Toward Generalizable Graph Learning for 3D Engineering AI: Explainable Workflows for CAE Mode Shape Classification and CFD Field Prediction

Resumen Técnico: Aprendizaje Gráfico Generalizable para IA en Ingeniería 3D

1. Planteamiento del Problema

El desarrollo de productos automotrices depende cada vez más de datos heterogéneos 3D (modelos de Elementos Finitos - FE, representaciones de carrocería en blanco - BiW, geometrías CAD y mallas de Dinámica de Fluidos Computacional - CFD). A pesar del potencial de la Inteligencia Artificial (IA) para acelerar estos ciclos, los métodos actuales presentan limitaciones críticas:

• Especificidad de tareas: Los modelos suelen estar diseñados para un único conjunto de datos o tarea, dificultando su reutilización entre diferentes etapas de desarrollo o variantes de vehículos.
• Falta de interpretabilidad: Los modelos de "caja negra" no ofrecen explicaciones que se alineen con la intuición física de los ingenieros, lo que reduce la confianza en la toma de decisiones.
• Escasez de datos: En entornos industriales, los datos etiquetados son costosos y escasos, especialmente para nuevas variantes de vehículos.
• Fragmentación de activos: La información está dispersa en diferentes herramientas y formatos, lo que dificulta crear flujos de trabajo de IA consistentes.

El objetivo del artículo es cerrar esta brecha mediante un marco de trabajo de aprendizaje gráfico que transforme activos de ingeniería heterogéneos en representaciones de grafos conscientes de la física, permitiendo clasificación y predicción explicables y reutilizables.

2. Metodología

El marco propuesto se basa en la formulación de problemas de aprendizaje en grafos conscientes de la física ($G = (V, E, X, R)$), donde los nodos y aristas representan regiones físicas y sus relaciones, en lugar de índices de malla crudos.

Componentes Clave del Marco:

• Representación de Grafos:
  • Los nodos representan regiones estructurales (en CAE) o muestras de superficie (en CFD).
  • Las aristas codifican relaciones físicas significativas: adyacencia, acoplamiento de carga, simetría y conectividad.
  • Se utiliza una agregación semántica (pooling) que respeta la jerarquía de las regiones de ingeniería, no solo la topología de la malla.
• Arquitectura de Redes Neuronales de Grafos (GNN):
  • Se emplean codificadores GNN con mecanismos de atención para aprender incrustaciones latentes mediante paso de mensajes.
  • El diseño es flexible: soporta tanto clasificación (nivel de grafo) como regresión (nivel de nodo).
• Enfoque Explicativo y de Generación de Datos:
  • La explicabilidad se logra mapeando las atribuciones del modelo directamente a regiones de ingeniería reconocibles (ej. pilares, techos, zonas de estancamiento).
  • La incertidumbre del modelo se utiliza para guiar la generación de datos, indicando a los ingenieros qué nuevas simulaciones o etiquetas serían más valiosas para mejorar el modelo.

3. Casos de Uso Validados

El marco se validó en dos aplicaciones automotrices distintas:

A. Clasificación de Modos de Vibración (CAE)

• Objetivo: Clasificar automáticamente las formas modales de vibración de la carrocería (torsión, flexión, bombeo, modos locales) bajo escasez de etiquetas.
• Enfoque: Se construyó un grafo de BiW consciente de la región a partir de modelos FE. Los nodos corresponden a regiones estructurales canónicas (rieles, pilares, techo, suelo).
• Innovación: Uso de un clasificador jerárquico que predice la familia del modo (Nivel 1) y el subtipo (Nivel 2), combinando incrustaciones aprendidas con descriptores analíticos derivados de la respuesta regional.
• Desafío: Transferencia entre diferentes programas de vehículos con muy pocas etiquetas en los vehículos objetivo (few-shot learning).

B. Predicción de Campos Aerodinámicos (CFD)

• Objetivo: Predecir campos densos de presión y esfuerzo cortante en la pared (WSS) para variantes de formas de carrocería.
• Enfoque: Se utiliza un grafo de superficie derivado de mallas CFD.
• Preprocesamiento: Se aplica un muestreo descendente (downsampling) que preserva la simetría, reduciendo la malla de ~375k a ~15k nodos manteniendo la estructura bilateral crucial para el flujo externo.
• Aprendizaje Informado por Física: La función de pérdida incluye regularizadores físicos (consistencia de Bernoulli, conservación de masa, tangencia del WSS) además de la fidelidad de los datos.

4. Resultados Principales

Para CAE (Clasificación de Modos):

• Rendimiento: El modelo entrenado con datos de múltiples vehículos logró una precisión del 100% en Nivel 1 y 98.7% en Nivel 2 en un conjunto de prueba de vehículos no vistos, superando significativamente a los modelos entrenados solo en un vehículo de referencia.
• Transferencia: Demostró una capacidad robusta de transferencia entre diferentes arquitecturas de BiW y entre datos de simulación y datos de prueba (con menos nodos de sensores), gracias a la representación basada en regiones físicas.
• Explicabilidad: Las visualizaciones de atención mostraron que el modelo identificaba correctamente las regiones estructurales responsables de cada modo (ej. acoplamientos pilar-sill para torsión), alineándose con la intuición de los ingenieros NVH.

Para CFD (Predicción de Campo):

• Precisión: El modelo "informado por física" alcanzó un coeficiente de determinación ($R^2$) de 0.989 para la presión y 0.985 para el WSS, superando a los baselines de solo datos (mejora de 6.6 y 10.6 puntos en $R^2$ respectivamente).
• Eficiencia: El muestreo simétrico permitió mantener una precisión comparable a la malla completa con una reducción drástica de costos computacionales. La inferencia se realiza en ~57 ms por muestra en GPU.
• Generalización: El modelo generalizó bien entre diferentes configuraciones de carrocería (Estateback, Fastback, Notchback) dentro del dominio validado.

5. Contribuciones Clave

1. Flujos de trabajo basados en grafos: Un marco unificado para activos 3D heterogéneos (BiW, CFD, extensible a CAD) que prioriza la estructura física sobre la topología de malla cruda.
2. Grafos de BiW conscientes de la región: Una arquitectura que permite la clasificación de modos explicables y transferible bajo escasez extrema de etiquetas mediante agregación jerárquica.
3. Surrogados aerodinámicos informados por física: Un modelo que integra restricciones físicas en el entrenamiento para mejorar la precisión y la generalización en la predicción de campos de flujo.
4. Guía de generación de datos: Un enfoque práctico donde la explicabilidad y el análisis de incertidumbre se utilizan para priorizar qué simulaciones adicionales son más valiosas, cerrando el ciclo entre la IA y la práctica de ingeniería.

6. Significado e Impacto

Este trabajo representa un paso significativo hacia una IA de ingeniería confiable y reutilizable. A diferencia de los modelos de "fundación" universales que a menudo carecen de contexto de dominio, este enfoque demuestra que:

• Es posible construir modelos que funcionen a través de diferentes variantes de vehículos y etapas de desarrollo.
• La interpretabilidad no es un añadido, sino un requisito fundamental para la adopción industrial, permitiendo a los ingenieros auditar y confiar en las predicciones.
• La integración de conocimiento físico en la estructura del grafo y en la función de pérdida es crucial para el rendimiento en entornos con datos limitados.

El marco propuesto reduce la dependencia de expertos para tareas repetitivas (como la clasificación manual de modos) y acelera la exploración de diseños aerodinámicos, ofreciendo un flujo de trabajo práctico que conecta la inferencia basada en datos con el razonamiento físico.