Se você já trabalhou com resultados de CFD ou FEA, sabe que os dados de simulação não são como a maioria dos dados. Eles não se organizam em linhas e colunas. Eles existem em malhas – estruturas tridimensionais complexas e irregulares, onde cada nó tem vizinhos, cada face carrega fluxo e cada elemento é moldado pela geometria ao seu redor. Durante anos, a estratégia dominante para aplicar aprendizado de máquina (machine learning) à simulação em engenharia compartilhou um objetivo comum: acelerar ou substituir solvers numéricos dispendiosos, aprendendo o mapeamento entre as entradas e as saídas da simulação. Para isso, os profissionais transformavam informações geométricas complexas em vetores, grades ou nuvens de pontos, e esperavam que uma rede neural descobrisse o resto. Às vezes funcionava – mas principalmente em geometrias simples e regulares, onde o achatamento não destruía muita informação estrutural, ou onde o domínio era pequeno o suficiente para que uma aproximação por força bruta fosse suficiente. Em fluxos de trabalho de engenharia reais, com malhas tetraédricas, grades CFD não estruturadas e condições de contorno complexas, não funcionava bem o suficiente para ser confiável. Essa abordagem não era apenas um compromisso computacional – era uma incompatibilidade fundamental entre a estrutura dos dados e a arquitetura do modelo. A razão é simples: as redes neurais padrão são indiferentes à geometria. Uma rede totalmente conectada trata cada entrada como uma característica independente, sem levar em conta as relações espaciais. Nenhuma dessas arquiteturas foi projetada considerando uma malha tetraédrica ou uma grade CFD não estruturada. As Redes Neurais Convolucionais (CNNs) melhoram esse aspecto para dados de imagem – mas apenas porque as imagens têm uma estrutura muito específica: uma grade regular e uniforme onde a noção de "vizinhança" é, em sua maioria, consistente. Essa premissa deixa de ser válida em uma malha de engenharia. É precisamente essa lacuna que o Aprendizado Profundo Geométrico (Geometric Deep Learning - GDL) foi criada para preencher. O que exatamente é Aprendizado Profundo Geométrico? Sejamos honestos: "Aprendizado Profundo Geométrico" soa como algo que um matemático inventou para sua tese de doutorado. Mas a ideia central é surpreendentemente elegante. O aprendizado profundo tradicional — o tipo que impulsiona o reconhecimento de imagens, modelos de linguagem e sistemas de recomendação — opera com dados regulares e estruturados. Imagens são grades de pixels. Áudio é uma sequência de amostras. Essas estruturas são euclidianas, uniformes e previsíveis. As CNNs prosperam nesse contexto porque a noção de "vizinhança" é consistente em toda a grade. A geometria aplicada à engenharia é um assunto completamente diferente. Uma malha de elementos finitos é um grafo irregular. Uma nuvem de pontos de uma digitalização 3D é um conjunto não ordenado. Uma superfície CAD é uma variedade. Nenhuma delas se encaixa perfeitamente em uma grade regular. Se você tentar achatá-las em uma só, como faziam as primeiras abordagens de IA para engenharia, você perde as próprias relações geométricas que dão sentido à física. É como amassar um mapa para que caiba em uma caixa quadrada e depois se perguntar por que as estradas não se conectam. O Aprendizado Profundo Geométrico estende o aprendizado profundo a esses domínios não euclidianos – grafos, malhas, nuvens de pontos e variedades – construindo redes neurais que respeitam a estrutura geométrica subjacente dos dados. A base teórica vem do conceito de simetria: uma rede neural geométrica bem projetada deve produzir previsões consistentes, independentemente de como você rotacione, translade ou renumere a entrada. Essa propriedade – conhecida como equivariância – não é apenas matematicamente elegante, mas também fisicamente essencial. O mecanismo subjacente: Arquiteturas de Aprendizado Profundo Geométrico para CAE A elegante ideia central do Aprendizado Profundo Geométrico, formalizada por Michael Bronstein, Joan Bruna, Yann LeCun, Arthur Szlam e Pierre Vandergheynst, e posteriormente expandida na agora famosa estrutura "Grids, Groups, Graphs, Geodesics, and Gauges" , é a seguinte: a arquitetura de rede neural adequada para qualquer domínio é aquela que respeita as simetrias desse domínio. Para malhas de engenharia, as simetrias relevantes são claras: Invariância por permutação: a física não muda se você renumerar os nós da sua malha. Equivariância rotacional e translacional: um campo de tensão em um suporte rotacionado em 45° deve girar de acordo, e não produzir uma resposta diferente. Estrutura geométrica local: o comportamento em um nó depende de seus vizinhos, das distâncias entre eles e de suas orientações relativas – e não de alguma coordenada global. As Redes Neurais Gráficas (GNNs) estiveram entre as primeiras arquiteturas a codificar naturalmente essas propriedades para simulação em engenharia. Uma GNN trata uma malha como um grafo – os nós representam vértices da malha ou centros de células, as arestas representam a conectividade e as características em cada nó são transmitidas ao longo das arestas, agregadas e atualizadas por meio de camadas sucessivas. Esse mecanismo de troca de mensagens espelha, de forma aprendida e diferenciável, a mesma troca de informações locais que os solvers numéricos realizam ao propagar condições de contorno ou iterar resíduos por um domínio. O resultado é um modelo que tem profundo conhecimento da geometria da malha – aprendendo, por exemplo, que a física próxima a uma borda de fuga afiada se comporta de maneira diferente de uma região de fluxo livre suave, sem nunca ser explicitamente informada disso. Com a maturidade da área, surgiram arquiteturas mais poderosas. Os modelos baseados em Transformers — originalmente desenvolvidos para processamento de linguagem natural e posteriormente adaptados para computação científica — provaram ser notavelmente eficazes para modelagem substituta em CAE (Engenharia Assistida por Computador). Em sua essência, os Transformers utilizam um mecanismo de atenção que permite que cada nó da malha pondere dinamicamente sua relação com todos os outros nós, aprendendo quais partes da geometria são mais importantes para prever a física em qualquer local específico. Essa capacidade de capturar dependências de longo alcance em toda a malha em uma única operação torna os Transformers particularmente adequados para campos de fluxo e geometrias complexas, onde o contexto global é tão importante quanto a estrutura local, posicionando-os como o estado da arte para modelagem substituta de alta precisão. Para casos de uso em que o objetivo muda da previsão de campo completo para quantidades escalares de interesse para a engenharia – como coeficiente de arrasto, tensão máxima ou queda de pressão total – os codificadores de forma oferecem uma alternativa altamente eficiente. Em vez de resolver todo o campo de solução, eles comprimem a geometria de um projeto em uma representação latente compacta e aprendida – uma impressão digital geométrica – e a mapeiam diretamente para a saída desejada, tornando-os excepcionalmente rápidos e adequados para a triagem de projetos em estágios iniciais e para a exploração de um amplo espaço de projeto. No Simcenter PhysicsAI, esses três paradigmas arquitetônicos — redes gráficas de troca de mensagens, Transformers baseados em atenção e regressores de codificação geométrica — são implementados por meio do Simulador Neural de Contexto Gráfico (GCNS), do Simulador Neural Transformer (TNS) e do Regressor de Codificação de Forma (SER), cada um adequado a diferentes necessidades de simulação e níveis de complexidade. Vale ressaltar que este continua sendo um campo em rápida evolução; novas arquiteturas são continuamente desenvolvidas, avaliadas e integradas em fluxos de trabalho de produção. O princípio fundamental, no entanto, permanece constante: a arquitetura correta é aquela que respeita a geometria, a simetria e a física do domínio do qual está aprendendo. O Simcenter PhysicsAI foi construído com esse princípio em sua essência e foi projetado para evoluir conforme o campo evolui. O impacto industrial: de dias para segundos Vamos ancorar isso na realidade da engenharia. Um engenheiro mecânico está otimizando um braço de controle para um veículo elétrico. O espaço de projeto envolve dezenas de parâmetros geométricos – espessura da parede, raios de concordância, configurações de nervuras. Cada variante de projeto requer uma análise completa de elementos finitos não linear. Mesmo em um cluster HPC potente, uma única execução leva de 2 a 4 horas. Explorar 500 variantes de projeto? Isso representa meses de tempo de computação e um custo significativo. Com um substituto GDL treinado em um conjunto representativo de simulações: Novas variantes de geometria são avaliadas em segundos, não em horas. As previsões de tensão e deslocamento em todo o campo estão disponíveis em toda a malha – não apenas em saídas escalares. Ciclos de otimização de design que antes levavam semanas agora são concluídos da noite para o dia. Os engenheiros dedicam tempo à análise e à tomada de decisões, não à espera de soluções. A mesma situação se repete em diversas disciplinas: a otimização de formas aerodinâmicas em CFD exige milhares de avaliações do solver, e o mesmo ocorre em gerenciamento térmico, eletromagnetismo e acústica. É aqui que o conceito de previsão de campo se torna crucial: em vez de retornar um único coeficiente de arrasto ou uma temperatura máxima, um modelo GDL retorna uma distribuição espacial completa de pressão, velocidade ou temperatura em cada nó de uma malha não estruturada. É um resultado com a mesma qualidade do solver, entregue em velocidade comparável à de um modelo substituto. A questão da generalização (porque sempre tem alguém que pergunta) O ceticismo mais comum em relação aos modelos substitutos de IA na engenharia reside na generalização: “Claro, funciona nas geometrias de treinamento. Mas e quanto a algo genuinamente novo?” É um desafio pertinente. As primeiras abordagens com modelos substitutos, particularmente aquelas baseadas em redes neurais com tamanho de entrada fixo ou regressão em parâmetros geométricos, apresentaram baixa generalização. Um modelo treinado em uma família de projetos frequentemente falhava miseravelmente mesmo em formas ligeiramente diferentes. As arquiteturas GDL lidam com isso de forma mais elegante, por uma razão estrutural. Como operam em grafos e malhas em vez de vetores de tamanho fixo, podem ser projetadas para reconhecer a geometria, codificando relações espaciais como distâncias, ângulos e normais de superfície diretamente no processo de troca de mensagens. Isso significa que os mesmos pesos do modelo podem ser aplicados a malhas com diferentes contagens de nós, padrões de conectividade e, em grande medida, diferentes topologias – desde que os casos de teste estejam dentro do regime físico, da faixa geométrica e do espaço de condições de contorno representados nos dados de treinamento. Essa generalização tem limites, é claro. Um modelo GDL treinado em aerodinâmica externa não entenderá espontaneamente a combustão interna. Mas, no domínio da física, a capacidade de aprendizado por transferência é significativamente maior do que antes e, com ajustes direcionados em um número modesto de novas simulações, esses modelos podem se adaptar a novas famílias de geometria a uma fração do custo de um novo treinamento do zero. Em aplicações industriais, onde a geração de dados de treinamento é sempre o gargalo, essa eficiência é decisiva. O GDL não substitui o solver de física. Ele aprende com ele, extrai seu conhecimento e o aplica a uma velocidade sem precedentes. Então, onde entra o Simcenter PhysicsAI nisso tudo? O que torna este momento verdadeiramente empolgante é que a GDL não está mais confinada a artigos acadêmicos e anais de conferências. Ela está chegando agora, em softwares de engenharia de nível de produção, pronta para ser usada por engenheiros de simulação, e não apenas por pesquisadores de IA. A transição de "pesquisa interessante" para "ferramenta que posso usar na segunda-feira de manhã" é o salto mais difícil no ciclo de vida de qualquer tecnologia. Ela exige não apenas inovação algorítmica, mas também integração profunda com os fluxos de trabalho CAE existentes, pipelines de treinamento robustos e o rigor de validação que a engenharia exige. Essa transição está acontecendo, e mais rápido do que a maioria das pessoas na indústria imagina. O Simcenter PhysicsAI foi desenvolvido especificamente para colocar todo o poder da GDL nas mãos dos engenheiros em exercício. Alguns pontos merecem destaque, pois refletem decisões genuínas de engenharia, e não apenas ações de marketing: Compatibilidade nativa com malhas: o Simcenter PhysicsAI opera diretamente nas malhas de FEA e CFD que seus solvers já utilizam – sem voxelização, sem aproximação geométrica, sem perda de fidelidade. Os recursos de simulação que você já criou se tornam seus dados de treinamento. Independente do solvers por design: independentemente de seu histórico de simulação vir do Simcenter Optistruct, Simcenter Radioss, Simcenter Star-CCM+, Simcenter Feko, Simcenter Flux, Simcenter Nastran ou outros solvers padrão do setor, o Simcenter PhysicsAI aprende com ele. Não há necessidade de padronizar uma única pilha de solvers ou reconstruir fluxos de trabalho existentes. Integração perfeita com o ecossistema CAE: o Simcenter PhysicsAI está integrado ao Simcenter Hypermesh, Simcenter Star-CCM+, Simcenter Simlab e Simcenter Inspire – os ambientes que seus engenheiros já utilizam e confiam. O treinamento, a validação e a implantação de modelos acontecem sem a necessidade de adquirir uma plataforma de aprendizado de máquina separada, criar um pipeline de exportação de dados ou alternar entre ferramentas. Saída de campo completo: A saída de um substituto do Simcenter PhysicsAI é um campo espacialmente distribuído – tensão, pressão, temperatura e velocidade em cada nó, não apenas escalares. O formato é o mesmo da saída de um solver, integrando-se naturalmente aos fluxos de trabalho de pós-processamento e fornecendo aos engenheiros a visão espacial necessária para tomar decisões de projeto concretas. Exploração de design em escala: Com avaliações em segundos, os modelos virtuais do Simcenter PhysicsAI se integram diretamente a estudos paramétricos, ciclos de otimização e fluxos de trabalho de gêmeos digitais, permitindo a exploração sistemática do espaço de projeto. Isso transforma o desenvolvimento de produtos, de um processo iterativo de refinamento para uma otimização genuína. O foco muda da computação para o julgamento de engenharia, que é exatamente onde deveria estar. Nada disso exige um conhecimento profundo de aprendizado de máquina para ser usado. A arquitetura GDL subjacente lida com a complexidade geométrica, permitindo que o engenheiro mantenha o controle das decisões que realmente importam. Molde o futuro com o Simcenter PhysicsAI As organizações que liderarão seus setores na próxima década não são necessariamente aquelas com os solvers mais poderosos ou os maiores parques de computação de alto desempenho (HPC). São aquelas que aprenderem a extrair o máximo de insights de seus investimentos em simulação – comprimindo os ciclos de projeto, expandindo o espaço de soluções que podem explorar de forma realista e alocando talentos de engenharia onde eles geram mais valor. Se você tem curiosidade em saber como o GDL se aplica ao seu domínio de simulação específico – estrutural, CFD, térmica, eletromagnética ou de manufatura – o melhor ponto de partida são seus próprios dados de simulação legados. O Simcenter PhysicsAI oferece a inteligência necessária – mais rapidamente, em maior escala e com uma profundidade de conhecimento que a simulação tradicional sozinha jamais conseguiria proporcionar. Se você quer aproveitar todo o potencial do Simcenter PhysicsAI e acelerar seus processos de desenvolvimento com inteligência artificial e Aprendizado Profundo Geométrico, agende uma conversa com a CAEXPERTS. Nossa equipe conta com engenheiros treinados e qualificados para suporte, implementação e aplicação das soluções Altair, ajudando sua empresa a transformar dados de simulação em previsões mais rápidas e confiáveis. Conduzimos os primeiros projetos em colaboração com sua equipe para maximizar o retorno do investimento, ajudando sua empresa a extrair o máximo desempenho das ferramentas e obter resultados mais rápidos, precisos e confiáveis em seus projetos. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Inteligência artificial generativa para design, cobertura de simulação mais ampla, ganhos de desempenho expressivos e integração mais profunda com o ecossistema Simcenter – a versão Simcenter PhysicsAI 2026.1 aprimora a simulação com inteligência artificial em todas as frentes. O Simcenter PhysicsAI 2026.1 (antigo Altair PhysicsAI) já está disponível, oferecendo recursos que permitem aos engenheiros explorar todo o valor de seus dados CAE com maior velocidade, precisão e inteligência. Construído sobre a base do aprendizado profundo geométrico (Geometric Deep Learning), o Simcenter PhysicsAI treina modelos substitutos de IA com base em seus dados históricos de simulação e fornece insights orientados por dados até 1000 vezes mais rápido do que as simulações de solvers tradicionais. Na versão 2026.1, essa base se fortalece em todas as dimensões: IA generativa para exploração de projetos em estágio inicial, suporte estendido a partículas SPH para cenários exigentes de impacto e grandes deformações, previsão mais precisa de pontos críticos de tensão e deformação, extração automatizada de frequência para fluxos de trabalho NVH, treinamento até 5 vezes mais rápido com redução de até 50% no uso máximo de memória e uma conexão nativa mais profunda com o ecossistema Simcenter. Simcenter PhysicsAI Generate: Dos requisitos de desempenho ao conceito de design em segundos Talvez o desenvolvimento mais empolgante da versão 2026.1 seja a introdução do Simcenter PhysicsAI Generate – um recurso que integra a IA generativa diretamente ao processo de projeto de engenharia. O desafio que ele aborda é reconhecido por praticamente todas as equipes de desenvolvimento de produtos: novos requisitos de projeto chegam com prazos apertados, e cada variante de projeto tradicionalmente exige uma simulação completa de física antes que qualquer conceito possa ser confirmado. Explorar simultaneamente um amplo espaço de projeto que abrange geometria, dimensões, parâmetros de materiais e metas de desempenho simplesmente não é viável no ritmo exigido pelos projetos modernos. O Simcenter PhysicsAI Generate muda a dinâmica de forma fundamental. Impulsionado por modelos generativos de IA baseados em difusão, ele treina com projetos históricos para aprender as correlações profundas entre geometria, parâmetros de projeto e KPIs de engenharia. Uma vez treinado, produz conceitos de design 3D inovadores e fisicamente consistentes diretamente a partir de requisitos de desempenho e dimensionais, em segundos. Fundamentalmente, ao contrário das ferramentas generativas tradicionais que aplicam restrições físicas como uma etapa de pós-processamento, o Simcenter PhysicsAI Generate produz conceitos que são inerentemente fisicamente consistentes desde o início. Semanas de exploração iterativa de projetos podem ser condensadas em um único fluxo de trabalho, com conceitos gerados que refletem de forma confiável as metas de desempenho prescritas desde a primeira execução. Melhorias no desempenho do treinamento – Até 5 vezes mais rápido, redução de 50% no pico de uso de memória O Simcenter PhysicsAI 2026.1 é significativamente mais rápido e eficiente no uso de RAM durante o treinamento. A utilização da memória foi fundamentalmente aprimorada, proporcionando velocidades de treinamento até 5 vezes mais rápidas e uma redução de até 50% no pico de uso de memória em comparação com a versão 2026.0. Em um dos benchmarks, o pico de memória caiu de 175 GiB para 75 GiB, enquanto o tempo total de treinamento foi reduzido aproximadamente pela metade – o que significa que as equipes podem treinar modelos maiores e mais complexos no mesmo hardware, mais rápido do que nunca. As equipes que utilizam o complemento Simcenter PhysicsAI no Simcenter STAR-CCM+ também se beneficiam do novo suporte a múltiplas GPUs, permitindo um treinamento de modelos ainda mais rápido ao distribuir a carga de trabalho entre várias GPUs. Para equipes empresariais que executam modelos de CFD ou de colisão em grande escala, isso se traduz diretamente em ciclos de iteração de projeto mais rápidos, custos de infraestrutura reduzidos e a capacidade de lidar com problemas que antes sobrecarregavam os recursos disponíveis. Condicionamento espacial: Ensinar ao gerador onde as coisas importam Com base no Simcenter PhysicsAI Generate, a versão 2026.1 também introduz o condicionamento espacial – a capacidade de condicionar modelos generativos em nuvens de pontos. Em vez de restringir o gerador apenas com parâmetros de projeto escalares, os engenheiros agora podem definir restrições espacialmente distribuídas como matrizes de pontos 3D: locais de pontos de fixação, zonas de aplicação de carga, posições de dispositivos de fixação de fabricação ou qualquer outro contexto de projeto espacialmente significativo. Essas nuvens de pontos são especificadas em arquivos JSON complementares durante o treinamento e, no momento da geração, os usuários selecionam conjuntos de nós para cada nuvem de pontos condicionada diretamente na caixa de diálogo de geração. O resultado é um modelo generativo com genuína consciência espacial – um modelo que produz conceitos respeitando restrições geométricas do mundo real, e não apenas metas de desempenho abstratas. Suporte a partículas SPH: fluxos de trabalho acelerados por IA para suas simulações mais exigentes Uma das expansões de capacidade mais significativas na versão 2026.1 é a adição do suporte a partículas de Hidrodinâmica de Partículas Suavizadas (SPH). As simulações SPH são o método de escolha para alguns dos cenários de física mais exigentes em engenharia – eventos de impacto com grandes deformações, análise de colisões com pássaros e interação fluido-estrutura, para citar alguns exemplos. Até agora, as partículas SPH e os elementos de massa pontual não eram reconhecidos pelo Simcenter PhysicsAI, o que limitava seu uso em simulações explícitas. Isso muda na versão 2026.1. As partículas SPH e os elementos de massa pontual agora são totalmente visíveis para o Simcenter PhysicsAI, permitindo que ele aprenda e preveja indicadores críticos de integridade estrutural — incluindo o número de camadas danificadas, tensão e deformação — diretamente a partir dos dados de simulação SPH. Para montadoras automotivas, fabricantes aeroespaciais e engenheiros de defesa cujas análises mais complexas se encontram no domínio SPH, este é um passo significativo em direção a fluxos de trabalho acelerados por IA para seus problemas mais difíceis. Previsão de frequências próprias para análise modal e fluxos de trabalho NVH (ruído, vibração e aspereza) A análise modal é fundamental para os fluxos de trabalho de NVH (ruído, vibração e aspereza) e dinâmica estrutural. Compreender como uma estrutura vibra, onde se encontram suas frequências de ressonância e como esses modos se alteram em diferentes variantes de projeto é essencial para o desenvolvimento de produtos silenciosos, duráveis ​​e com bom comportamento dinâmico. Em versões anteriores do Simcenter PhysicsAI, apenas os modos de vibração eram previstos, o que obrigava os engenheiros a contornar uma lacuna fundamental em seu pipeline de simulação assistida por IA. Na versão 2026.1, essa lacuna é eliminada. Os valores de frequência dos modos próprios agora são extraídos e previstos automaticamente para análise modal, com os Rótulos de Etapa do Modelo Próprio associados automaticamente a cada forma modal prevista, sem qualquer intervenção manual. O resultado é um fluxo de trabalho de análise de modos normais mais rápido e preciso – no qual os engenheiros dedicam menos tempo à configuração e mais tempo à aplicação das informações fornecidas pelos seus modelos. Integração nativa com as soluções de manufatura Simcenter Inspire O valor da simulação orientada por IA é maximizado quando ela é incorporada diretamente às ferramentas que os engenheiros usam diariamente, e não adicionada como uma solução posterior. Na versão 2026.1, o Simcenter PhysicsAI aprofunda sua integração com o ecossistema de soluções de manufatura do Simcenter Inspire, permitindo a troca contínua de dados e a manutenção do fluxo de trabalho entre a simulação de processos de fundição, moldagem, conformação e extrusão e a previsão baseada em IA. Para indústrias voltadas à manufatura – automotiva, aeroespacial e de equipamentos pesados ​​– essa conexão nativa representa um passo significativo rumo a fluxos de trabalho verdadeiramente integrados, nos quais a IA acelera cada etapa do ciclo de vida do produto, desde o projeto do processo até a previsão de desempenho em serviço. Modo de memória constante: escalando o treinamento de IA além dos limites da RAM Para equipes que trabalham com conjuntos de dados extremamente grandes, onde a RAM disponível é a principal limitação, a versão 2026.1 introduz o Modo de Memória Constante. Quando ativado, o Simcenter PhysicsAI armazena os dados do grafo em disco e os carrega na RAM somente quando necessário durante o treinamento, desacoplando efetivamente o tamanho do conjunto de dados da memória disponível do sistema. Para mitigar a sobrecarga de E/S inerente ao carregamento baseado em disco, uma variante de carregamento assíncrono também está disponível, utilizando múltiplos threads da CPU para pré-buscar dados em paralelo e recuperar grande parte da perda de velocidade. Para organizações com grandes bibliotecas de simulações históricas que, de outra forma, excederiam a RAM disponível, esse modo remove o que era uma barreira real para a escalabilidade de fluxos de trabalho baseados em IA. Curadoria de conjuntos de dados mais inteligente: melhores fluxos de dados Um ótimo modelo de IA começa com ótimos dados, e o tempo gasto na preparação desses dados é tempo que não pode ser gasto em engenharia. Na versão 2026.1, o fluxo de trabalho de criação e curadoria de conjuntos de dados foi significativamente simplificado. Os engenheiros agora podem selecionar resultados mais relevantes durante a criação do conjunto de dados para um processamento mais rápido, gerenciar várias amostras simultaneamente por meio de operações em lote de movimentação, cópia e exclusão, e se beneficiar da detecção de outliers com reconhecimento de resposta, que é atualizada dinamicamente com base na saída selecionada. Agora, as análises de outliers incluem recursos vetoriais e metadados personalizados, exibidos na árvore de resultados e nas visualizações de resumo, proporcionando aos engenheiros uma visão mais completa da qualidade dos dados em um relance. Em conjunto, essas melhorias tornam a preparação de dados significativamente mais eficiente e intuitiva, reduzindo a etapa mais demorada na criação de um modelo de IA substituto. Novo painel de boas-vindas: um ponto de partida mais inteligente e rápido Às vezes, a melhoria mais impactante é aquela que permite aos engenheiros obter valor mais rapidamente. O novo Painel de Boas-Vindas na versão 2026.1 oferece um ponto de entrada claro e intuitivo para o Simcenter PhysicsAI, facilitando a criação de novos projetos, a abertura de projetos existentes, a retomada de trabalhos recentes, o acesso a tutoriais e a navegação por exemplos integrados — tudo a partir de uma única tela bem organizada. Acessível diretamente da faixa de opções familiar do Simcenter PhysicsAI, o painel reduz a dificuldade inicial, principalmente para novos usuários ou equipes que estão utilizando o Simcenter PhysicsAI pela primeira vez. Previsão aprimorada de pontos críticos de tensão e deformação para análise estrutural Identificar com precisão os pontos críticos de tensão não é apenas um exercício acadêmico – é a diferença entre um projeto que atende aos requisitos de vida útil à fadiga e um que falha em campo. Na versão 2026.1, o Simcenter PhysicsAI prevê tensões, deformações e outros campos vinculados a elementos diretamente nos próprios elementos, eliminando completamente a interpolação. Uma nova opção de discretização "Preservar Vinculações de Saída" garante que a definição do elemento ou nó dos resultados do campo original seja mantida fielmente em todo o processo de previsão. O resultado são mapas de pontos críticos mais nítidos e confiáveis ​​— o tipo de precisão que dá aos engenheiros estruturais a confiança necessária para agir com base nas previsões da IA, em vez de simplesmente validá-las. Visualização de entrada personalizada: Transparência que gera confiança nas previsões da IA À medida que os modelos de IA se tornam mais integrados aos fluxos de trabalho de engenharia, a transparência se torna essencial. Os engenheiros precisam entender não apenas o que a IA prevê, mas também com quais informações ela está trabalhando. Na versão 2026.1, os usuários agora podem visualizar recursos de entrada personalizados diretamente no conjunto de dados e nas interfaces gráficas de teste — sejam essas entradas escalares globais, escalares nodais ou campos vetoriais. Isso proporciona aos engenheiros uma visão clara e visual dos dados que alimentam o modelo, facilitando a validação das entradas, a detecção precoce de problemas de qualidade dos dados e a construção da confiança nas previsões da IA, o que permite uma tomada de decisão segura. Nova pontuação de similaridade geométrica: Preveja com confiança, aja com certeza Como saber se uma previsão de IA é confiável? O Simcenter PhysicsAI apresenta uma pontuação de similaridade geométrica — um indicador baseado em geometria e discretização que avalia o quão semelhante um novo projeto é ao conjunto de dados de treinamento. Os engenheiros podem avaliar instantaneamente a inovação de um projeto e se uma execução completa do solucionador é justificada, permitindo uma exploração de projeto orientada por IA com confiança e reduzindo o risco de agir com base em resultados fora da distribuição. Na versão 2026.1, essa capacidade foi significativamente aprimorada. Anteriormente, as pontuações de similaridade variavam de −∞ a 1 – um intervalo matematicamente válido, mas intuitivamente difícil de interpretar. A nova pontuação de similaridade é estritamente limitada entre 0 e 1, calculada usando uma curva suave por partes, matematicamente rigorosa, em função da distância euclidiana entre as codificações de características da amostra de previsão e da amostra de treinamento mais próxima. Igualmente importante, a pontuação agora leva em consideração as características: cada característica de entrada contínua – espessura da casca, geometria da malha e outras – recebe sua própria pontuação de similaridade individual, além de uma pontuação agregada. Essa granularidade ajuda os engenheiros a identificar rapidamente quais aspectos de um novo projeto são bem representados pelos dados de treinamento e quais podem exigir cautela adicional ou simulação complementar – tornando as previsões da IA ​​não apenas rápidas, mas genuinamente confiáveis. Simcenter PhysicsAI 2026.1 – Uma solução que continua a elevar o padrão Em conjunto, as atualizações do Simcenter PhysicsAI 2026.1 contam uma história coerente: uma solução que amadurece rapidamente em todas as dimensões importantes para as organizações de engenharia. A cobertura de física é mais ampla, abrangendo modelos explícitos baseados em SPH e dinâmica modal. Os recursos de IA são mais poderosos, com design generativo e condicionamento espacial expandindo as fronteiras do que é possível. O desempenho computacional foi drasticamente aprimorado, tornando problemas maiores tratáveis ​​em hardware existente. E a integração com o ecossistema Simcenter mais amplo está se aprofundando, aproximando a previsão baseada em IA das ferramentas e fluxos de trabalho onde as decisões de engenharia são de fato tomadas. Seja você um engenheiro de NVH prevendo o comportamento modal em centenas de variantes de projeto, um analista de colisões trabalhando com modelos de impacto com grande quantidade de partículas sólidas ou uma equipe de projeto buscando aproveitar a IA generativa para a criação de conceitos em estágio inicial, o Simcenter PhysicsAI 2026.1 tem algo substancial a oferecer. O futuro da simulação em engenharia não se resume a solucionadores mais rápidos – trata-se de IA que aprende com seus dados, fala a linguagem da física e fornece respostas na velocidade do projeto. Esse futuro já chegou e continua a melhorar. Se você quer aproveitar todo o potencial do Simcenter PhysicsAI 2026.1 e acelerar seus processos de desenvolvimento com inteligência artificial, agende uma conversa com a CAEXPERTS. Nossa equipe conta com engenheiros treinados e qualificados para suporte, implementação e aplicação das soluções Altair, ajudando sua empresa a integrar a simulação orientada por IA aos seus fluxos de engenharia. Conduzimos os primeiros projetos em colaboração com sua equipe para maximizar o retorno do investimento, ajudando sua empresa a extrair o máximo desempenho das ferramentas e obter resultados mais rápidos, precisos e confiáveis em seus projetos. WhatsApp: +55 (48) 98814-4798 E-mail: contato@caexperts.com.br

Ao mencionar óleo, a maioria das pessoas pensa em atrito; afinal, para que algo se mova livremente, adiciona-se óleo às superfícies. Quando pensamos em óleo em carros, a maioria pensa em motores, engrenagens e seu funcionamento suave. Mas o óleo tem um benefício duplo: devido à sua alta condutividade térmica e alta capacidade térmica específica, ele se torna um refrigerante muito eficaz. Seja nos jatos de refrigeração que impedem o derretimento dos pistões, no óleo da caixa de câmbio que dissipa o calor residual das engrenagens ou no óleo pulverizado em motores elétricos. Simular essas aplicações de óleo com CFD é um desafio, e embora o Simcenter STAR-CCM+ já permitisse lidar com elas por meio do Hybrid Multiphase há algum tempo, isso pode ser um processo computacionalmente bastante custoso, especialmente nas fases iniciais do projeto. Com a versão 2606, o Simcenter STAR-CCM+ adiciona um grande salto em capacidade ao solver Smoothed Particle Hydrodynamics (SPH), permitindo iterações mais rápidas sem perda de fidelidade. Como uma aplicação fundamental, neste blog, focaremos no papel vital que o óleo desempenha em motores elétricos. Entendendo a geração de calor em motores elétricos Os motores elétricos convertem energia elétrica em energia mecânica com incrível eficiência (94% ou mais), mas ainda assim há perdas. Um motor de veículo elétrico de 200 kW perde aproximadamente 12 kW, principalmente na forma de calor. O que acontece exatamente se não gerenciarmos esse calor adequadamente? Altas temperaturas são particularmente prejudiciais aos enrolamentos. A resistência do cobre aumenta com a temperatura, levando a maiores perdas de energia e à geração de mais calor. O isolamento dos enrolamentos também possui uma classificação térmica, e excedê-la leva à degradação prematura. A densidade de fluxo dos ímãs permanentes também diminui com a temperatura, impactando o torque. O calor tem origem em duas fontes principais: perdas por efeito Joule nos enrolamentos e perdas no núcleo do motor. As perdas por efeito Joule ocorrem quando a corrente elétrica flui pelos enrolamentos do motor. Uma demonstração simples da geração de calor através de perdas Joule (também conhecidas como perdas ôhmicas). Como essas perdas são proporcionais ao quadrado da corrente, elas podem aumentar rapidamente. Para mitigar isso, há uma tendência crescente em direção a arquiteturas de tensão mais alta (400 V ou 800 V), que reduzem as perdas relacionadas à corrente — embora isso implique em componentes significativamente mais caros. As perdas no ferro, por sua vez, resultam tanto de correntes parasitas quanto de histerese nos núcleos do estator e do rotor. As correntes parasitas são correntes elétricas induzidas dentro do núcleo magnético que se opõem à variação original do fluxo, levando à dissipação de energia na forma de calor. As perdas por histerese ocorrem à medida que o material do núcleo se reorienta continuamente para acompanhar a direção do campo magnético que muda rapidamente, sendo a energia necessária para essa reorientação também convertida em calor. Finalmente, também existem pequenas perdas por atrito nos mancais e no movimento do rotor. Mantendo a calma, de forma eficiente Agora que sabe de onde vem o calor e todos os problemas que ele pode causar, o que pode-se fazer a respeito? Na prática, enquanto um motor simples como um alternador pode ser refrigerado a ar com um design de traseira aberta, os motores de veículos elétricos dependem de refrigeração líquida para manter as temperaturas sob controle. As camisas de água-glicol funcionam da mesma forma que as de um cabeçote de cilindro, e a água tem uma condutividade térmica e capacidade térmica específica muito maiores do que o óleo. No entanto, como o óleo é dielétrico, ele pode ser pulverizado diretamente nas partes mais quentes do motor, tornando-o uma ordem de magnitude mais eficaz do que uma camisa de água. O óleo de engrenagem também é conveniente de usar, pois pode lubrificar adicionalmente os rolamentos e outros componentes da transmissão em uma Unidade de Acionamento Elétrico (EDU). Qual seria a solução perfeita, então? Bem, a busca contínua por eficiência na transmissão exige menor peso: menos massa do sistema significa menos energia necessária para acelerar e desacelerar, menor consumo geral de energia e, o que é fundamental para a maioria dos compradores, maior autonomia. Aumentar a densidade de potência do sistema significa proporcionalmente menos material, o que significa menor capacidade térmica e menor inércia térmica. As peças mais quentes aquecem mais rapidamente, sem a capacidade de dissipar o calor. Isso impõe demandas crescentes ao sistema de arrefecimento para absorver e distribuir o calor. Infelizmente, a redução de peso também se aplica ao volume de óleo. Diminuir o volume de líquidos também reduz a massa dinâmica, mas à custa da capacidade do sistema de arrefecimento. Isso significa que os engenheiros precisam garantir que cada gota preciosa de líquido refrigerante seja usada da forma mais eficiente possível para extrair o máximo desempenho do sistema de arrefecimento. Considerando um cenário de sobrecarga térmica em que o motor produz alto torque e baixa potência (imagine dirigir um veículo carregado em uma subida íngreme), o objetivo é identificar áreas com falta de líquido refrigerante e prever o aumento geral da temperatura do sistema. Se focar no resfriamento por aspersão, típico na maioria dos veículos elétricos da geração atual, diversas configurações de jatos estacionários e rotativos são empregadas para resfriar os enrolamentos. No entanto, o desafio reside na grande diferença entre as escalas de tempo dos fenômenos de fluxo e térmicos. Enquanto puder analisar detalhes dos jatos de óleo na ordem de milissegundos, atingir o equilíbrio térmico pode levar minutos. Simulação térmica e SPH – física acoplada facilitada O SPH é uma ferramenta fantástica para capturar fluxos de óleo violentos em transmissões. Capturar a interação fluido-térmica adiciona outra camada de complexidade. Normalmente, a solução desse problema com simulação SPH dependia de simular um curto período e depois extrapolar a transferência de calor ao longo do tempo, ou mapear simulações separadas, com exportação manual dos Coeficientes de Transferência de Calor (HTCs) a cada troca de dados. Isso pode funcionar para algumas simulações, mas torna-se tedioso e propenso a erros ao tentar fazer isso para um estudo de projeto completo. É possível melhorar a situação com alguma integração de scripts, mas hoje em dia, tempos de desenvolvimento de veículos elétricos mais curtos são vistos como uma vantagem competitiva. Tem que haver uma maneira melhor. O Simcenter STAR-CCM+ 2606 resolve esse desafio permitindo que o solver SPH se acople diretamente ao solver de energia do Simcenter STAR-CCM+ para simulação de transferência de calor conjugada. Agora você tem acesso à física avançada e às condições de contorno disponíveis no solver de energia, juntamente com sua simulação SPH, em um único ambiente. Isso permite a modelagem completa da evolução da temperatura do fluido, da transferência de calor nas paredes e da evolução da temperatura do sólido em uma simulação totalmente acoplada. Ambas as simulações são configuradas no mesmo ambiente Simcenter STAR-CCM+, proporcionando um fluxo de trabalho familiar e consistente. Comparação do coeficiente de transferência de calor por convecção em função da velocidade de entrada entre o Simcenter STAR-CCM+ SPH e experimentos. Fonte: Kekila et al, 2019, NREL/CP-5400-74284 Alternativamente, as Operações de Simulação podem ser usadas para escalonar as simulações de fluidos e térmicas e capturar escalas de tempo mais longas. O que antes exigia scripts agora pode ser feito facilmente com alguns cliques no Simcenter STAR-CCM+ SPH. Essa funcionalidade proporciona previsões mais confiáveis ​​para simulações de resfriamento, elimina a transferência manual de dados e permite um pós-processamento contínuo sem a necessidade de trocar de ferramenta. Extensão do SPH com multifísica e acoplamento térmico-eletromagnético-CFD As perdas no ferro são frequentemente assumidas como constantes em uma simulação termofluidodinâmica, quando, na realidade, estão fortemente relacionadas à temperatura. Para capturar esse efeito, normalmente seria necessário um procedimento complexo de mapeamento entre ferramentas distintas. No Simcenter STAR-CCM+, é possível ativar o solver eletromagnético e integrá-lo ao loop de Operações de Simulação. Dessa forma, as perdas podem ser atualizadas com base na nova distribuição de temperatura à medida que o óleo se propaga e a temperatura evolui, tudo internamente no Simcenter STAR-CCM+. A distribuição assimétrica do óleo de arrefecimento é determinada pelo ângulo de enrolamento e pelo impacto resultante no arrefecimento (HTC). O alinhamento individual dos jatos de óleo externos é uma forma de resolver esse problema, uma tarefa que se torna muito mais fácil com a otimização. Agora, a simulação captura os efeitos combinados do problema. Na introdução, foi mencionado que o óleo deveria ser utilizado da forma mais eficiente possível para extrair o máximo desempenho do sistema de refrigeração. Com os resultados obtidos, é possível analisar o comportamento do sistema e alterar o número de jatos, sua localização, diâmetro e ângulo, a fim de otimizar a molhagem das bobinas e maximizar a transferência de calor. Com uma abordagem sem malha para a simulação de fluidos, esse tipo de alteração se torna muito mais simples de implementar e iterar. Também é possível utilizar o Simcenter HEEDS para realizar essas alterações automaticamente em um estudo e otimizar o comportamento de molhagem. Otimização da orientação do bocal para projetos selecionados, baseada em simulação SPH, visando obter molhabilidade otimizada. Fonte: InDesA Simulação SPH de ângulos de bico otimizados para máxima molhagem da superfície e eficiência de resfriamento. Fonte: InDesA A simulação deve ir além do óleo Embora o foco tenha sido direcionado aos motores elétricos, independentemente do motor que impulsiona o veículo, sua eficiência e desempenho confiável dependem do óleo. Garantir que o projeto forneça óleo suficiente aos locais corretos e em quantidade adequada para evitar falhas no sistema depende da simulação. A obtenção de previsões precisas requer solvers de fluxo e energia fortemente acoplados. Para que essas previsões sejam realizadas com rapidez suficiente para acompanhar o ciclo de projeto, são necessárias integração perfeita e recursos de otimização integrados. Quer aproveitar todo o potencial do Simcenter STAR-CCM+ para aprimorar a simulação térmica e otimizar o resfriamento de seus projetos? Agende uma reunião com a CAEXPERTS e conte com o apoio de nossos engenheiros para aplicar as melhores estratégias de simulação e otimização ao seu projeto. 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

O alto grau de automatização das ferramentas da SIEMENS DIGITAL INDUSTRIES garantem que, mesmo enquanto a equipe de engenharia descansa, sua empresa continua gerando valor, produtos e soluções inovadoras. Projeto estrutural, térmico, acústico, elétrico e o que mais for necessário. HEEDS; CAD e CAE Topológico. Otimização de Projetos Na otimização, pode-se buscar valores minimizando/maximizando uma função matemática através da escolha sistemática dos valores que permite o comparativo entre diversas configurações e um estudo detalhado dos modelos em diferentes físicas. Contate um Especialista Continue projetando, mesmo no contraturno Projeto estrutural, térmico, acústico, elétrico e o que mais for necessário O alto grau de automatização das ferramentas da SIEMENS DIGITAL INDUSTRIES garantem que, mesmo enquanto a equipe de engenharia descansa, sua empresa continua gerando valor, produtos e soluções inovadoras. Essa característica garante que o time de engenharia possa dedicar seu tempo aos processos de inovação e desenvolvimento de produtos, enquanto o software se encarrega de testar as soluções, entregando a melhor opção possível. Os softwares de otimização da Siemens Digital Industries têm a capacidade de lidar com diversas físicas em conjunto, integrando rotinas de cálculos já validadas pelas empresas com as aplicações CAE mais conhecidas do mercado. Isto permite a integração completa de todo o ciclo produtivo e de projeto, integrando as áreas de engenharia, sendo possível otimizar produtos e projetos com foco em redução de custo de matéria-prima, tempo produtivo, eficiência e robustez do produto. Tudo isso no mesmo software , de maneira integrada e automatizada. HEEDS Software especializado em otimização, capaz de avaliar dados de diversas fontes em busca das melhores alternativas de projeto usando parâmetros de CAD/CAE. ⇐ Voltar para Disciplinas

Webnar Projeto de Tanques Agitados Inscreva-se e tenha a chance de ganhar uma prova de conceito CAE gratuitamente! Quer aprender mais sobre Projeto de Tanques Agitados e ainda ter a chance de ganhar uma prova de conceito feita para os seu caso especifico?! No dia 27 de Agosto, terça-feira, às 19:30 apresentaremos nosso webinar sobre Projeto de Tanques Agitados , apresentando cases de simulações CAE e um workflow exclusivo do Simcenter STAR-CCM+ especialmente desenvolvido para este tipo de equipamento, e ainda daremos aos participantes interessados a chance de ganhar uma prova de conceito CAE personalizada! Para ter a chance de ter esta prova de conceito de forma gratuita siga a CAEXPERTS no LinkedIn, se cadastre aqui ao lado e, é claro, esteja conosco em nosso Webinar! Dia 27 de Agosto, ás 19:30 Inscreva-se! Nome Telefone Empresa Email Finalidade da prova de conceito Me inscrever Obrigado por enviar!

A CAEXPERTS cria um contexto de trabalho na área de engenharia cujo objetivo é integrar um multiverso de informações, começando desde as primeiras análises 1D e progredindo por diferentes estágios na parte de desenho, levantamento de requisitos e metodologias de abordagem nas áreas de simulação e engenharia preditiva. Programa de Especialização em CAE Destaque-se entre os engenheiros com nosso Programa de Especialização em CAE, desenvolvido para profissionais que buscam excelência através da simulação computacional, este programa oferece: Personalização: desde a seleção de temas até a conclusão do projeto. Tecnologia: acesso aos melhores softwares de CAE do mercado. Projetos Reais: experiência prática com desafios da indústria. Conhecimento: elaboração de artigos e procedimentos. Ideal para engenheiros e empresas focados em superar complexidades técnicas e inovar em suas áreas. Saiba mais e inscreva-se Digitalização da Engenharia A CAEXPERTS cria um contexto de trabalho na área de engenharia cujo objetivo é integrar um multiverso de informações, começando desde as primeiras análises 1D e progredindo por diferentes estágios na parte de desenho, levantamento de requisitos e metodologias de abordagem nas áreas de simulação e engenharia preditiva. Esse foco integral faz com que em todas as etapas de desenvolvimento não sejam esquecidos fatores que podem influenciar no ciclo de vida de produto, passando pelos processos de validação, manufatura e gestão integral para outras áreas da empresa. Além disso, garante-se, assim, o controle de elementos externos que interajam com o projeto que foi desenvolvido na engenharia. Ciclo de Engenharia No ciclo de desenvolvimento de engenharia, podem ser desenvolvidas melhorias em relação à durabilidade e à otimização dos processos de manufatura, chegando ao final do processo de elaboração com um desenho eficiente e que acorde com as necessidades de uso do produto. A CAEXPERTS , em parceria com a Siemens Digital Industries , possui tecnologias que permitem desenvolver produtos de alta sofisticação podendo ter uma integração multidisciplinar das áreas mecânica, elétrica e manufatura – as tecnologias da Siemens Digital Industries . Ciclo de Vida do Produto Gerenciamento de todos os processos, dados, arquivos, itens, custos, BOM, ciclos de desenvolvimento, relacionados ao desenvolvimento do produto pronto para a manufatura. Também estende os benefícios do PDM para apoiar todo o negócio ao longo do ciclo de vida do produto, com aplicativos para engenharia, manufatura, orçamentos, compras, fornecedores, clientes, vendas e serviços. Áreas de atuação Âncora 1 Âncora 2 ACÚSTICA COMPATIBILIDADE ELETROMAGNÉTICA PROJETO DE CIRCUITOS ELETRÔNICOS FLUIDODINÂMICA COMPUTACIONAL SISTEMAS TERMOFLUIDODINÂMICOS CABEAMENTO E CHICOTE ELÉTRICO MÁQUINAS ELÉTRICAS ANÁLISE ESTRUTURAL OTIMIZAÇÃO DE PROJETOS ENGENHARIA DE MATERIAIS MANUFATURA ADITIVA AUTOMAÇÃO