SEAT S.A., fabricante de automóviles con sede en Cataluña y subsidiaria del grupo Volkswagen, tiene como objetivo desarrollar ARCO, una herramienta basada en la metodología de Machine Learning Proper Generalized Decomposition (PGD) para el análisis paramétrico NVH (Noise, Vibration and Harshness) de la carrocería de un vehículo, teniendo en cuenta variables de diseño de material y geométricas. Este análisis es crítico para asegurar que el producto cumpla los criterios de ruido y vibración, mejorando el confort, la calidad y la satisfacción del cliente. El proyecto es la continuación natural de desarrollos previos realizados en Matlab entre SEAT y LaCàN, utilizando la librería ePGD desarrollada por inLab FIB en C++ y Python, escalada en paralelo con PETSC y OpenMPI.

El primer paquete de trabajo consiste en la automatización del proceso de entrada de datos y cómputo del módulo PGD desarrollado previamente durante el proyecto ARCO, con la tarea de automatizar todo el flujo desde el preprocesamiento hasta la solución final, estableciendo la estructura lógica del código, las clases y los métodos, generando las matrices de datos y los archivos de configuración, introduciendo un validador para asegurar la correcta generación de los datos extraídos de Nastran, añadiendo un optimizador de la solución final y garantizando la mantenibilidad y escalabilidad del código.

El segundo paquete de trabajo tiene como objetivo incrementar la dimensionalidad, comenzando con la definición de los parámetros a considerar y la estrategia de muestreo en múltiples dimensiones, estudiando la localización espacial del efecto de cada parámetro y diseñando un conjunto inicial de muestras para verificar el comportamiento, seguido de la generación de las matrices correspondientes al muestreo definido y la construcción de los tensores separados, y finalmente la resolución del problema paramétrico y la construcción del surrogate PGD en varias dimensiones, con el objetivo de generalizar el proceso a otras geometrías y parámetros en el futuro.