Tudo sobre Perceptibilidade Sintético
A Nissan está utilizando perceptibilidade sintético (IA) para estugar o lançamento de seus veículos elétricos, segundo o Interesting Engineering.
A tecnologia, desenvolvida em parceria com a empresa britânica Monolith, combina 90 anos de dados da montadora com aprendizagem de máquina para otimizar cada lanço do processo.
IA no volante da inovação
A parceria entre Nissan e Monolith foi renovada até 2027 e promete revolucionar o desenvolvimento de carros elétricos. A colaboração começou com o Nissan Leaf e, agora, se expande para outros modelos, utilizando IA para simular e validar o desempenho dos veículos com precisão inédita.
Ao integrar o software de engenharia avançado da Monolith e décadas de dados de testes, conseguimos simular e validar o desempenho com notável precisão.
Emma Deutsch, diretora de engenharia e operações de teste do Meio Técnico da Nissan na Europa, ao Interesting Engineering
A tecnologia de aprendizagem de máquina permite que os engenheiros da Nissan usem dados históricos e simulações digitais para prever resultados e reduzir a obediência de protótipos físicos, economizando tempo, recursos e diminuindo o impacto ambiental.
Uma vez que a IA transforma os testes de veículos elétricos
Os engenheiros da Nissan, em Cranfield (Reino Unificado), utilizam a plataforma de IA da Monolith para processar e aprender com o vasto pilha de dados acumulados em nove décadas. Isso ajuda a prever o desempenho dos carros em diversas condições, antes mesmo de irem para a pista.
“Essa abordagem não exclusivamente acelera nosso tempo de lançamento no mercado, uma vez que, também, reforça o compromisso com a inovação e a sustentabilidade”, destaca Deutsch.
Entre os ganhos obtidos com a emprego do sistema, estão:
- Redução significativa no tempo totalidade de testes;
- Menor premência de protótipos físicos;
- Maior precisão nos resultados e diagnósticos;
- Economia de recursos e virilidade;
- Otimização de todo o ciclo de desenvolvimento.
Engenharia orientada por dados
A IA já mostrou resultados concretos. Em um dos testes, o sistema foi usado para investigar o torque ideal das juntas de parafusos do chassi. O algoritmo identificou a fita ideal de aperto e sugeriu quais testes deveriam ser priorizados, reduzindo em 17% os experimentos físicos.
De congraçamento com a Nissan, utilizar esse processo a todos os modelos pode trinchar pela metade o tempo totalidade de validação. “Nossa missão é capacitar engenheiros com ferramentas de IA que tornem o desenvolvimento mais inteligente e rápido”, explica Richard Ahlfeld, CEO e fundador da Monolith.
Leia mais:
Além de prever resultados, a plataforma da Monolith conta com ferramentas, uma vez que o “Recomendador de Próximo Teste” e o “Detector de Anomalias“, que ajudam a identificar falhas e sugerir novos experimentos quase em tempo real.
“Os resultados do nosso trabalho com a Nissan demonstram uma vez que o aprendizagem de máquina pode impulsionar a eficiência e a inovação na engenharia automotiva”, completa Ahlfeld.
Natividade: Olhar Do dedo
