SEAT S.A., fabricant d’automòbils amb seu a Catalunya i subsidiària del grup Volkswagen, vol desenvolupar ARCO, una eina basada en la metodologia de Machine Learning Proper Generalized Decomposition (PGD) per a l’anàlisi paramètrica NVH (Noise, Vibration and Harshness) de la carrosseria d’un vehicle, tenint en compte variables de disseny de material i geomètriques. Aquest anàlisi és crític per assegurar que el producte compleixi els criteris de soroll i vibració, millorant el confort, la qualitat i la satisfacció del client. El projecte és la continuació natural de desenvolupaments previs realitzats en Matlab entre SEAT i LaCàN, utilitzant la llibreria ePGD desenvolupada per inLab FIB en C++ i Python, escalada en paral·lel amb PETSC i OpenMPI.

El primer paquet de treball consisteix en l’automatització del procés d’entrada de dades i còmput del mòdul PGD desenvolupat prèviament durant el projecte ARCO, amb la tasca d’automatitzar tot el flux des del preprocesament fins a la solució final, establint l’estructura lògica del codi, les classes i els mètodes, generant les matrius de dades i els fitxers de configuració, introduint un validador per assegurar la correcta generació de les dades extretes de Nastran, afegint un optimitzador de la solució final i garantint la mantenibilitat i escalabilitat del codi.

El segon paquet de treball té com a objectiu l’increment de la dimensionalitat, començant amb la definició dels paràmetres a considerar i l’estratègia de mostreig en diverses dimensions, estudiant la localització espacial de l’efecte de cada paràmetre i dissenyant un conjunt inicial de mostres per verificar el comportament, seguit de la generació de les matrius corresponents al mostreig definit i la construcció dels tensores separats i finalment la resolució del problema paramètric i la construcció del surrogate PGD en diverses dimensions, amb la finalitat de generalitzar el procés a altres geometries i paràmetres en el futur.