Síntese e perspetivas: o valor da investigação no mundo real e complexo

Conflitos multiobjetivo em problemas reais

Os problemas reais de investigação e engenharia raramente têm um único objetivo. Veja-se o caso do design de perfis alares supercríticos: a equipa tem frequentemente de aumentar simultaneamente o coeficiente de sustentação crítico de buffeting e a razão sustentação/arrasto em cruzeiro, controlando ao mesmo tempo a espessura estrutural e satisfazendo restrições como o momento de picada e o ângulo de ataque em cruzeiro. Estes indicadores são determinados por variáveis geométricas e aerodinâmicas que se condicionam mutuamente: melhorar um deles tende a agravar outro.

Por isso, na grande maioria dos casos não existe uma solução simultaneamente ótima em todos os indicadores; o que existe é um conjunto de relações de compromisso — é precisamente esta a situação base da otimização multiobjetivo e a diferença fundamental entre problemas reais e complexos e exercícios de objetivo único.

Figura 1: Relações de compromisso no espaço de objetivos. O eixo horizontal representa a razão sustentação/arrasto em cruzeiro e o eixo vertical, o coeficiente de sustentação crítico de buffeting; acima da linha tracejada a vermelho situa-se a região inviável, que viola as restrições de espessura estrutural / momento de picada; os pontos azuis formam um conjunto diversificado de soluções candidatas distribuídas ao longo da fronteira de Pareto, e o ponto vermelho representa o resultado pontual obtido ao entregar apenas uma solução «ótima».

Caso do perfil alar: custo de avaliação e alcance da exploração

As simulações CFD de alta fidelidade são dispendiosas, pelo que integrá-las diretamente no ciclo evolutivo não é viável. A abordagem possível consiste em treinar primeiro um modelo de previsão de desempenho com 501 amostras de alta fidelidade, usá-lo para pré-selecionar candidatas a baixo custo e depois validar com alta fidelidade um pequeno número de candidatas-chave; com este fluxo, é possível entregar no final 180 candidatas diversificadas que cumprem os objetivos básicos de design, em vez de uma solução ótima isolada.

Como mostra a figura, o conjunto de soluções candidatas distribui-se ao longo da fronteira de Pareto, cobrindo combinações de ganhos e custos associadas a diferentes preferências, ao passo que uma solução «ótima» única é apenas um ponto sobre essa fronteira.

A importância a longo prazo de preservar soluções diversificadas e utilizáveis

Apoiar a decisão de especialistas:Os especialistas da área podem comparar os ganhos, os custos e as condições de aplicabilidade de cada candidata em função das exigências da missão, em vez de ficarem limitados a uma resposta pontual.
Controlar o custo de avaliação:Pré-selecionar com um modelo de baixo custo e só depois realizar simulações de alta fidelidade nas candidatas-chave amplia significativamente o alcance da exploração com um orçamento limitado.
Reduzir o risco de convergência prematura errada:Quando as preferências mudam, as restrições são atualizadas ou o problema é reformulado, o conjunto de soluções continua a deixar margem de ajuste.
Criar um património científico herdável:O registo completo dos critérios de avaliação, das restrições e das candidatas faz com que esta ronda de exploração se torne o ponto de partida para o trabalho seguinte, e não uma conclusão pontual.

Panorama das aplicações multiobjetivo

O panorama aplica a prática multiobjetivo da engenharia real e complexa ao caso do perfil alar supercrítico: otimizar apenas um indicador pode conduzir a um resultado pontual cujas restantes características são inaceitáveis, pelo que é necessário identificar primeiro os conflitos entre objetivos e preservar candidatas de compromisso. No processo, treina-se um modelo de previsão com 501 amostras de alta fidelidade para reduzir o custo de avaliação, valida-se depois as candidatas-chave e entrega-se, por fim, 180 soluções diversificadas que cumprem os objetivos básicos de design, apoiando a decisão de especialistas, controlando os custos e formando um património herdável.

PERGUNTA 1

Porque é que, em problemas reais de investigação e engenharia, os conflitos multiobjetivo são frequentemente a norma?

Objetivos diferentes são determinados por variáveis de projeto que se condicionam mutuamente, pelo que melhorar um deles tende a agravar outro.

É apenas falta de recursos computacionais; com poder de cálculo suficiente seria possível otimizar todos os objetivos em simultâneo.

A definição das funções objetivo tem necessariamente erros.

Basta haver dados suficientes para que os conflitos desapareçam automaticamente.

PERGUNTA 2

No caso do design de perfis alares supercríticos, porque é que «entregar apenas um perfil alar ótimo» faz perder informação essencial?

Porque a pesquisa evolutiva, por natureza, não consegue convergir para uma única solução.

Porque o perfil alar ótimo nunca consegue satisfazer a restrição de momento de picada.

É apenas um resultado pontual no espaço de objetivos, perde as relações de compromisso entre objetivos e não deixa margem de ajuste quando as preferências ou as restrições mudam.

Porque as simulações CFD de alta fidelidade não conseguem avaliar um único perfil alar.

PERGUNTA 3

Qual é o principal valor de usar um modelo de previsão de desempenho para pré-selecionar a baixo custo um grande número de candidatas?

Fazer com que os conflitos entre objetivos deixem de existir.

Aumentar diretamente a precisão de cada simulação de alta fidelidade.

Ampliar o alcance da exploração quando o custo de avaliação é limitado, reservando as simulações de alta fidelidade para um pequeno número de candidatas-chave.

Substituir por completo as simulações de alta fidelidade, dispensando daí em diante qualquer validação.

PERGUNTA 4

Qual é o significado mais direto de preservar soluções diversificadas e utilizáveis para a investigação futura?

Preservar um ponto de partida herdável para a reformulação do problema, a alteração de restrições e a evolução dos métodos, e reduzir o risco de convergência prematura errada.

Garantir que todas as soluções candidatas podem ser diretamente aplicadas em produção.

Fazer com que todos os objetivos antes em conflito atinjam simultaneamente o ótimo.

Dispensar daí em diante qualquer forma de avaliação de soluções.

PERGUNTA 5

No final de uma ronda de investigação multiobjetivo, qual das seguintes formas de entrega corresponde melhor ao valor científico destacado nesta página?

Entregar um conjunto de soluções candidatas que cobre diferentes relações de compromisso, herdável e verificável, com registo completo dos critérios de avaliação e das restrições.

Entregar apenas a solução com a pontuação total mais alta, descartando todas as restantes candidatas.

Só entregar quando todos os objetivos puderem ser simultaneamente ótimos.

Entregar o maior número possível de candidatas, mas sem registar os critérios de avaliação e as restrições.

Estudo de caso: revisão do design multiobjetivo de um perfil alar supercrítico

Leia o cenário seguinte e responda a duas perguntas.

A sua equipa está a utilizar o EvoX para o design multiobjetivo de um perfil alar supercrítico. Os objetivos de design incluem aumentar o coeficiente de sustentação crítico de buffeting, melhorar a razão sustentação/arrasto em cruzeiro, controlar a espessura estrutural e satisfazer restrições como o momento de picada, mas existe um conflito evidente entre estes objetivos. As simulações CFD de alta fidelidade são dispendiosas, pelo que a equipa treina primeiro um modelo de previsão de desempenho com 501 amostras de alta fidelidade e, em seguida, a pesquisa evolutiva gera continuamente candidatas. Na reunião de revisão, alguém propôs «entregar apenas um perfil alar ótimo», enquanto outros defenderam a entrega de um conjunto diversificado de soluções candidatas.

1. Neste cenário de projeto, em que aspetos concretos se manifesta o conflito multiobjetivo? Dê exemplos e explique porque é que um ótimo de objetivo único faz perder informação essencial.

Resposta:
O conflito manifesta-se no seguinte: aumentar a razão sustentação/arrasto em cruzeiro exige frequentemente alterar a distribuição de curvatura e de espessura, o que pode agravar as características de divergência de arrasto ou aumentar a espessura estrutural; aumentar o coeficiente de sustentação crítico de buffeting pode também ter como custo o arrasto ou a estabilidade; e há ainda que satisfazer restrições como o intervalo de sustentação, o ângulo de ataque em cruzeiro, a espessura geométrica e o momento de picada. Por conseguinte, não existe um perfil alar simultaneamente ótimo em todos os indicadores. Se se procurar apenas o ótimo de um único objetivo, perdem-se as relações de compromisso entre objetivos e, quando as preferências mudam ou surgem novas restrições, a solução não deixa margem de ajuste.

2. Porque é que entregar um conjunto diversificado de soluções candidatas tem mais valor científico do que entregar apenas um único «perfil alar ótimo»? Explique tendo em conta três aspetos: a decisão de especialistas, o custo de avaliação e a evolução contínua.

Resposta:
Em primeiro lugar, o conjunto de candidatas cobre as relações de compromisso associadas a diferentes preferências e restrições, permitindo que os especialistas da área comparem ganhos, custos e condições de aplicabilidade em função das exigências da missão, em vez de ficarem limitados a uma resposta pontual. Em segundo lugar, recorrer a um modelo de previsão de desempenho para pré-selecionar a baixo custo um grande número de candidatas e só depois realizar simulações de alta fidelidade nas candidatas-chave torna o custo de avaliação controlável e amplia o alcance da exploração. Em terceiro lugar, o conjunto de soluções reduz o risco de convergência prematura errada e preserva um ponto de partida herdável para a posterior reformulação do problema, a alteração de restrições ou a evolução dos métodos, fazendo com que esta ronda de exploração se torne a base do trabalho seguinte, e não uma conclusão pontual.