Uma estratégia robusta para atualização do modelo de ME de painéis compósitos usando uma estrutura de otimização assistida por substitutos ANN‑SMA combinada

Por que ajustar estruturas virtuais é importante

Engenheiros dependem cada vez mais de modelos computacionais para prever como pontes, peças aeronáuticas e pás de turbinas eólicas vão vibrar e resistir em serviço. Mas esses modelos valem tanto quanto os parâmetros alimentados neles. Para materiais compósitos em camadas, hoje comuns em estruturas aeroespaciais e navais, obter esses parâmetros corretamente é especialmente difícil. Este artigo mostra como testes de laboratório, inteligência artificial e um método de busca inspirado na natureza podem ser combinados para ajustar um modelo computacional de um painel compósito de modo que ele se comporte quase exatamente como a estrutura real.

Dos testes de laboratório aos gêmeos digitais

O estudo começa com um painel real de compósito de fibra de vidro, construído a partir de dez camadas finas de tecido unidas com epóxi. No laboratório, o painel é apoiado nas bordas e levemente golpeado com um martelo instrumentado enquanto pequenos acelerômetros registram como ele vibra. Ao processar essas medições, os pesquisadores extraem características vibracionais chave: as frequências naturais do painel (os tons preferenciais de vibração) e as formas de flexão associadas. Essas impressões experimentais servem como padrão ouro que o modelo computacional deve reproduzir.

Construção e verificação do primeiro modelo

Paralelamente, a equipe cria uma versão virtual detalhada do mesmo painel usando uma ferramenta de engenharia padrão para simulação estrutural. O painel virtual é dividido em muitos elementos do tipo casca para que sua natureza em camadas e a rigidez em diferentes direções sejam representadas. Ao calcular suas frequências naturais e formas de vibração, eles constatam que as previsões estão próximas, mas não perfeitas: alguns tons diferem dos resultados de laboratório em mais de 10%. Uma comparação mais detalhada das formas mostra que, embora os padrões gerais sejam semelhantes, não são idênticos. Essa discrepância confirma que algumas das propriedades assumidas no modelo virtual — como rigidez, espessura ou densidade — estão ligeiramente imprecisas.

Ensinando um substituto rápido a imitar o modelo

Ajustar diretamente os parâmetros do modelo e executar simulações completas milhares de vezes seria muito lento, então os autores introduzem modelos “substitutos”: representantes matemáticos rápidos que aprendem a imitar a simulação cara. Eles amostram aleatoriamente centenas de combinações de espessura, rigidez e densidade dentro de limites realistas, executam a simulação completa para cada combinação e coletam as frequências resultantes e as pontuações de ajuste das formas. Três tipos de substitutos são treinados com esse conjunto de dados: uma superfície polinomial simples, um método estatístico chamado Kriging e uma rede neural artificial. Testes mostram que a rede neural captura melhor as relações complexas entre entradas e resposta vibracional ao mesmo tempo que permanece rápida para avaliar, reduzindo cada previsão de segundos para frações de segundo.

Deixando bolores de limo explorar o espaço de projeto

Com a rede neural atuando como um preditor quase instantâneo, o próximo desafio é vasculhar o mar de combinações possíveis de parâmetros em busca daquelas que alinham o painel virtual ao real. Para isso, os pesquisadores usam um algoritmo inspirado na forma como organismos de bolor de limo se espalham para explorar o entorno e depois se retraem em direção a fontes ricas de alimento. Na otimização, cada “organismo” representa um conjunto candidato de propriedades do painel. Guiados por uma medida de discrepância entre as frequências previstas e medidas, os bolores virtuais deslocam suas posições, equilibrando ampla exploração com refinamento focado. Essa busca artificial é executada inteiramente sobre o substituto, permitindo que milhares de testes sejam concluídos rapidamente.

Melhor ajuste e computação mais rápida

A estratégia combinada de rede neural e bolor de limo melhora sensivelmente o painel digital. Após a atualização, quatro das cinco primeiras frequências naturais diferem dos valores laboratoriais em menos de 1%, e até o modo de frequência mais alta, o mais difícil, melhora marcadamente em comparação com o modelo original. Os ajustes necessários são fisicamente razoáveis: uma redução modesta na rigidez efetiva e pequenas correções na espessura e densidade, consistentes com variações reais de fabricação. Quando o mesmo substituto baseado em rede neural é pareado com métodos de busca mais estabelecidos que imitam bandos de aves ou evolução genética, a nova abordagem inspirada no bolor de limo ainda converge de forma mais confiável e reduz o tempo de computação em cerca de 7 a 30%. Em termos práticos, isso significa que engenheiros podem obter “gêmeos digitais” mais confiáveis de estruturas compósitas mais rápido, apoiando decisões de projeto melhores e sistemas de monitoramento de integridade mais sensíveis.

Citação: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Palavras-chave: estruturas compósitas, atualização de modelo por elementos finitos, modelagem por substitutos, redes neurais artificiais, otimização metaheurística