O novo software mostra instantaneamente as linhas de fluxo, bem como a pressão na superfície (codificada por cores) de formas interativamente deformáveis. Crédito:Nobuyuki Umetani
Quando engenheiros ou designers desejam testar as propriedades aerodinâmicas da forma recém-projetada de um carro, avião, ou outro objeto, eles normalmente modelariam o fluxo de ar ao redor do objeto fazendo com que um computador resolvesse um conjunto complexo de equações - um procedimento que geralmente leva horas, ou mesmo um dia inteiro. Nobuyuki Umetani da pesquisa da Autodesk (agora na Universidade de Tóquio) e Bernd Bickel do Instituto de Ciência e Tecnologia da Áustria (IST Áustria) agora aceleraram significativamente esse processo, disponibilizando agilizações e parâmetros em tempo real. Seu método, que é o primeiro a usar o aprendizado de máquina para modelar o fluxo em torno de objetos 3-D continuamente editáveis, será apresentado na prestigiosa conferência SIGGRAPH deste ano em Vancouver, onde os pesquisadores do IST Áustria estão envolvidos em um total de cinco apresentações.
O aprendizado de máquina pode tornar os métodos extremamente demorados muito mais rápidos. Antes, o cálculo das propriedades aerodinâmicas dos carros geralmente levava um dia. "Com nossa ferramenta de aprendizado de máquina, somos capazes de prever o fluxo em frações de segundo, ", diz Nobuyuki Umetani. A ideia de usar o aprendizado de máquina surgiu em uma discussão entre os dois colaboradores de longa data." Ambos compartilhamos a visão de fazer simulações mais rapidamente, "explica o professor Bernd Bickel do IST Áustria." Queremos que as pessoas sejam capazes de projetar objetos de forma interativa, e, portanto, trabalhamos juntos para desenvolver métodos baseados em dados, " ele adiciona.
Até aqui, tem sido extremamente desafiador aplicar o aprendizado de máquina ao problema de modelagem de campos de fluxo em torno de objetos devido aos requisitos restritivos do método. Para aprendizado de máquina, os dados de entrada e saída precisam ser estruturados de forma consistente. Essa estruturação de informações funciona bem para imagens 2-D, onde uma imagem pode ser facilmente representada por um arranjo regular de pixels. Mas se um objeto 3-D é representado por unidades que definem sua forma, como uma malha de triângulos, o arranjo dessas unidades pode mudar se a forma mudar. Dois objetos que parecem muito semelhantes a uma pessoa podem, portanto, parecer muito diferentes para um computador, pois são representados por uma malha diferente, e a máquina seria, portanto, incapaz de transferir as informações de um para o outro.
A solução veio da ideia de Nobuyuki Umetani de usar os chamados polycubes para tornar as formas gerenciáveis para o aprendizado de máquina. Esta abordagem, que foi originalmente desenvolvido para aplicar texturas a objetos em animações de computador, tem regras estritas para representar os objetos. Um modelo começa com um pequeno número de cubos grandes que são então refinados e divididos em cubos menores seguindo um procedimento bem definido. Se representado desta forma, objetos com formas semelhantes terão uma estrutura de dados semelhante que os métodos de aprendizado de máquina podem manipular e comparar.
Os pesquisadores também provaram em seu estudo que o método de aprendizado de máquina atinge uma precisão impressionante, um pré-requisito para a engenharia. Nobuyuki Umetani explica:"Quando as simulações são feitas da maneira clássica, os resultados de cada forma testada são eventualmente descartados após o cálculo. Isso significa que cada novo cálculo começa do zero. Com o aprendizado de máquina, usamos os dados de cálculos anteriores, e se repetirmos um cálculo, a precisão aumenta. "