Desenvolvimento de um Modelo Surrogado Baseado em Redes Neurais para Otimização de Simulações de Engenharia

Abstract

O trabalho visa o desenvolvimento de um Modelo Surrogado baseado em Redes Neurais, seguindo uma abordagem de Machine Learning. A principal motivação para a realização do projeto veio da necessidade de criar modelos substitutos que consigam apresentar uma performance de qualidade até em problemas de alta dimensionalidade, pois o modelo atualmente utilizado na ESSS é baseado em Radial Base Functions, logo se mostra como sendo limitado em tais situações. O objetivo geral foi criar uma ferramenta interna mais rápida e flexível que a já estabelecida atualmente na ESSS. A solução foi implementada em Python, com uma arquitetura modular que respeita os bons costumes do desenvolvimento de código. A validação foi realizada comparando métricas de performance como R², RMSE e tempo para treinamento e para predição entre o novo modelo e a abordagem anterior, demonstrando compromisso com a tarefa de otimização computacional e a superioridade da nova solução para os desafios de simulação em situações de alta dimensionalidade.

This work aims to develop a Surrogate Model based on Neural Networks, following a Machine Learning approach. The main motivation for the project came from the need to create substitute models that can achieve quality performance even in High-Dimensionality problems, as the current model, being based on Radial Basis Functions, proves to be limited in such situations. The general objective was to create an in-house tool that is faster and more flexible than the already established one at ESSS. The solution was implemented in Python, with a modular architecture that respects good coding practices. Validation was performed by comparing performance metrics such as R², RMSE, and time for training and prediction between the new model and the previous approach, demonstrating commitment to the task of Computational Optimization and the superiority of the new solution for simulation challenges in high-dimensionality situations.