La ingeniería asistida por ordenador (CAE, por sus siglas en inglés) utiliza software basado en la física para analizar, validar y optimizar el rendimiento de una pieza o sistema en condiciones reales (cargas estructurales, efectos térmicos, flujo de aire, vibraciones) antes de su construcción física.

DEP ofrece esto en el sector aeroespacial y de defensa a través de servicios de simulación especializados que abarcan simulaciones estructurales, simulación de conformado de chapa metálica, simulación CFD/térmica/de flujo, diseño y análisis aerodinámico, y análisis acústico y de vibraciones, junto con servicios de diseño e ingeniería que incluyen soporte CAD, reducción de peso e ingeniería de fabricación. El factor distintivo para los programas aeroespaciales y de defensa en particular es que estas disciplinas rara vez se ejecutan de forma aislada: un cambio en el peso estructural modifica el centro de gravedad y el margen de aleteo, una carga térmica cambia los límites de los materiales utilizados en el caso de tensión, y un objetivo de vida útil por fatiga limita lo que el aerodinamista puede hacer con el radio del borde de ataque, razón por la cual la integración a nivel de plataforma que se analiza en las preguntas 6 y 12 es tan importante como cualquier solucionador individual.

El preprocesamiento es la etapa en la que se prepara una geometría CAD para la simulación (limpiando la geometría, dividiéndola en una malla de elementos finitos y asignándoles propiedades de material y condiciones de contorno) antes de que se pueda ejecutar un solucionador.

Para ensamblajes aeroespaciales complejos (estructuras de fuselaje, carcasas de motores, estructuras de cabina), la calidad del preprocesamiento determina directamente la precisión de la simulación. Por ello, la plataforma MeshWorks de DEP trata el mallado y la construcción de modelos como módulos centrales y dedicados, en lugar de como un añadido posterior al solucionador. En la práctica, esto significa que el mallado de superficies y volúmenes, la extracción automatizada de la superficie media para paneles aeroestructurales de paredes delgadas y la limpieza automatizada y la comprobación de la calidad de la malla se gestionan como una secuencia conectada, en lugar de pasos manuales separados. La capa de modelado superior se encarga del ensamblaje inteligente, la creación de conectores y la asignación de materiales/cargas en modelos a escala completa de fuselaje o motor, el mismo nivel de complejidad de ensamblaje que se utiliza para modelos de vehículos completos y buques en otros sectores.

La transformación modifica un modelo de elementos finitos o CFD existente para adaptarlo a una nueva geometría objetivo (como un cambio de diseño o una sustitución de material) sin necesidad de reconstruir la malla desde cero. Dado que la topología y la conectividad de la malla se conservan durante el cambio de forma, la transformación mantiene intactas la calidad de los elementos, las condiciones de contorno y las definiciones de carga durante el rediseño; no es necesario volver a validar la malla desde cero cada vez, lo que reduce el tiempo de iteración.

DEP aplicó esto directamente en un caso de éxito documentado al convertir mamparos de aluminio en mamparos compuestos, logrando un ahorro de masa del 28 % al tiempo que mejoraba el rendimiento; un ejemplo concreto de iteración de diseño impulsada por morphing en un componente estructural aeroespacial real, implementado a través de la capacidad de morphing basada en características de MeshWorks. En general, MeshWorks admite morphing a nivel de componente, modelo completo y pieza a nivel CAD, es independiente del CAD, por lo que funciona en entornos CAD mixtos sin errores de conversión, y está documentado que reduce el tiempo de iteración hasta en un 80 % en comparación con reconstruir un modelo desde cero; el mecanismo detrás de por qué se pueden generar más de 250 variantes de diseño a partir de un único modelo base sin volver a CAD, como se describe en Q7.

La parametrización CAE convierte un modelo fijo de elementos finitos o CFD en un modelo flexible y ajustable donde los parámetros de geometría, sección, conector y topología se pueden cambiar y reevaluar automáticamente, en lugar de reconstruir el modelo para cada variación de diseño.

MeshWorks admite esto en los dominios de choque, NVH y durabilidad, lo que permite a los equipos de ingeniería aeroespacial realizar estudios de compensación estructural y de peso, incluido el trabajo documentado de optimización de peso de DEP en un estabilizador de aeronave impulsado por modelado paramétrico, sin comenzar cada configuración desde cero. La conversión de un modelo CAE estándar y único a uno paramétrico es una operación de un solo clic en MeshWorks, y el conjunto de parámetros resultante se vincula directamente con los flujos de trabajo de Diseño de Experimentos (DOE) y MDO (Q6), lo que convierte un único modelo de estabilizador en un espacio de diseño estructurado y adaptable en lugar de una serie de estudios puntuales desconectados.

El modelado de orden reducido condensa un modelo detallado de elementos finitos en una representación paramétrica ligera y de alta precisión; por ejemplo, convierte un complejo conjunto estructural 3D en un modelo de viga 1D equivalente sin perder fiabilidad predictiva.

En MeshWorks, ROM reduce el tiempo de cálculo hasta en un 50 %, lo cual es fundamental para los programas aeroespaciales que ejecutan pruebas repetidas de choque, durabilidad o carga estructural en amplios espacios de diseño. La función de ROM va más allá de la aceleración de un solo modelo: cuando la parametrización y la transformación (Q3-Q4) generan una gran cantidad de variantes de diseño, ROM es el motor que procesa toda esa cantidad con la suficiente rapidez (comprimiendo lo que serían días de tiempo de cálculo en horas) para que la cantidad de datos se pueda utilizar como datos de entrenamiento de IA, que es la transferencia directa al flujo de trabajo de AIWorks que se describe en la Parte 2.

MDO evalúa y optimiza un diseño en múltiples dominios de ingeniería simultáneamente (por ejemplo, rendimiento estructural, térmico y acústico), en lugar de optimizar cada dominio de forma aislada y resolver los conflictos posteriormente.

El módulo MDO de MeshWorks comparte parámetros entre los dominios de choque, NVH, CFD y durabilidad, e integra modelos de orden reducido con datos de diseño de experimentos (DOE), incorporando optimización de topología y retícula junto con la definición de objetivos multiobjetivo, para que los programas aeroespaciales puedan alcanzar los objetivos de peso y coste manteniendo el rendimiento estructural, térmico y acústico dentro de los requisitos. Ejecutar estos dominios simultáneamente, en lugar de secuencialmente, es lo que pone de manifiesto una compensación antes de que se convierta en un rediseño de última hora: como se explica en la Parte 2, esta es también la misma estructura multidisciplinar que impulsa el módulo AIWorks Optimize de DEP con conmutación entre IA y solucionador superpuesta.

La IA en CAE aplica el aprendizaje automático a pasos específicos del flujo de trabajo de simulación (generación de datos de entrenamiento, entrenamiento de modelos predictivos y ejecución de optimización basada en IA) para reducir el esfuerzo manual y el tiempo de resolución que tradicionalmente requieren esos pasos, sin reemplazar los métodos subyacentes basados ​​en la física descritos en la Parte 1.

AIWorks se ha diseñado como un ciclo de vida completo de IA, no como una herramienta puntual: abarca la generación de datos para el entrenamiento de IA, la creación y validación de modelos, la implementación como solucionadores rápidos y la optimización del diseño utilizando esos modelos entrenados, todo dentro de una misma plataforma. DEP posiciona a AIWorks como implementado en programas de ingeniería activos, incluidos programas aeroespaciales y proveedores de primer nivel, en lugar de como un piloto de evaluación o prototipo de investigación, ofreciendo una velocidad de simulación 10 veces mayor con un error de predicción de IA inferior al 3 % en predicciones de resistencia aerodinámica y rigidez de la carrocería, validado en programas que incluyen fabricantes de equipos originales de la industria automotriz, aeroespacial, ferroviaria, energética, electrónica y de maquinaria pesada. Dado que las cifras de referencia de AIWorks (multiplicador de velocidad, tasas de error) se validan en toda la lista vertical de DEP, en lugar de exclusivamente en la aeroespacial, los programas aeroespaciales y de defensa deben interpretarlas como representativas del máximo potencial demostrado de la tecnología, con una precisión específica del programa que depende del caso de carga y la clase de geometría.

Las redes neuronales basadas en la física incorporan principios reales de la física de la ingeniería (ecuaciones de elementos finitos, Navier-Stokes y LES - Simulación de Grandes Remolinos) directamente en la función de pérdida de entrenamiento de la red neuronal, en lugar de basarse únicamente en el ajuste estadístico de curvas. Esto es importante porque el aprendizaje automático estándar puede extrapolar a ciegas una vez que un nuevo diseño se sale de su distribución de entrenamiento (un modo de fallo silencioso en un contexto de ingeniería), mientras que obligar a la red a respetar las ecuaciones físicas que la rigen durante el entrenamiento es lo que le permite extrapolar de forma fiable a geometrías realmente nuevas.

La implementación de AIWorks de DEP va un paso más allá al utilizar arquitecturas PINN separadas, ajustadas para clases de problemas ligeramente, moderadamente y altamente no lineales. Un caso de choque o impacto se trata con una formulación física fundamentalmente diferente a la de un análisis de frecuencia lineal, debido a que las matemáticas subyacentes difieren. Cada modelo entrenado se combina con un Evaluador de Equivalencia (un mecanismo de calificación de confianza generado automáticamente junto con los modelos predictivos y generativos para cada caso de carga) que señala cuando un diseño se ha desviado del rango de predicción confiable del modelo de IA y redirige automáticamente ese caso al solucionador físico en lugar de aceptar un resultado de IA poco confiable. Los puntos de referencia de precisión validados de DEP, comparados con ejecuciones reales del solucionador de producción en lugar de conjuntos de datos de referencia seleccionados, muestran un error inferior al 3 % en las predicciones del coeficiente aerodinámico/de arrastre y la rigidez de la carrocería, una puntuación R² superior al 95 % en la predicción de choques/impactos para trayectorias de carga de impacto lateral altamente no lineales y un error inferior al 5 % en la predicción de NVH/frecuencia en múltiples configuraciones estructurales.

Partiendo de los fundamentos de mallado y parametrización de la Parte 1, la función Features-AI de AIWorks reconoce y parametriza automáticamente las características de la geometría de ingeniería directamente en el modelo de elementos finitos (incluidas nervaduras, salientes, filetes, soldaduras por puntos, soldaduras MIG, agujeros y bridas) en todos los ensamblajes, y admite múltiples procesos de fabricación, como fundición, estampado, moldeo por inyección y geometrías de ensamblajes soldados. Una vez reconocidas, estas características se convierten en manejadores paramétricos inteligentes, lo que permite la creación rápida de nuevos diseños y la generación de conceptos asistida por IA sin que un ingeniero tenga que volver al CAD en cada iteración. Este mismo paso de reconocimiento de características impulsa la creación masiva de datos de entrenamiento que alimentan los modelos PINN descritos en la pregunta 8.

La capacidad GEOM-AI de AIWorks crea gemelos digitales directamente a partir de datos de escaneo de fabricación, utilizando la transformación de malla impulsada por IA y un proceso patentado basado en voxelización para mapear la geometría escaneada, el espesor y los campos de resultados en un espacio estadístico unificado. Esto extiende los fundamentos de transformación de la Parte 1 al alinear automáticamente la geometría de la pieza escaneada con el modelo CAD o de malla nominal y corregir las desviaciones de fabricación, mapeando la geometría, la variación de espesor, la pre-tensión y la distorsión de la pieza tal como se construyó en el modelo de elementos finitos nominal, convirtiendo el hardware aeroespacial/de defensa físico en un modelo listo para simulación sin remodelación manual. GEOM-AI también admite la dirección inversa: modificar una forma CAD mediante transformación y recibir una respuesta de rendimiento inmediata predicha por IA en segundos, sin remallado ni cola de solucionadores, además de la generación automatizada de submodelos para la iteración de diseño local y la creación de topología generativa a nivel de malla para explorar nuevos conceptos de piezas sin volver a CAD.

Agentic-AI utiliza agentes autónomos para orquestar flujos de trabajo CAE de múltiples pasos: poner en cola solucionadores, supervisar la convergencia, ejecutar bucles de optimización, sincronizar variables entre disciplinas y generar automáticamente informes 3D integrados, sin necesidad de supervisión constante por parte de un ingeniero. En AIWorks, un ingeniero describe una tarea en lenguaje natural, un agente planificador crea un plan de tareas estructurado, y los agentes CAD, de mallado, de solución y de posprocesamiento lo ejecutan, enrutando de forma inteligente cada tarea entre solucionadores de física y modelos sustitutos de IA entrenados en función de los requisitos de tiempo de ejecución y la puntuación de equivalencia (Q8) de cada modelo. Esto permite capacidades como bucles de optimización nocturnos autónomos para colisiones, NVH, rigidez y CFD simultáneamente, automatizando la orquestación de los mismos flujos de trabajo MDO y ROM descritos en la Parte 1, en lugar de reemplazarlos, con el ingeniero manteniendo el control mientras el agente actúa como copiloto en lugar de tomar decisiones de forma totalmente autónoma.

MeshWorks proporciona la ingeniería CAE básica (mallado, transformación, parametrización, ROM y MDO) en la que se han basado los programas aeroespaciales y de defensa para la validación estructural, CFD y de durabilidad, incluyendo la conversión documentada de mamparos compuestos de DEP, la optimización del peso del estabilizador de aeronaves y la investigación del mecanismo de cierre/par motor. AIWorks se basa en esa misma base como capa de IA: los cambios paramétricos, la transformación y el modelado conceptual generan una gran cantidad de variantes de geometría y espesor a nivel de malla sin necesidad de reelaborar el CAD, ROM procesa esa cantidad lo suficientemente rápido como para crear un conjunto de entrenamiento útil, el motor de voxelización patentado mapea estadísticamente el espacio de diseño resultante, y el entrenamiento PINN produce un modelo predictivo, un modelo generativo y un evaluador de equivalencia para cada caso de carga, el mismo proceso que ha generado más de 250 variantes estructurales a partir de un único modelo base en otros sectores. En el sector aeroespacial y de defensa, DEP enumera el análisis estructural, la dinámica de fluidos computacional (CFD), la fatiga, el cálculo de trayectorias de vuelo (ROM) y la optimización de materiales compuestos como áreas de aplicación de AIWorks, y menciona proyectos de prueba de concepto que se completan en menos de seis semanas una vez que el programa conecta su solucionador existente. DEP también posee una patente estadounidense para su tecnología de transformación CAD, que sustenta la capacidad de transformación compartida entre ambas plataformas.