Modelos substitutos baseados em IA aceleram simulações de fabricação de compostos em tempo real

Fonte | IMDEA

Uma pesquisa publicada recentemente pelo IMDEA Materials Institute (Madrid, Espanha) e pela Universidade Técnica de Madrid (UPM) visa aprimorar os recursos de simulação em tempo real para processos de fabricação de compósitos.

O estudo, “Um modelo substituto profundo para simulações de preenchimento em moldagem de compósito líquido em grades 3D não estruturadas”, é de coautoria do Prof. Carlos González, Dr. Davide Mocerino e da pesquisadora de pré-doutorado Sofia Fernández León da IMDEA Materials, e dos Profs. Roberto Valle Fernández e Luis Baumela.

Conteúdo em destaque

Os pesquisadores afirmam que sua pesquisa aborda as principais limitações dos atuais modelos substitutos de aprendizado profundo para simular o fluxo de fluidos em processos de fabricação de compósitos, e os resultados destacam o potencial das abordagens baseadas em dados para aumentar a eficiência, adaptabilidade e resiliência em processos de fabricação avançados.

Segundo os pesquisadores, as simulações de moldagem de compósito líquido (LCM) são essenciais para otimizar os processos de fabricação e reduzir defeitos como a formação de vazios. No entanto, o seu elevado custo computacional tem tradicionalmente limitado a sua utilização em aplicações de tempo real. Esta pesquisa aborda esse desafio introduzindo uma estrutura de modelagem substituta baseada em aprendizagem profunda, capaz de fornecer previsões precisas em milissegundos, abrindo novas possibilidades para gêmeos digitais e controle adaptativo de processos.

“Uma inovação importante aqui reside em superar um dos principais gargalos neste campo, alcançando eficiência computacional, alta precisão e robustez nas malhas irregulares e não estruturadas comumente encontradas em ambientes industriais”, explica Fernández León. “Esses requisitos raramente são satisfeitos simultaneamente pelas abordagens de redes neurais existentes.”

Os pesquisadores também introduziram uma arquitetura codificadora-decodificadora multi-ramificada para modelar geometrias complexas, como longarinas em forma de T, dividindo-as em regiões planares e garantindo consistência entre interfaces.

Paralelamente, “a técnica de mapeamento de grade proposta permite o uso de redes neurais convolucionais em domínios 3D não estruturados, preservando a precisão e estendendo a aplicabilidade a cenários de fabricação realistas”, acrescenta Fernández León.

Diz-se que os modelos substitutos resultantes demonstram forte concordância com simulações de alta fidelidade e dados experimentais, ao mesmo tempo que alcançam acelerações de quatro a cinco ordens de magnitude em comparação com métodos convencionais. Esse nível de desempenho visa permitir a implantação em tempo real em ambientes de fabricação digital, apoiando processos de produção compostos mais eficientes, adaptáveis ​​e resilientes.

“Este estudo destaca o potencial transformador da combinação da produção avançada com a inteligência artificial, abrindo caminho para sistemas de produção totalmente integrados e orientados por dados”, afirma Fernández León.