Reutilizar dados de simulação quando os requisitos mudam.

(Gráfico: Secondmind)

Imagine a reunião: uma revisão de fadiga acaba de chegar à mesa da equipe de powertrain. O limite de tensão estrutural de um novo componente diminuiu em relação ao que era quando a campanha de otimização começou: novos dados de fadiga mostram uma vida útil segura menor do que a prevista no projeto original. Cinco mil simulações, uma curva de compensação adequada e um projeto que a equipe estava pronta para seguir em frente — mas agora nada disso se aplica.

Só existe uma maneira de entender o que é possível alcançar com o novo limite: executar toda a campanha novamente.

Ninguém fez nada de errado. Mudanças como essa são normais em qualquer programa: uma meta de eficiência muda quando o programa é redefinido para um novo mercado, um ciclo de trabalho é redefinido quando um segmento de clientes é melhor compreendido, ou um componente que parecia funcionar bem isoladamente acaba entrando em conflito com algo anterior. O otimizador fez exatamente o que foi solicitado — mas meses de simulação foram gastos respondendo a uma pergunta que não é mais relevante.

A abordagem convencional tem dificuldades com um alvo em movimento.

As ferramentas de otimização não são o ponto fraco aqui — são algoritmos bem estabelecidos, integrados ao software de todos os principais fornecedores de CAE. Dado um problema específico — um conjunto de requisitos e um orçamento de simulações — elas buscarão com eficiência o melhor projeto que o satisfaça. O desafio é que a questão em análise raramente permanece a mesma.

Definir os requisitos faz parte do trabalho de engenharia, sendo negociado e revisado à medida que o programa avança. Com um otimizador convencional, cada execução pressupõe que os requisitos estejam definidos e, quando ocorre uma alteração, não há como perguntar à campanha existente: "O que essa mudança significa?".

A única opção é formular a nova questão do zero, o que acarreta um custo significativo em tempo e orçamento de simulação.

Há outro impacto, mais difícil de perceber do que as simulações desperdiçadas. Na revisão do projeto — onde a equipe avalia se o novo limite é realmente fixo ou se um compromisso é viável — os resultados da otimização não abordam a questão em discussão. Eles se referem apenas ao requisito existente no momento da configuração da campanha. Os engenheiros ainda tomam a decisão, mas devem basear-se unicamente na experiência e em precedentes, pois produzir as evidências para sustentar essa decisão exigiria outra campanha completa.

O que muda se o modelo for reutilizável, e não descartável?

Durante a conferência NAFEMS UK 2026, um evento para a comunidade de simulação de engenharia organizado pela NAFEMS, a Associação Internacional para a Comunidade de Modelagem, Análise e Simulação de Engenharia, a Secondmind apresentou um teste de benchmark que mostrou como uma mudança de requisito no meio de uma campanha poderia ser tratada de forma diferente: comparamos um otimizador convencional com uma exploração construída de forma que a mudança de requisito se tornasse uma nova pergunta feita ao mesmo modelo, em vez de uma campanha totalmente nova.

O estudo de caso analisou um problema de projeto de motor elétrico – seis variáveis geométricas, cinco limites de desempenho (torque, tensão, perda no ferro, eficiência e ondulação de torque) – o mesmo tipo de problema de parâmetros interativos que os fabricantes de veículos comerciais e fora de estrada estão cada vez mais enfrentando na transição para sistemas de propulsão híbridos e eletrificados.

O programa começou com um limite de tensão inicial de 250 MPa, passando em seguida por três alterações de requisitos: uma revisão de fadiga que reduziu o limite de tensão para 150 MPa, um compromisso negociado em 200 MPa e uma revisão térmica que limitou a perda de ferro a 2.100 W — uma sequência semelhante à que qualquer programa real pode encontrar à medida que as revisões multidisciplinares progridem. Para manter a comparabilidade repetível, ambas as abordagens foram executadas com a mesma simulação rápida e validada do solucionador de elementos finitos do motor, construída a partir de cerca de 18.000 simulações JMAG.

Executando da maneira convencional, cada uma dessas quatro etapas significava uma nova campanha de otimização - um plano de simulação fixo, assumido e executado integralmente: 5.000 execuções para estabelecer a curva de compromisso inicial, outras 5.000 quando o limite de tensão se tornava mais restrito, mais algumas para renegociar um compromisso e outras ainda quando o limite térmico era atingido - 20.000 execuções de simulação no total para chegar a um resultado final de 207,5 Nm.

A abordagem alternativa que demonstramos construiu um modelo substituto do espaço de projeto. Em vez de se comprometer com um plano de simulação fixo antecipadamente, como faz o planejamento de experimentos (DoE) convencional, ela parte de um pequeno conjunto inicial — o suficiente para dar ao modelo uma primeira ideia geral — e, a partir daí, a amostragem torna-se adaptativa: após cada pequeno lote de simulações, o modelo usa sua própria incerteza para escolher as próximas, equilibrando regiões pouco compreendidas do espaço de projeto com regiões que provavelmente atendem aos requisitos, em vez de trabalhar com uma lista de pontos pré-planejada. Esse direcionamento é o que mantém o número total de simulações baixo — uma fração do que uma campanha convencional exigiria. Fundamentalmente, o modelo também mostra onde há incerteza, em vez de fornecer uma resposta errada com certeza, de modo que as lacunas em seu conhecimento permaneçam visíveis em vez de ocultas.

O resultado não é um único ponto ideal, mas sim um mapa do que é possível alcançar e onde se encontram os limites de viabilidade. Uma vez criado esse mapa, ele pode ser consultado novamente sem custo adicional de simulação. Reduza o limite de tensão e a região viável colapsa visivelmente; aumente-o novamente e um compromisso reaparece.

A cada mudança de requisito, o engenheiro pode obter uma resposta imediata do modelo existente ou investir em simulações adicionais direcionadas para aprimorá-lo. Ao longo das mesmas quatro etapas, a resposta obtida apenas com o modelo alcançou 196,5 Nm, com um total de 448 simulações. A adição de simulações adicionais direcionadas resultou em 206,9 Nm — contra 207,5 Nm do método convencional — com um total de 668 simulações: aproximadamente trinta vezes menos que 20.000, para um resultado com uma diferença de apenas meio por cento. Em ambos os casos, os projetos relatados foram confirmados pelo simulador.

Onde as mudanças são mais caras: conceito inicial

Acreditamos que essa abordagem exploratória agrega valor em todas as etapas de um programa, mas tem o maior impacto nos estágios iniciais de projeto, quando os requisitos geralmente estão menos definidos. Metas regulatórias em diferentes mercados, metas de custo do programa, decisões sobre a plataforma: tudo isso e muito mais ainda está sendo definido no momento em que um conceito precisa ser escolhido.

As decisões tomadas na fase de conceito são as mais caras de se errar — elas representam aproximadamente três quartos do custo final de um programa — e, no entanto, são as que têm menos dados de simulação disponíveis. Um modelo capaz de absorver uma mudança de requisitos, em vez de forçar um recomeço, é extremamente valioso quando as consequências de uma decisão errada são tão graves.

Uma montadora enfrentou exatamente esse problema na fase de conceito, quando seus engenheiros precisavam definir o formato de um painel da carroceria em relação às metas de ruído e vibração. Cinco variáveis de projeto interagindo entre si tornavam impossível determinar uma faixa segura apenas com base no julgamento da engenharia, com apenas algumas centenas de resultados de simulação disponíveis. A modelagem da relação entre geometria e frequência natural mostrou diretamente que o raio de curvatura, e não o tamanho do painel, era o fator determinante do resultado – uma relação que permitiria que uma revisão de projeto incorporasse uma mudança posterior nos requisitos de forma direta, sem a necessidade de mais simulações. O resultado foi uma faixa de formato defensável, definida antes mesmo da produção das ferramentas, eliminando uma fonte de retrabalho que, de outra forma, só surgiria quando o problema se tornasse caro de corrigir.

A mesma lógica se aplica à triagem de configurações candidatas em relação a metas regulatórias em vários mercados: as combinações podem ser aprovadas ou descartadas logo no início e, se uma meta mudar durante a triagem, essas decisões podem ser verificadas novamente diretamente, em vez de serem executadas novamente.

Resolvendo um problema em um programa que está em constante mudança.

Nada disso altera a física. O modelo aprende com as mesmas simulações de CFD, FEA ou em nível de sistema que uma campanha convencional usaria — a diferença está na quantidade de simulações necessárias e no que acontece com os resultados depois. Uma campanha convencional é projetada como um evento único: ela produz uma resposta e o fluxo de trabalho não tem como revisitá-la. Uma mudança nos requisitos significa iniciar uma nova campanha do zero, não retornar à existente. Um modelo construído para ser reutilizável mantém os mesmos dados de simulação funcionando mesmo quando um requisito muda.

A verdadeira lacuna apontada por este benchmark reside no próprio fluxo de trabalho. A otimização convencional pressupõe que os requisitos sejam definidos antes do início do trabalho e permaneçam assim. Programas reais não funcionam dessa maneira — os requisitos são negociados, testados e revisados ao longo de todo o processo. Os engenheiros já realizam essa negociação, uma revisão de projeto por vez; um modelo reutilizável simplesmente lhes fornece evidências para apresentar nesse processo. Portanto, quando um requisito muda — e em todo programa real isso acontecerá —, já existe uma resposta disponível, em vez de mais uma discussão se interpondo entre o engenheiro e a decisão.

Sobre o autor: Qi Qi é líder da equipe de Machine Learning e Ciência de Dados da Secondmind Ltd., com sede no Reino Unido. Antes de ingressar na Secondmind, Qi trabalhou por quase uma década na Rolls-Royce, atuando nas áreas de design, otimização e automação. A Secondmind fornece o software Design Space Exploration utilizado neste benchmark. Ele já está em uso por OEMs e fornecedores de primeiro nível.