IA para Simulação e Prototipagem
de Novos Produtos

Propõe uma GAN condicional que recebe campos físicos (tensão, deslocamento) como entrada e gera geometrias estruturais otimizadas quase instantaneamente — substituindo centenas de iterações numéricas tradicionais. Redução de ~3× no erro quadrático médio e 2.5× no erro absoluto médio vs. GAN baseline.

Redução de ~3× no MSE vs. GAN baseline. Elimina meses de simulação FEA manual. Código disponível publicamente no GitHub.

Apresenta o TopoDiff: modelo de difusão condicional que integra metas de desempenho mecânico e fabricabilidade no processo de geração. É performance-aware e constraint-aware. Supera GANs em 8× na redução do erro de performance física e produz 11× menos amostras infeasíveis.

8× melhor performance física vs. GAN. 11× menos designs infeasíveis. Dados, código e modelos treinados publicamente disponíveis. Publicado em AAAI, conferência top-tier da área.

Review seminal (144 páginas técnicas) que cataloga o estado da arte de GANs, VAEs, Autoencoders Variacionais e RL aplicados ao design de engenharia. Mapeia aplicações em otimização estrutural, design de materiais e síntese de formas. Referência obrigatória para o embasamento teórico do TCC.

Artigo de revisão de alto impacto, referência padrão na área desde 2022. CC BY 4.0 — download gratuito e legal. Citado extensivamente em pesquisas subsequentes do MIT DECODE Lab.

Demonstra como agentes RL exploram o espaço de design autonomamente, aprendendo quais configurações falham e evoluindo rumo a estruturas com melhor relação peso/resistência. O agente "falha" virtualmente milhares de vezes antes de gerar o design definitivo — análogo digital exato ao problema Dyson.

Publicado em 2025, periódico Elsevier avaliado por pares. Dados experimentais mostram redução significativa de massa mantendo integridade estrutural. Open Access — download legal e gratuito.

Artigo fundador das PINNs (Physics-Informed Neural Networks) — redes que incorporam leis físicas (EDPs) diretamente na função de perda. Permite simular comportamentos físicos de protótipos sem necessidade de grandes datasets, apenas usando equações da física como supervisão. É a base teórica dos surrogate models físicos.

Um dos artigos mais citados da área de IA aplicada a simulação física (14.000+ citações). Abriu toda a linha de pesquisa de neural surrogate models fisicamente consistentes. Leitura obrigatória para fundamentação teórica de qualquer TCC nessa área.

Propõe software que combina Digital Twin + IA Generativa para simular e testar designs de produtos antes da fabricação. O modelo generativo sugere designs baseados em parâmetros de custo, tendências de mercado e facilidade de manufatura. O digital twin valida esses designs em ambiente virtual.

Publicado na Procedia CIRP (Elsevier), peer-reviewed. PDF disponível gratuitamente no ScienceDirect. Diretamente aplicável ao contexto do TCC.

Revisão estruturada cobrindo integração de GANs, algoritmos genéticos e surrogate models (CNNs) no design generativo. Inclui análise de topologia com eficiência >40% via deep learning acelerado. Bibliometria de centenas de artigos — ótimo para a seção de Revisão Bibliográfica do TCC.

MDPI Open Access — download gratuito e legal. Publicado em 2025, altamente atual. Ideal como base da seção de Estado da Arte do TCC.

Revisão sistemática de Digital Twins com IA categorizada em três dimensões: operador (segurança, monitoramento), processo (otimização de fluxo) e produto (melhoria de design e qualidade). Especialmente relevante a dimensão produto, que cobre uso de DTs para desenvolvimento iterativo de protótipos.

Revisão sistemática de 2025, Open Access, identificando oportunidades e desafios. Boa base para a seção de Trabalhos Relacionados do TCC.

Survey técnico cobrindo o papel de IA (ML, DL, RL) em modelagem e simulação dentro de Digital Twins. Cobre desde simulações de Monte Carlo até agentes baseados em dados. Excelente para a seção de Metodologia do TCC ao descrever como modelos de IA operam dentro de DTs.

Survey técnico abrangente e gratuito no arXiv. Referência de 2025, altamente atual para o contexto do TCC.

Survey abrangente de design computacional orientado a dados para produtos, cobrindo IA generativa, otimização, retrieval de modelos 3D e personalização. Apresenta a perspectiva completa do ciclo de vida do produto com IA — da ideação à fabricação.

Survey gratuito e acessível, com revisão de dezenas de técnicas e aplicações reais. Excelente para embasar a seção de Revisão de Literatura do TCC.