAI agrega valor mais cedo no processo, ajudando os engenheiros a avaliar mais variantes de projeto e a identificar as opções mais promissoras antes de alocar recursos para execuções adicionais do solver.
Mais importante ainda, isso dá uma finalidade contínua aos dados de simulação existentes. Resultados originalmente gerados para um projeto específico podem ser usados para treinar modelos preditivos e apoiar futuras explorações de design. Isso permite que as equipes de engenharia aproveitem o trabalho já realizado, em vez de começar do zero a cada nova questão de design.
A oportunidade é prática: utilize os dados de simulação que você já possui para explorar mais possibilidades, concentre a análise detalhada onde ela é mais importante e tome decisões de projeto informadas mais rapidamente.
Agende uma reunião com a CAEXPERTS e descubra como o Simcenter PhysicsAI pode transformar dados de simulação existentes em modelos preditivos, acelerando a exploração de novas geometrias e reduzindo o tempo de desenvolvimento. Conduzimos os primeiros projetos em colaboração com sua equipe para maximizar o retorno do investimento, ajudando sua empresa a extrair o máximo desempenho da ferramenta e obter resultados mais rápidos, precisos e confiáveis em seus projetos.
WhatsApp: +55 (48) 98814-4798
E-mail: contato@caexperts.com.br
