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

Título: Rumo a uma Aprendizagem de Grafos Generalizável para IA de Engenharia 3D: Fluxos de Trabalho Explicáveis para Classificação de Modos de Forma CAE e Predição de Campos CFD

1. Problema e Motivação

O desenvolvimento automotivo moderno depende intensamente de simulações computacionais (CAE para estruturas e CFD para aerodinâmica). No entanto, as equipes de engenharia enfrentam desafios críticos:

• Dados Heterogêneos: Os ativos de engenharia (modelos de Elementos Finitos - FE, geometrias CAD, malhas CFD) são distribuídos em diferentes ferramentas e formatos, dificultando a reutilização de dados históricos.
• Limitações de IA Atual: Muitos métodos de IA existentes são específicos para tarefas, difíceis de interpretar (caixas-pretas) e não generalizam bem entre diferentes variantes de veículos ou estágios de desenvolvimento.
• Escassez de Rótulos: A obtenção de dados rotulados por especialistas é cara e demorada, limitando o treinamento de modelos supervisionados robustos.
• Necessidade de Explicabilidade: Engenheiros precisam confiar nos modelos, entendendo por que uma previsão foi feita e quais regiões físicas (estruturais ou de fluxo) influenciaram o resultado, não apenas a precisão numérica.

2. Metodologia Proposta

O artigo apresenta um framework de aprendizagem baseado em grafos que transforma ativos de engenharia 3D heterogêneos em representações de grafos "conscientes da física". A abordagem não busca um único modelo universal pré-treinado, mas sim uma estratégia comum de representação e princípios de IA alinhados à engenharia.

Principais Componentes do Framework:

• Formulação de Grafos: Cada amostra de engenharia é representada como um grafo $G = (V, E, X, R)$, onde:
  • Nós ($V$): Representam regiões estruturais (no CAE) ou amostras de superfície (no CFD).
  • Arestas ($E$): Codificam relações físicas significativas (adjacência, acoplamento de caminhos de carga, simetria, vizinhança local).
  • Atributos ($X, R$): Incluem dados físicos agregados (deslocamentos, pressões, tensões) e características geométricas.
• Arquitetura: Utilização de Redes Neurais em Grafos (GNNs) com mecanismos de atenção e passagem de mensagens para aprender embeddings latentes que capturam tanto descritores locais quanto interações de alto nível.
• Integração de Conhecimento de Domínio: O conhecimento de engenharia é embutido na construção do grafo, na definição de características e no design de pooling, garantindo que a representação seja interpretável e transferível.

Casos de Uso Validados:

1. Classificação de Modos de Vibração (CAE):

   • Objetivo: Classificar modos de vibração da carroceria (BiW) em categorias como torção, flexão, bombeamento e modos locais.
   • Abordagem: Criação de um grafo de "esqueleto" canônico baseado em regiões estruturais (ex: vigas, pilares, teto). Utiliza-se um mecanismo de pooling sensível a regiões e descritores analíticos para lidar com a escassez de rótulos.
   • Desafio: Transferência entre diferentes veículos e variantes de malha com poucos dados rotulados.

2. Predição de Campo Aerodinâmico (CFD):

   • Objetivo: Prever campos de pressão e tensão de cisalhamento na parede (WSS) em superfícies de veículos.
   • Abordagem: Uso de grafos de superfície derivados de malhas CFD, com downsampling que preserva a simetria bilateral. O modelo é um "surrogato" (substituto) físico-informado, utilizando regularização baseada em leis físicas (conservação de massa, tangência do WSS) além da perda de dados.
   • Desafio: Reduzir o custo computacional de simulações de alta fidelidade mantendo a precisão.

3. Contribuições Principais

1. Fluxos de Trabalho Baseados em Grafos para Ativos 3D: Uma metodologia unificada para transformar dados FE e CFD em grafos interpretáveis, extensível a CAD e corpos recortados.
2. Grafos Sensíveis a Regiões (CAE): Uma arquitetura hierárquica que permite classificação explicável de modos de forma, superando a escassez de rótulos através da transferência entre veículos usando uma decomposição estrutural canônica.
3. Surrogatos Aerodinâmicos Físico-Informados (CFD): Um modelo eficiente para predição de campos que utiliza downsampling simétrico e regularização física para manter alta fidelidade com custo computacional reduzido.
4. Perspectiva Integrada de Fluxo de Trabalho: O framework utiliza explicabilidade e análise de incerteza para guiar a geração de dados, indicando onde novas simulações ou rótulos seriam mais valiosos para melhorar o modelo.

4. Resultados

• Desempenho em CAE (Classificação de Modos):
  • Um modelo treinado apenas em um veículo de referência atingiu 100% de precisão no mesmo veículo, mas falhou em outros.
  • Ao adicionar apenas 16 rótulos de três outros veículos (cenário de few-shot), o modelo multi-veículo alcançou 100% de precisão no nível 1 e 98,7% no nível 2 em um conjunto de teste multi-veículo.
  • A abordagem demonstrou transferência robusta entre simulação e dados de teste, mesmo com diferentes densidades de malha.
• Desempenho em CFD (Predição de Campo):
  • O modelo físico-informado alcançou um coeficiente de determinação ($R^2$) de 0,989 para pressão e 0,985 para tensão de cisalhamento (WSS).
  • Superou significativamente modelos baseados apenas em dados (melhoria de 6,6 pontos em $R^2$ para pressão e 10,6 para WSS).
  • O downsampling simétrico (reduzindo de 375k para 15k nós) manteve a precisão quase equivalente à malha completa, com inferência de 57 ms por amostra em GPU.
• Explicabilidade: Ambos os casos permitiram mapear as previsões de volta para regiões físicas reconhecíveis (ex: pilares para torção, região frontal para estagnação de pressão), validando a intuição de engenharia.

5. Significância e Conclusão

Este trabalho demonstra que a aprendizagem baseada em grafos pode servir como uma base coerente para IA de engenharia, equilibrando precisão, generalização e interpretabilidade.

• Valor Industrial: O framework reduz a dependência de grandes volumes de dados rotulados, permitindo o uso de dados históricos e a transferência de conhecimento entre projetos de veículos.
• Confiança: Ao fornecer explicações baseadas em entidades físicas e guiar a geração de dados através de incerteza, o sistema se torna uma ferramenta de suporte à decisão confiável, não apenas um classificador ou preditor.
• Futuro: O estudo estabelece um paradigma reutilizável para tarefas de CAE e CFD, sugerindo que a generalização em engenharia depende mais da representação inteligente dos dados (grafos físicos) do que apenas do aumento da complexidade da arquitetura da rede neural.

Em resumo, o artigo propõe uma mudança de paradigma: em vez de tratar dados de engenharia como vetores ou imagens genéricas, eles devem ser modelados como grafos que respeitam a topologia e a física subjacentes, permitindo sistemas de IA mais robustos, explicáveis e práticos para a indústria automotiva.