Aprendizado de Máquina para a Otimização da Obtenção de Resultados em Simulações de Defesa Aeroespacial

Este estudo investiga a implementação de técnicas de Machine Learning (Aprendizado de Máquina, ML) para acelerar a aquisição dos resultados em simulações aeroespaciais executadas pelo software Ambiente de Simulação Aeroespacial (ASA). Nesse contexto, simulações que modelam, em alguma medida, comportamentos estocásticos naturalmente requerem múltiplas iterações para atingir a convergência estatística, prolongando o tempo de processamento. Portanto, é proposta uma abordagem baseada em ML, utilizando técnicas tanto supervisionadas quanto não supervisionadas, para construir modelos preditivos a partir de dados provenientes de simulações de cenários aeroespaciais no contexto de defesa, de modo que, uma vez treinados, estes modelos generalizem a relação entre os dados de entrada e a variável-alvo, possibilitando a inferência de resultados sem a necessidade de recorrer a extensas e demoradas novas simulações para um mesmo cenário. Este procedimento é implementado utilizando a biblioteca AsaPy, desenvolvida na linguagem de programação Python, e integrado ao serviço ASA. Os resultados evidenciam a aplicabilidade e a usabilidade do ML em contextos de simulação aeroespacial de defesa.