Simulações computacionais de engenharia através de redes neurais informadas por física

Abstract

Este trabalho investiga a aplicação de Redes Neurais Informadas por Física, conhecidas como Physics-Informed Neural Networks (PINNs), para simulações computacionais. PINNs são redes neurais projetadas para simular sistemas físicos e resolver problemas inversos, sem depender de grandes volumes de dados para treinamento. Diante da necessidade de simular sistemas complexos e resolver problemas inversos de forma mais rápida, as PINNs surgem como uma alternativa promissora aos métodos tradicionais de simulação, como o método dos elementos finitos. O objetivo deste estudo foi realizar testes práticos dessa técnica, destacando suas vantagens e limitações. Foram desenvolvidos dois estudos de caso utilizando o framework NVIDIA Modulus Sym: um problema de condução térmica unidimensional e outro envolvendo dissipadores de calor em regime tridimensional. Testou-se também versões desses problemas em que as geometrias e condutividades térmicas eram parametrizadas. As PINNs demonstraram capacidade para simular ambos os cenários, ainda que a precisão e tempo computacional tenham desejado a desejar. No entanto, o custo-benefício do treinamento das versões parametrizadas são promissores. Os resultados sugerem que PINNs têm potencial como solução tecnológica desde que continuem a se desenvolver, particularmente em simulações parametrizadas. A seleção adequada de hiperparâmetros e a disponibilidade de recursos computacionais são desafios importante na sua implementação.