Uma IA criada por estudantes brasileiros previu em minutos a resistência do ar em carros

Na manhã de 8 de outubro de 2026, em São Paulo, representantes da Universidade Federal de Uberlândia receberam um prêmio da SAE BRASIL por um trabalho que atacava uma espera familiar a quem projeta carros: descobrir como o ar reage a cada mudança de formato. O projeto veio de estudantes do Centro de Pesquisa em Aerodinâmica Experimental da universidade, em parceria com a empresa Applus+ IDIADA.

O que eles construíram foi uma inteligência artificial capaz de prever a resistência do ar em poucos minutos. Uma simulação detalhada da mesma grandeza costuma exigir horas ou dias de computador. Para quem precisa comparar propostas antes de avançar no projeto de um veículo, essa espera limita quantas ideias cabem na mesa.

Nos testes da equipe, o modelo previu o coeficiente de arrasto com erro médio de 4,06% em relação à simulação computacional completa. Esse coeficiente é um número usado para descrever a resistência aerodinâmica do veículo. A equipe conseguiu chegar rapidamente a uma estimativa que ajuda a escolher quais formas merecem uma análise mais demorada.

O desenho do carro também muda o trabalho do ar

Uma mão aberta diante de um ventilador sente o ar empurrando a palma. Ao virar a mão de lado, a resistência muda. A comparação ajuda a visualizar o problema: o modo como uma superfície encontra o ar faz diferença. Em um carro, a geometria é muito mais complexa, e o fluxo precisa passar pelo conjunto do veículo.

Para estudar esse movimento, engenheiros usam simulações que calculam o comportamento do ar ao redor da carroceria. É o campo chamado fluidodinâmica computacional. Um desenho pode ser alterado no computador, mas descobrir o efeito dessa alteração exige novos cálculos. Quanto maior o nível de detalhe, mais recursos entram na conta do projeto.

Os estudantes usaram esses resultados detalhados como material de aprendizado. Depois do treinamento, a IA passou a estimar o coeficiente de arrasto de novas geometrias de veículos utilitários, os SUVs. A etapa rápida é a previsão feita pelo modelo treinado: antes dela, houve trabalho para produzir os dados e ensinar a rede.

A ferramenta usa redes neurais em grafos. Nesse tipo de rede, a informação é organizada em pontos e nas relações entre eles, permitindo aprender como partes de uma estrutura se conectam. Essa abordagem também é estudada para simulações físicas em malhas, incluindo aerodinâmica. No projeto da UFU, os alunos combinaram a IA com conhecimento do comportamento do ar.

O carro ganhou uma terceira dimensão, e os arquivos deixaram de conversar

A passagem de um desenho plano para um carro tridimensional foi um dos grandes obstáculos. Felipe França, estudante de Engenharia Aeronáutica, conta que a equipe precisou reformular a arquitetura da IA e o método de construção do banco de dados. A terceira dimensão trazia novas relações espaciais que o modelo precisava aprender.

Também apareceu um problema entre os programas. O arquivo usado para preparar a forma do carro precisava chegar corretamente ao software de simulação. Se essa passagem perdesse informações importantes ou produzisse erros de leitura, o cálculo seguinte começaria com um veículo diferente daquele que os alunos queriam estudar.

A equipe desenvolveu uma forma de simplificar a geometria preservando os detalhes aerodinâmicos importantes e criou novos protocolos de exportação. Também adaptou o processamento dos dados tridimensionais. O trabalho envolveu ciclos de testes para fazer as etapas funcionarem juntas.

Com diversos ciclos de testes e validação, conseguimos padronizar um processo sem erros de leitura entre os programas e sem perder os detalhes aerodinâmicos cruciais do carro

Ensinar a rede também exigiu respeitar a física e a memória

Luis Bittar, estudante de Engenharia Mecânica que trabalhou nos códigos da IA, destaca outro cuidado: incluir no modelo as condições necessárias para que ele respeitasse a física. Aprender padrões nos dados precisava caminhar junto com o comportamento que uma previsão aerodinâmica deve representar.

Havia ainda um limite bem concreto no laboratório: a memória dos computadores. Aumentar o nível de detalhe dos dados exigia mais das máquinas durante o treinamento. A equipe precisou equilibrar a resolução com os recursos disponíveis para que o esforço de ensinar a rede continuasse viável.

O resultado dessa combinação foi uma previsão rápida para apoiar a seleção de conceitos aerodinâmicos. Em vez de dedicar a mesma espera a cada ideia, o projetista pode usar a estimativa para filtrar os formatos que deseja investigar mais a fundo. O erro médio de 4,06% foi medido na comparação com a simulação completa dos testes da equipe.

Da pergunta da indústria à próxima versão da ferramenta

Odenir de Almeida, professor da Faculdade de Engenharia Mecânica da UFU e coordenador do projeto, relaciona essa rapidez à redução dos ciclos de projeto. A colaboração aproximou os estudantes de uma tarefa real do desenvolvimento automotivo, em que tempo de engenharia e processamento precisam ser administrados.

Fernanda Saad, coordenadora de inovação da Applus+ IDIADA, explica que a universidade trouxe conhecimento científico, infraestrutura e formação de alunos, enquanto a empresa apresentou problemas e necessidades da indústria. O trabalho avançou da pergunta sobre o arrasto para uma metodologia que integra preparação de dados, simulação e previsão por IA.

A equipe agora prepara uma interface para usuários externos, amplia a base de dados e ajusta a capacidade de processamento, além de estudar modelos que representem com mais fidelidade a física do escoamento. O próximo passo é tornar essa rotina de comparação mais acessível a quem decide, ainda no computador, quais formas de carro merecem seguir para os testes.