O futuro da aviação comercial e militar passará necessariamente pela inteligência artificial. Essa foi a tese central da palestra “Aerodinâmica inteligente: o futuro do projeto de aeronaves com machine learning”, apresentada pelo Engenheiro Mecânico Gustavo Luiz Olichevis Halila, Doutor em Engenharia Aeroespacial pela University of Michigan (EUA), no Instituto de Engenharia do Paraná (IEP) em 25 de novembro.
Organizado pelo IEP (por meio da Câmara Técnica de Processos e Tecnologia Mecânica) e pela Associação Paranaense dos Engenheiros Mecânicos (APEMEC-PR), o encontro reuniu profissionais para discutir como a tecnologia está quebrando o paradigma de desenvolvimento na Engenharia.
Na abertura, o Presidente do IEP, Eng. Eletricista Nelson Luiz Gomez, deu as boas-vindas e destacou a relevância do tema: “A palestra de hoje diz respeito à aerodinâmica inteligente, o futuro do projeto de aeronaves com machine learning, um assunto de vanguarda que é crucial para o desenvolvimento da engenharia nacional.” E, como faz tradicionalmente, apresentou os principais eventos da agenda do Instituto, mencionando o encerramento do Viniep (29/11), com visita e degustação na cave Colina de Pedra, em Piraquara; a 31ª Semana de Engenharia (1º a 6/12), que contará com uma série de palestras, visitas técnicas e workshops; o Seminário Nacional Sobre Segurança Na Natureza (9 e 10/12), e a segunda parte do evento “Mitos e Verdades sobre carros elétricos” (17/12), com a participação de advogados, seguradoras e fabricantes. O Presidente finalizou sua participação informando que o IEP entrará em férias coletivas a partir do dia 19 de dezembro, após um ano repleto de atividades.
Túnel de vento
Gustavo Halila iniciou a exposição descrevendo como a engenharia aeronáutica evoluiu das custosas ferramentas experimentais (como os túneis de vento) para as simulações numéricas de alta fidelidade (CFD). Historicamente, o foco do engenheiro aerodinamicista sempre foi a otimização: equilibrar a sustentação, que vence o peso, e a tração, que minimiza o arrasto (resistência ao movimento). Essa busca por eficiência é crucial, pois, como apontou o palestrante, “O maior potencial de ganho de eficiência reside no controle fino do escoamento, especialmente na superfície da aeronave, onde se deseja manter o escoamento laminar”.
As simulações numéricas já trouxeram grandes avanços, permitindo que o conhecimento sobre o produto fosse gerado nas fases digitais, reduzindo custos e tempo de projeto. Contudo, a otimização de uma nova aeronave, que envolve centenas de variáveis de design, ainda é um processo lento. “Uma única otimização pode levar dias ou até semanas rodando em supercomputadores. Esse tempo e custo são o grande obstáculo para um desenvolvimento de aeronaves mais rápido”.
Alavanca da eficiência
É neste gargalo que a Machine Learning (ML) surge como a próxima grande revolução. O palestrante explicou que a ideia é treinar redes neurais para substituir a simulação tradicional. Em vez de resolver as complexas equações da física de maneira repetitiva, a ML aprende a relação entre a geometria da aeronave e seu desempenho aerodinâmico.
Velocidade Inédita: “Uma análise que levaria horas no CFD tradicional pode ser executada em questão de segundos”, afirmou o engenheiro.
Otimização Inteligente: Ao ser treinada com dados de alta fidelidade, a ML se torna uma ferramenta preditiva, capaz de identificar automaticamente as formas ótimas que resultam no menor arrasto para a sustentação desejada.
O palestrante ressaltou que esse processo é a chave para a próxima geração de aeronaves, que buscará um benefício de dois dígitos (no mínimo 10%) em economia de combustível a cada novo modelo. “A ML pode ser treinada para aprender a dinâmica da transição do fluxo e acelerar drasticamente o ciclo de design da aeronave”.
Futuro com redes neurais
O avanço mais promissor para a aerodinâmica inteligente é a criação das Redes Neurais com Física Informada (PINNs). Gustavo Halila detalhou que as PINNs são modelos de ML que, durante o treinamento, recebem a injeção das próprias equações da física que governam o escoamento. Isso garante que as previsões da rede não sejam apenas rápidas, mas também fisicamente plausíveis e rigorosas.
“O simples fato de guiar o processo de maneira mais técnica, injetando as equações [da física], ajuda nesse processo e permite reproduzir o comportamento do escoamento de maneira muito mais realista”.
Essas técnicas são especialmente importantes quando os dados de treinamento são escassos. “A impressão que a gente tem é que esses modelos de machine learning, em especial aqueles aumentados por física, vão ser fundamentais no momento da próxima geração de aeronaves”, concluiu.
A perspectiva é que essa quebra de paradigma irá transformar tarefas que hoje levam semanas ou meses para serem concluídas em apenas alguns dias, garantindo que as ambições de alta eficiência e o controle de escoamento sejam alcançados de forma mais rápida e barata.
.
Assista ao evento completo abaixo ou no Canal do IEP no YouTube:
.
