Resumen:Las simulaciones numéricas han revolucionado el proceso de diseño industrial al reducir los costos de creación de prototipos, las iteraciones de diseño y permitir a los ingenieros de productos explorar el espacio de diseño de manera más eficiente. Sin embargo, la creciente escala de las simulaciones exige importantes conocimientos expertos, recursos computacionales y tiempo. Un desafío clave es identificar parámetros de entrada que produzcan resultados óptimos, ya que las simulaciones iterativas son costosas y pueden tener un gran impacto ambiental. Este artículo presenta un flujo de trabajo asistido por IA que reduce la participación de expertos en la optimización de parámetros mediante el uso de la optimización bayesiana. Además, presentamos una variante de aprendizaje activo del enfoque, ayudando al experto si así lo desea. Un modelo de aprendizaje profundo proporciona una estimación de parámetros inicial, a partir de la cual el ciclo de optimización refina iterativamente el diseño hasta que se cumple una condición de terminación (por ejemplo, presupuesto de energía o límite de iteración). Demostramos nuestro enfoque, basado en un proceso de conformado de chapa metálica, y mostramos cómo nos permite acelerar la exploración del espacio de diseño y al mismo tiempo reducir la necesidad de participación de expertos.
Publicado originalmente en export.arxiv.org el 30 de noviembre de 2025.
Ver fuente original
