Ensaios acelerados de motores agrícolas usando inteligência artificial para predição de desempenho

• Ano de defesa: 2024
• Autor(a) principal: Silva, Matheus Lopes da
• Orientador(a): Balbinot, Alexandre
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Máquinas agrícolas; Motor; Modelos de previsão; Ensaios acelerados; Redes neurais
• Palavras-chave em Inglês: Recurrent neural networks; Accelerated engine testing; LAT (Limiting Ambient Temperature); ATA (Air to Air); Intelligent models; TimeGAN
• Link de acesso: http://hdl.handle.net/10183/283494

Este estudo aborda o desenvolvimento de algoritmos de inteligência artificial (IA) aplicados à otimização de testes acelerados de motores agrícolas, focando principalmente nos testes de Limiting Ambient Temperature (LAT) e Air-to-Air (ATA). A necessidade de aumentar a eficiência no processo de validação de motores agrícolas responde à demanda por reduzir o tempo de desenvolvimento de produtos e os custos operacionais, diante de pressões ambientais e regulatórias para otimizar o consumo de energia e reduzir emissões. A metodologia propõe reduzir parte do tempo dos testes experimentais pela previsão efetuada pelos modelos inteligentes, que utilizam algoritmos de redes neurais recorrentes para modelar o comportamento temporal das variáveis críticas. Com base nos dados coletados nos primeiros instantes do teste, os modelos conseguem prever o comportamento futuro do sistema, reduzindo significativamente o tempo necessário para a validação completa. Modelos como SRNN, GRU e LSTM são particularmente adequados para lidar com dependências temporais de longo prazo, superando limitações de algoritmos tradicionais que tendem a perder informações importantes ao longo da sequência temporal. Além disso, foram implementados modelos híbridos, como o LSTM-CNN e o TimeGAN, para capturar padrões complexos de séries temporais de forma eficiente. A metodologia emprega dados históricos de 15 modelos de tratores, analisando parâmetros críticos como LAT Water, LAT Oil, IMTD e Delta-CAC, para treinar e avaliar o desempenho dos algoritmos propostos. Os resultados mostram que os modelos preditivos alcançaram uma redução de aproximadamente 7 vezes o tempo necessário para os testes de validação, além de uma diminuição de aproximadamente 80% no consumo de combustível durante o processo. Entre os modelos testados, os híbridos, especialmente o LSTM-CNN e o TimeGAN, obtiveram os menores valores de Mean Squared Error (MSE), com 9,35E-06 e 8,47E-07, respectivamente, e se destacaram pelo desempenho satisfatório em termos de tempo de processamento. Esses avanços possibilitam acelerar significativamente o timeto-market de novos motores, com benefícios econômicos e ambientais expressivos, além de potencial para expandir suas aplicações em outras indústrias.