Solvers de Dinâmica dos Fluidos Computacional (CFD) de alta fidelidade continuam a ser o padrão ouro para análise aerodinâmica, mas impõem custos computacionais proibitivos — normalmente de 4 a 24 horas por simulação — que tornam a exploração de grandes espaços de design e a otimização evolutiva multi-objetivo praticamente inviáveis em hardware convencional. Este artigo apresenta o AeroML, uma plataforma de inteligência aerodinâmica de grau de produção e full-stack que aborda essa barreira integrando quatro arquiteturas de aprendizado profundo sinérgicas: (i) uma Rede Neural Informada por Física (PINN) treinada para satisfazer as equações de Navier-Stokes bidimensionais, estacionárias e incompressíveis, através da diferenciação automática por meio de resíduos PDE incorporados; (ii) um perceptron multicamada preditor principal operando no espaço latente de Transformação de Forma de Classe Kulfan (CST) de 18 dimensões com fusão de simetria, fornecendo previsões de coeficientes aerodinâmicos (CL, CD, CM) em menos de 50 ms com R² > 0,99; (iii) uma Rede de Operadores Profundos Multicabeça (DeepONet) treinada no conjunto de dados CFD AirfRANS para prever campos de fluxo aerodinâmico bidimensionais completos em resolução espacial arbitrária; e (iv) uma Rede Neural Gráfica AeroGraphSAGE operando sobre gráficos de malha aerodinâmica não estruturados. A plataforma ainda incorpora uma implementação totalmente vetorizada do Algoritmo Genético II de Classificação Não Dominada (NSGA-II) para descoberta de perfis de asa Pareto-óptimos, um motor de design inverso baseado em gradiente que explora a diferenciabilidade do autograd do PyTorch, um solucionador aeroelástico estrutural baseado na teoria de feixes de paredes finas e no teorema de Green, análise de explicabilidade SHAP, e um visualizador de fluido em tempo real baseado no Método Lattice-Boltzmann do WebGPU. O sistema completo é implantado como uma aplicação web Next.js com API REST, autenticação JWT e persistência PostgreSQL. A validação experimental demonstra erros de previsão de coeficientes aerodinâmicos abaixo de 2% para CL e 5% para CD em comparação com dados de referência do XFOIL, frentes Pareto do NSGA-II alcançando 51,5% de melhoria na relação de sustentação a arrasto em relação à base NACA 2412, e campanhas de otimização de ponta a ponta completadas em menos de 5 segundos — representando um aumento de múltiplas ordens de magnitude em relação a fluxos de trabalho baseados em CFD convencionais.
Sajid et al. (2026) estudaram esta questão.