No todos los autos son iguales, y algunos son mucho mejores que otros. Las curvas sutiles y las líneas que hacen ver diferentes a un modelo de otro son distintas. Sin embargo, desde la perspectiva de un ingeniero, hay una verdad innegable en las similitudes ocultas. Hay una delicada danza entre la necesidad de la ingeniería, el deseo de forma estética y la incansable búsqueda de la eficiencia.
Desafiar las limitaciones de diseño sin limitar la creatividad
Un coche debe transportar al menos a cuatro personas cómodamente, navegar por diversas condiciones de carretera (y quizás un poco de aventura fuera de carretera), llevar una cantidad considerable de equipaje —digamos, 200 kg— y cumplir con una laberíntica red de normativas globales de seguridad y medio ambiente. Todo ello siendo capaz de alcanzar altas velocidades sin consumir combustible ni gastar las baterías demasiado rápido.
No son sugerencias; Son restricciones fundamentales. Dictan la huella general, la altura y la silueta general. Exigen una cierta cantidad de zona de deformación, una visibilidad específica de la ventana y una distancia mínima al suelo. Es un encargo de diseño que, a primera vista, parece eliminar todas las posibilidades de innovación genuina o estilo visual.
Aquí es donde realmente comienza la magia, y el desafío. Dentro de estos parámetros tan estrictos en el diseño del automóvil, los diseñadores e ingenieros automotrices están constantemente esforzándose por crear algo a la vez bello y eficiente. Y aquí va un secreto: gran parte de esa eficiencia se reduce a cómo un coche interactúa con el aire que lo rodea, o sea la aerodinámica.
Replantear la exploración aerodinámica del CFD
Durante años, optimizar el desempeño aerodinámico de un coche fue un proceso minucioso. Imagina a un diseñador dibujando un nuevo concepto para el alerón trasero de un coche, creyendo que no tendría un gran impacto en la resistencia.
Para verificar esto, los ingenieros establecían una simulación CFD de Dinámica de Fluidos Computacional. Esta simulación se ejecutaba durante horas, a menudo durante la noche, a veces incluso durante todo un fin de semana. El viernes por la tarde pulsabas 'correr', cruzabas los dedos y esperabas que los resultados del lunes por la mañana mostraran mejoría. ¿Y si no?
De vuelta a empezar, otro boceto, otra simulación larga. Este circuito iterativo, aunque necesario, era increíblemente laborioso y limitaba el número de variaciones de diseño que podíamos explorar de forma realista. Es importante señalar que incluso en la última década hemos logrado avances, reduciendo drásticamente los tiempos de respuesta al aprovechar la potencia de las GPUs en lugar de las CPUs para estas simulaciones. Y aun con estos avances, el principal reto de explorar un espacio de diseño tan vasto sigue existiendo.
Pero el mundo está cambiando, y también el arsenal de tecnología. Ahora tenemos capacidades como el: Aprendizaje Profundo Geométrico para CFD.
No son solo simulaciones más rápidas; Son modelos inteligentes que aprovechan redes neuronales de primer nivel para predecir el desempeño aerodinámico con una velocidad asombrosa. Todo eso se ofrece en Simcenter STAR-CCM+, en un flujo de trabajo integrado, adecuado para ingenieros de simulación CFD, no hace falta ser un experto en IA aquí.
Acelera la predicción aerodinámica con Aprendizaje Profundo Geométrico (Geometric Deep Learning o GDL)
Entonces, ¿cómo hace su magia el aprendizaje profundo geométrico? Todo comienza con la gran cantidad de datos de simulación que hemos acumulado a lo largo de los años. Cada vez que hemos realizado una simulación CFD detallada en el diseño del automóvil —ya sea un vehículo completo, un espejo nuevo o una modificación del panel de carrocería— esos datos se convierten en un recurso invaluable. En lugar de dejar estos resultados históricos en archivos, ahora los introducimos en nuestros modelos de IA. Este proceso, a menudo llamado "entrenamiento", permite a la red neuronal aprender sobre las complejas relaciones entre la geometría de un coche y su rendimiento aerodinámico. Esencialmente, destila la esencia de innumerables simulaciones de fidelidad completa en un modelo predictivo altamente eficiente.
Lo más importante es que esto no requiere una cantidad astronómica de datos. Para el coche que estamos usando en nuestra ilustración actual, por ejemplo, solo unos 40 diseños fueron suficientes para entrenar un modelo “Geometric Deep Learning” que resultó predictivo en un espacio de diseño dado.
Este conjunto de datos relativamente pequeño, combinado con el poder del Aprendizaje Profundo Geométrico, significa que podemos construir rápidamente estos modelos inteligentes para nuevos proyectos y empezar a explorar.
Una vez entrenados, estos modelos ROMs (Reduced Order Modeling) de IA se vuelven poderosos. Cuando un diseñador propone un ajuste ligero en el retrovisor de un coche, o una forma radicalmente nueva para su bajo, ya no necesitamos ejecutar una simulación CFD completa para cada variación. En su lugar, damos como dato de entrada la nueva geometría en la ROM entrenada por IA, que puede predecir el performance aerodinámico —cosas como el coeficiente de arrastre, la fuerza aerodinámica que actúa perpendicularmente a la dirección del movimiento (lift) incluso las distribuciones de presión superficial— en cuestión de minutos.
Esta capacidad de evaluación rápida es un cambio radical en nuestro proceso de diseño de ingeniería. Así es como se integra en nuestro flujo de trabajo:
- Exploración rápida del diseño: Cuando estamos en las primeras etapas del desarrollo conceptual, los diseñadores suelen generar docenas, si no cientos, de ideas diferentes. Con métodos tradicionales, solo podíamos simular de forma realista unos pocos de estos. Ahora, podemos evaluar rápidamente el rendimiento aerodinámico de prácticamente todos los conceptos, identificando casi al instante los más prometedores. Esto permite una exploración mucho más amplia del ámbito del diseño, asegurando que no nos perdamos soluciones innovadoras.
- Integración fluida dentro de Design Manager: Toda esta funcionalidad avanzada se entrega mediante un flujo de trabajo integrado dentro de nuestro entorno de ingeniería. Esto significa que los ingenieros pueden ingresar y utilizar estas ROMs de IA directamente desde Design Manager, minimizando interrupciones y promoviendo una experiencia de usuario más ágil. Ya sea un cambio paramétrico (como ajustar el ángulo de un spoiler) o una modificación no paramétrica (como una forma de cuerpo completamente nueva), las ROMs de IA son adaptables y dan rápida retroalimentación.
- Estudios de optimización: Aquí es donde la velocidad realmente destaca. Los algoritmos de optimización suelen requerir evaluar cientos o miles de iteraciones de diseño para encontrar la mejor solución. Si cada evaluación dura horas, la optimización se vuelve costosa. Con las ROMs de IA, cada evaluación dura minutos, lo que nos permite realizar estudios de optimización rápidos que convergen diseños óptimos de forma mucho más eficiente. Podemos identificar rápidamente el equilibrio ideal entre objetivos de rendimiento (como minimizar la resistencia) y restricciones de diseño (como mantener un determinado requisito estético o de empaquetado).
- Tipos de estudio: La utilidad de estas ROMs de IA se extiende a cualquier otro tipo de estudio que realicemos, incluyendo estudios manuales, de barrido (Sweeps) o de barridos inteligentes. Esto significa que los beneficios de la predicción acelerada por IA se incorporan de forma fluida en los flujos de trabajo existentes, ampliando el alcance de la aplicación para agilizar el proceso de diseño. Podemos utilizarlos para predecir valores globales (como resistencia aerodinámica, sustentación, coeficientes aerodinámicos...), distribuciones superficiales (como presión y/o esfuerzo cortante en la pared sobre el capó), o incluso campos de volumen completos, proporcionando información profunda y multifacética sobre el rendimiento previsto de un diseño.
Este circuito de retroalimentación rápida es revolucionario. Nos permite identificar rápidamente los diseños más prometedores que reducen el consumo energético, empujando los límites de lo posible dentro de esas limitaciones.
Ampliar la exploración del diseño preservando la estética
Y esta velocidad no se trata solo de eficiencia; Se trata de creatividad. Cuando encontramos un diseño que cumple todos los requisitos de rendimiento – resistencia mínima, carga aerodinámica óptima no nos quedamos ahí.
Luego podemos usar estas mismas ROMs de IA dentro de nuestro Design Manager para realizar estudios de optimización rápidos. Podemos afinar esa forma estéticamente agradable, ajustando sus parámetros para maximizar su rendimiento aerodinámico mientras preservamos su estilo. Se trata de encontrar ese punto óptimo donde la excelencia en ingeniería se encuentra con el arte del diseño. Podemos explorar cómo hacer que un coche luzca elegante y deportivo, pero aun así lograr una eficiencia líder en su clase, todo ello sin sacrificar esa chispa inicial de inspiración en el diseño.
¿Qué pasa si de repente necesitaremos más espacio en el maletero? ¿El coche seguiría siendo eficiente, aunque me dieras más espacio?
La pregunta ilustra perfectamente el desafío continuo y el poder de nuestras nuevas herramientas. Ese el tipo de dilema de diseño que ahora podemos abordar con rapidez. Podemos explorar rápidamente ¿si aumentamos el volumen del maletero se afecta a la aerodinámica? e, igual de rápido, encontrar los ajustes óptimos de forma para mantener la eficiencia, todo ello asegurándonos de que tu diseño encaje perfectamente. Se trata de encontrar ese hermoso equilibrio.
Así que, aunque los coches puedan compartir similitudes estructurales fundamentales debido a sus exigentes requisitos funcionales, el espacio para la innovación, la belleza sigue siendo vasto. Las nuevas herramientas impulsadas por IA no están homogeneizando el diseño; lo están liberando, permitiéndonos explorar más posibilidades, rápido y con mayor confianza.
Extracto del blog de Siemens por Cedric Tachot, Gestor Técnico de Producto y Aaron Godfrey, Especialista en aplicaciones
