A Vivix testa mudanças no forno num gêmeo digital antes de mexer no real. IA industrial responde à física

Ninguém consegue olhar dentro de um forno de vidro float em operação. A algo entre 1.550 e 1.600°C, as interações entre os gases da combustão, o vidro fundido e as paredes refratárias que seguram tudo isso são, na maior parte, invisíveis, e o forno passa anos funcionando entre uma reforma grande e outra. Cada ajuste nos queimadores é uma aposta sobre condições que os operadores só conseguem medir em parte.

A Vivix, fabricante brasileira de vidros planos e espelhos para a construção civil e o setor moveleiro, está construindo um jeito de fazer essas apostas primeiro numa cópia. Num estudo de caso técnico publicado pela Snowflake em 21 de outubro, escrito com engenheiros da Vivix, da Siemens, da Snowflake e da NVIDIA, a empresa descreve um gêmeo digital executável do seu forno: simulações físicas, dados de sensores em tempo real e modelos de IA combinados para que as equipes estimem o que não conseguem medir e testem mudanças de operação antes de fazê-las. É um dos casos mais concretos de IA industrial vindos do Brasil neste ano.

Como o gêmeo é construído

O desenho é uma divisão de trabalho sensata entre quatro tecnologias.

• Física, só que rápida. Modelos multifísicos de alta fidelidade do Siemens Simcenter são convertidos, por modelagem de ordem reduzida, em executáveis leves que rodam quase em tempo real. O Executable Digital Twin Manager da Siemens cuida do ciclo de vida deles.
• Substitutos de IA treinados em física. O NVIDIA PhysicsNeMo treina modelos que combinam causalidade física com dados de simulação e de operação, e bibliotecas do NVIDIA Omniverse permitem que os engenheiros revisem os resultados visualmente. Juntos, funcionam como um “sensor virtual” para a distribuição de calor, a velocidade dos gases e o fluxo térmico pelas paredes.
• Dados de operação num só lugar. A Vivix reúne dados de TI e de tecnologia operacional, incluindo as leituras dos sensores, num namespace unificado na Snowflake, de modo que as previsões ficam ao lado das condições observadas e não numa ferramenta de simulação separada.
• Uma interface conversacional. Uma interface multiagente da Snowflake permite que os operadores perguntem sobre velocidades ideais de ar, rodem cenários “e se” e recebam diagnósticos de causa raiz em linguagem natural, “sem arriscar o ativo físico”.

O sistema roda na AWS. A Vivix começou por três frentes: desgaste do refratário, eficiência da combustão e qualidade da fusão.

1. Sensores no forno
2. Substitutos físicos estimam estados ocultos
3. Operador faz uma pergunta e se
4. Gêmeo simula a mudança
5. Engenheiro decide
6. Setpoint muda no forno real

Uma pessoa decideModelos físicos respondem

Os números são metas, e o caso diz isso

Com base num piloto, a Vivix espera reduzir o consumo de energia do forno em 3% a 5%, estender a vida útil do forno em um ano e encurtar em 80% o ciclo de coleta e análise de dados. São expectativas de um piloto, não resultados medidos em produção, e o projeto ainda está em desenvolvimento. Também são plausíveis no tipo: uma campanha de forno é longa, a energia é o maior custo de operação, e um ano a mais antes de uma reforma a frio vale muito para qualquer fabricante de vidro.

Por que este é o formato certo para agentes industriais

A parte interessante não é que os operadores conversam com um forno. É o que responde a eles. Quando um engenheiro pergunta o que acontece se a potência dos queimadores mudar numa zona, a resposta vem de um substituto físico conferido contra a simulação e o histórico dos sensores, e não da sensação de um modelo de linguagem sobre o que parece plausível. O modelo de linguagem traduz a pergunta e explica o resultado. Quem prevê é a física.

É o padrão que descrevemos quando os parceiros da NVIDIA levaram agentes às fábricas de chips pela simulação, e uma aplicação direta do princípio de que, em trabalho regulado e de alta consequência, a prova tem de vir de fora do modelo. Um forno não perdoa uma resposta errada dita com confiança.

O resto do setor vai na mesma direção. No mesmo dia, Mistral e NVIDIA anunciaram planos de criar benchmarks públicos e bases de dados abertas para modelos de física e para agentes em engenharia assistida por computador, medindo se os agentes usam corretamente as ferramentas de engenharia, completam fluxos de várias etapas e chegam a resultados tecnicamente corretos, além de tempo de execução e custo. Esses benchmarks são planos, ainda sem resultados publicados. O objetivo é o certo: julgar agentes de engenharia pela física, e não por respostas bem escritas.

O que outras indústrias podem levar daqui

1. Comece pela variável oculta que mais custa. A Vivix escolheu o desgaste do refratário e a combustão, em que uma estimativa melhor muda o caixa e a vida do ativo.
2. Coloque simulação e dados dos sensores no mesmo lugar governado, para que as previsões do gêmeo possam ser comparadas com o que a planta de fato mediu.
3. Faça do agente uma interface para os modelos, não um substituto deles. O trabalho dele é fazer boas perguntas ao gêmeo e explicar as respostas.
4. Deixe a mudança no ativo real com um engenheiro, pelo processo de mudanças que a planta já tem, e registre qual simulação embasou cada decisão.
5. Valide o gêmeo continuamente. Um substituto treinado com as condições do ano passado se desvia à medida que o refratário se desgasta; a comparação com os sensores é o controle.

Um gêmeo digital usado assim entrega o que a IA enterprise promete com frequência e raramente cumpre na indústria pesada: deixa as pessoas testarem uma ideia onde errar é barato.