Nissan usa inteligência artificial para acelerar testes de veículos elétricos
A Nissan está utilizando inteligência artificial para otimizar e acelerar o desenvolvimento de seus veículos elétricos. A iniciativa, fruto de uma colaboração com a empresa britânica Monolith, integra 90 anos de dados da montadora com o aprendizado de máquina, visando otimizar cada etapa do processo de desenvolvimento.
A parceria entre Nissan e Monolith, que foi renovada até 2027, visa revolucionar o desenvolvimento de carros elétricos. Iniciada com o Nissan Leaf, a colaboração agora se expande para outros modelos, utilizando a IA para simular e validar o desempenho dos veículos com precisão.
A tecnologia de aprendizado de máquina permite que os engenheiros da Nissan utilizem dados históricos e simulações digitais para prever resultados, reduzindo a dependência de protótipos físicos, economizando tempo e recursos, e diminuindo o impacto ambiental.
Engenheiros da Nissan, localizados em Cranfield, Reino Unido, estão utilizando a plataforma de IA da Monolith para processar e aprender com o vasto acervo de dados acumulados ao longo de nove décadas. Isso ajuda a prever o desempenho dos carros em diversas condições, antes mesmo de irem para a pista.
Entre os ganhos obtidos com a aplicação do sistema, destacam-se a redução significativa no tempo total de testes, a menor necessidade de protótipos físicos, a maior precisão nos resultados e diagnósticos, a economia de recursos e energia, e a otimização de todo o ciclo de desenvolvimento.
A IA já demonstrou resultados concretos. Em um dos testes, o sistema foi usado para analisar o torque ideal das juntas de parafusos do chassi. O algoritmo identificou a faixa ideal de aperto e sugeriu quais testes deveriam ser priorizados, reduzindo em 17% os experimentos físicos.
A Nissan estima que a aplicação desse processo a todos os seus modelos poderá cortar pela metade o tempo total de validação. A plataforma da Monolith conta com ferramentas como o “Recomendador de Próximo Teste” e o “Detector de Anomalias”, que ajudam a identificar falhas e sugerir novos experimentos quase em tempo real.