Secondmind sobre validação de tecnologia avançada de motores

Métodos emergentes permitem que engenheiros visualizem a viabilidade e as restrições do projeto em alta dimensionalidade (Foto: Secondmind)

A complexidade dos sistemas de propulsão tem sido o preço que os fabricantes de equipamentos originais (OEMs) tiveram que pagar para reduzir as emissões de veículos comerciais e máquinas fora de estrada. Não se trata apenas dos filtros de partículas diesel (DPF), da recirculação de gases de escape (EGR), da redução catalítica seletiva (SCR) e dos sistemas de turbocompressão cada vez mais sofisticados. O verdadeiro desafio reside na forma como esses sistemas interagem, o que multiplica exponencialmente o trabalho de projeto e calibração.

Embora as pressões regulatórias tenham diminuído temporariamente, a agenda técnica está longe de estar concluída. Para atingir essas metas, ainda há espaço para equilibrar emissões e consumo de combustível com potência e torque. Por exemplo, a redução do tamanho dos motores ainda pode ajudar a resolver esses problemas, impactando positivamente o custo, o tamanho e o peso das máquinas, desde que a potência possa ser fornecida de forma confiável em condições reais de operação.

Nick Appleyard, Secondmind

Ao mesmo tempo, os fabricantes de equipamentos originais (OEMs) enfrentam uma demanda crescente por múltiplas variantes de sistemas de propulsão, adaptadas a mercados, aplicações e ciclos de trabalho específicos. À medida que a complexidade do sistema aumenta, projetar, validar e dar suporte a essas variantes torna-se mais problemático.

Ainda assim, o setor de energia elétrica apresentou progressos notáveis – os poluentes regulamentados foram reduzidos em mais de 95%, enquanto a densidade de energia registrou aumentos expressivos. Mas isso não ocorre sem consequências.

Os problemas resultantes, incluindo válvulas EGR submetidas a estresse térmico, depósitos de amônia em sistemas SCR ou falhas na regeneração do DPF, apontam para dificuldades no gerenciamento de múltiplos parâmetros. Esses problemas são frequentemente enquadrados como riscos intrínsecos à confiabilidade, mas, mais comumente, podem ser atribuídos a decisões de projeto e calibração tomadas sob severas restrições de tempo e recursos.

O poder e os limites da simulação

O projeto orientado por simulação tornou-se prática comum entre os fabricantes de motores e suas cadeias de suprimentos. A dinâmica dos fluidos computacional (CFD), a análise de elementos finitos (FEA) e os modelos de sistema fundamentam o projeto e a validação muito antes da existência do hardware físico. Essa abordagem de engenharia baseada em modelos permite iterações mais rápidas, custos de desenvolvimento mais baixos e tomadas de decisão mais bem fundamentadas do que os métodos tradicionais de teste em primeiro lugar jamais permitiram.

No entanto, poucas organizações de engenharia se sentem menos limitadas. Quaisquer ganhos obtidos com o desenvolvimento virtual mais rápido são rapidamente reinvestidos em metas de desempenho mais elevadas, margens de emissões mais rigorosas e envelopes operacionais mais amplos. A capacidade de simulação não cria folga; simplesmente aumenta as expectativas.

A simulação também está longe de ser barata. Uma única execução consome recursos computacionais caros e tempo de engenheiros especializados, enquanto as licenças de software podem custar dezenas de milhares de dólares por usuário. Simulações individuais podem levar horas e um único estudo de projeto pode exigir centenas de execuções. Nesse contexto, a vantagem não está em executar mais simulações, mas em decidir quais delas são realmente importantes.

Quando a intuição humana atinge seus limites.

Engenheiros mecânicos e de desempenho experientes conseguem analisar múltiplos parâmetros que interagem entre si, muitas vezes lidando com cinco ou seis variáveis com confiança e intuição. Mas os mais recentes sistemas de propulsão de baixa emissão operam muito além dessa zona de conforto, com dezenas de variáveis fortemente interligadas influenciando o comportamento simultaneamente. Muitas dessas relações são não lineares, o que torna particularmente difícil assimilá-las sem auxílio.

Inteligência artificial de nível técnico oferece aos engenheiros informações sobre combinações de parâmetros viáveis (Foto: Secondmind)

A combustão oferece um exemplo claro. As escolhas geométricas em torno de válvulas, câmaras de combustão dos pistões, bicos injetores, diâmetro e curso dos pistões, taxa de compressão e turbulência interagem com parâmetros de controle como tempo de injeção, pressão, variação da taxa de injeção e estratégias de injeção múltipla. Cada parâmetro é importante, mas seus efeitos combinados raramente são intuitivos.

As soluções ótimas são frequentemente contraintuitivas. Uma analogia útil vem do ciclismo profissional, onde, durante décadas, as equipes presumiram que pneus mais estreitos com pressões mais altas minimizavam a resistência ao rolamento. Essa estratégia aparentemente otimizada dominou o pensamento por mais de quarenta anos e foi somente após cuidadosa experimentação que os analistas descobriram que pneus mais largos com pressões mais baixas eram frequentemente mais rápidos em condições reais. A verdadeira solução ótima estava bem diante dos nossos olhos.

Não se trata de uma questão de habilidade ou experiência. O treinamento em engenharia, com toda razão, ensina a simplificação como uma técnica de sobrevivência. Mas quando os sistemas se tornam verdadeiramente multidimensionais, esse hábito pode restringir o campo de atuação prematuramente, deixando soluções viáveis por descobrir simplesmente por estarem fora do território familiar.

Aprendizado de máquina de nível de engenharia

A atenção recente dada à inteligência artificial, particularmente aos grandes modelos de linguagem, despertou tanto entusiasmo quanto ansiedade nas comunidades de engenharia. Uma preocupação comum é se as ferramentas de IA poderão substituir profissionais qualificados. No contexto do desenvolvimento de sistemas de propulsão, essa preocupação não vem ao caso.

Desenvolvimento de calibrações robustas para motores complexos no menor tempo possível em bancada de testes (Foto: Secondmind)

A Secondmind é uma empresa que desenvolve aprendizado de máquina especificamente para aplicações de engenharia, em vez de adaptar ferramentas de IA de propósito geral. Os métodos são probabilísticos, não generativos, e são projetados para situações em que os dados são escassos, caros e demorados de produzir. Esse trabalho tem origem em pesquisas da Universidade de Cambridge, lideradas pelo Professor Carl Rasmussen, que também é o diretor científico da Secondmind, com foco na tomada de decisões em situações de incerteza, em vez de previsões em larga escala.

O objetivo não é automatizar o julgamento de engenharia. É expor mais do problema do que o tempo e o orçamento permitiriam de outra forma. O aprendizado de máquina prioriza onde o esforço de simulação deve ser investido e onde a incerteza permanece alta. Os engenheiros, então, decidem como responder. O valor reside nessa divisão de trabalho: computação para revelar opções, experiência para escolher entre elas.

Manter as opções em aberto por mais tempo

Em vez de se comprometerem precocemente com uma direção de projeto restrita, a tecnologia permite que os engenheiros mantenham várias opções viáveis em aberto por mais tempo. Isso significa que as compensações podem ser avaliadas explicitamente, em vez de serem definidas por suposições iniciais que posteriormente se mostram difíceis de desfazer. Ao construir uma visão mais ampla das soluções aceitáveis e dos limites que as definem, as equipes obtêm uma visão mais honesta tanto das oportunidades quanto dos riscos.

Fundamentalmente, a incerteza deixa de estar oculta. As áreas onde o conhecimento é escasso tornam-se visíveis, permitindo uma investigação direcionada em vez de uma abordagem generalizada. Isto resulta em projetos mais robustos e menos surpresas quando o hardware é finalmente construído.

A economia da simulação mais inteligente

Para gerentes de engenharia sob constante pressão orçamentária, a velocidade do solucionador é apenas parte da equação. Um impacto maior advém da seleção criteriosa de onde o esforço de simulação é aplicado. Ao identificar regiões de alta incerteza e direcionar esses esforços para as áreas afetadas, o aprendizado de máquina probabilístico guia cada novo lote de simulações para fornecer o máximo de informações.

Essa abordagem direcionada demonstrou reduzir o número de simulações necessárias em cerca de 80%, ao mesmo tempo que aumenta a confiabilidade dos resultados. Os benefícios não se limitam à redução dos custos computacionais, mas também incluem uma mudança na forma como o tempo de engenharia é empregado: deixando de ser dedicado à execução repetitiva e passando a ser voltado para a interpretação e a tomada de decisões. Os ciclos de desenvolvimento se tornam mais curtos, a colaboração melhora e a necessidade de retrabalho em estágios avançados diminui.

Projeto e calibração

A mesma complexidade subjacente acompanha o programa desde as fases iniciais de projeto até a bancada de testes. Na calibração, os engenheiros devem gerar mapas de controle que equilibrem o tempo de injeção, a pressão do rail, o gerenciamento do fluxo de ar e o desempenho das emissões em toda a faixa de operação. Mais uma vez, a questão é a escala: muito mais combinações do que qualquer engenheiro pode avaliar de forma razoável sem auxílio.

Aplicar as mesmas técnicas probabilísticas de aprendizado de máquina à calibração permite que as equipes reduzam o tempo de teste em bancada, o consumo de combustível e os ciclos de iteração, ao mesmo tempo que aumentam a confiança de que regiões críticas de operação não foram negligenciadas. O que parece gerenciável em um quadro branco rapidamente se torna complexo quando se trata de faixas de operação reais.

Uma mudança na cultura da engenharia

O resultado não é a eliminação da intuição, mas sim o seu reforço. As decisões passam de defensáveis a demonstráveis, enquanto a simulação deixa de ser um gargalo necessário para se tornar uma fonte de vantagem competitiva. Os engenheiros mantêm a responsabilidade pelas decisões, mas com uma compreensão mais clara das compensações, dos riscos e das oportunidades.

À medida que os sistemas de propulsão se tornam cada vez mais complexos, essa mudança se torna crucial. Padrões de emissões, combustíveis alternativos, hibridização e eletrificação elevam ainda mais o nível de exigência. Organizações capazes de explorar amplamente, tomar decisões com segurança e gerenciar a complexidade de forma eficaz avançarão mais rapidamente e com menos erros do que aquelas que ainda dependem apenas de exploração restrita e intuição conquistada com muito esforço.

Este artigo foi escrito por Nick Appleyard, gerente da Secondmind nos EUA. Ele também atua como diretor executivo da iniciativa NAFEMS ASSESS, que reúne indústria, governo e academia para ampliar o impacto da simulação na engenharia digital e no desenvolvimento de produtos.