Protótipo virtual híbrido física–IA para otimização da eficiência de transmissões e-drive em máquinas off-highway

Protótipo virtual híbrido física–IA para otimização da eficiência de transmissões e-drive em máquinas off-highway

Estudo de caso

A eletrificação de máquinas agrícolas e equipamentos de construção civil impõe novos desafios ao desenvolvimento de transmissões. Tratores, retroescavadeiras e outros veículos off-highway operam em condições severas, com grandes variações de torque, rotação e carga. Nesse contexto, pequenas perdas em engrenagens, rolamentos, vedações e sistemas de lubrificação podem comprometer a eficiência energética e aumentar as exigências térmicas do conjunto.

O desenvolvimento convencional de uma transmissão desse tipo depende fortemente de protótipos físicos e ensaios experimentais. Embora indispensáveis para a validação final, esses testes são caros, demorados e nem sempre permitem identificar com precisão qual componente é responsável por determinada parcela das perdas. O desafio do projeto foi, portanto, criar uma ferramenta de engenharia capaz de antecipar essa análise durante o desenvolvimento do produto.

A iniciativa foi desenvolvida em colaboração entre a University of Luxembourg, Department of Engineering, e a Carraro Lux-Tech R&D, organização de pesquisa e desenvolvimento ligada ao setor de transmissões. O objeto do estudo foi uma transmissão elétrica de duas velocidades destinada a aplicações off-highway, reunindo em um mesmo projeto modelagem física, experimentação e técnicas de inteligência artificial.

Da transmissão física ao protótipo virtual

A solução desenvolvida consistiu em um modelo virtual unidimensional da transmissão implementado no ambiente Siemens AMESim. Em vez de representar a eficiência apenas por um valor global, o modelo reproduz individualmente os principais mecanismos responsáveis pela dissipação de energia.

Foram incorporadas perdas associadas ao contato entre engrenagens, atrito nos rolamentos, vedações e movimentação do óleo, incluindo fenômenos de churning e windage. O modelo considera simultaneamente aspectos mecânicos, hidráulicos e térmicos relevantes para o comportamento da transmissão.

Essa abordagem transforma a simulação em algo mais próximo de um protótipo virtual de engenharia. Além de responder se uma determinada configuração é mais ou menos eficiente, a ferramenta permite investigar por que determinada perda ocorre e onde estão as maiores oportunidades de melhoria.

Validação com uma transmissão real

Para que a ferramenta pudesse ser utilizada como apoio a decisões de projeto, não bastava que o modelo apresentasse coerência teórica. Era necessário demonstrar sua aderência ao comportamento do sistema real.

A transmissão foi então caracterizada experimentalmente em bancada instrumentada. Os ensaios abrangeram as duas relações de transmissão, diferentes níveis de óleo e uma ampla faixa operacional, com velocidades de até 6.000 rpm e torques de até 1.000 Nm. Os mapas experimentais de eficiência foram utilizados como referência para calibrar e validar o modelo.

A correlação entre os resultados simulados e experimentais apresentou coeficiente de determinação R² = 0,97. A diferença média de eficiência encontrada foi de −5,58 pontos percentuais, indicando uma tendência conservadora do modelo. Para aplicações nas etapas iniciais de desenvolvimento, essa característica é particularmente útil, pois evita que a ferramenta superestime o desempenho da transmissão.

O resultado demonstrou que um modelo de menor custo computacional é capaz de reproduzir de maneira consistente as principais tendências observadas experimentalmente e, portanto, pode ser empregado em estudos comparativos e de otimização antes que todas as alternativas sejam construídas e ensaiadas fisicamente.

Identificação das principais fontes de perda

Um dos resultados mais relevantes para a engenharia foi a possibilidade de decompor as perdas totais da transmissão por componente.

A análise mostrou que as engrenagens do contraeixo são responsáveis por aproximadamente 23% a 25% das perdas totais, enquanto os rolamentos do eixo de entrada contribuem com cerca de 15% a 21%.

Essa informação altera a forma como o problema de eficiência pode ser tratado. Em vez de promover modificações generalizadas no sistema, a equipe de engenharia passa a dispor de evidências para concentrar os esforços justamente nos componentes que apresentam maior potencial de melhoria.

No caso analisado, os resultados indicam como principais frentes de otimização a microgeometria e o acabamento superficial das engrenagens, estratégias de lubrificação e a seleção e configuração dos rolamentos.

A ferramenta passa, dessa forma, a atuar como apoio à decisão de engenharia, direcionando recursos de desenvolvimento para os subsistemas que efetivamente concentram as perdas.

Inteligência artificial aplicada ao processo de engenharia

Após a validação do modelo físico, técnicas de inteligência artificial foram incorporadas ao processo com dois objetivos principais: aprimorar a calibração e criar formas mais rápidas de explorar novas condições de operação.

Foram realizadas mais de 10.000 simulações para geração de dados e análise da influência de diferentes parâmetros físicos sobre a eficiência. Entre os parâmetros estudados estavam temperatura do óleo, profundidade de imersão das engrenagens, volume de óleo e torque de entrada.

A calibração foi estruturada como um problema de otimização utilizando Bayesian Optimization, técnica adequada a problemas em que cada avaliação possui custo computacional relevante. O procedimento convergiu após 187 iterações, com RMSE inferior a 0,15.

Paralelamente, foi desenvolvido um modelo substituto baseado em Multi-Output Random Forest, treinado a partir dos dados produzidos pelo modelo físico. Esse modelo apresentou R² = 0,994 quando comparado às previsões do modelo de referência em um conjunto independente de teste.

A combinação das duas abordagens permite unir características normalmente tratadas separadamente: a interpretabilidade da modelagem física e a velocidade de modelos baseados em dados.

Resultado para o processo de desenvolvimento

O principal resultado do projeto não é apenas a obtenção de uma nova simulação de transmissão. A inovação está na criação de um processo integrado que combina:

modelo físico + dados experimentais + calibração por inteligência artificial + modelo substituto para exploração rápida de alternativas.

A partir desse processo, torna-se possível testar virtualmente diferentes condições, identificar antecipadamente os componentes críticos e priorizar as alternativas de projeto com maior potencial antes de avançar para novas etapas de prototipagem e experimentação.

O estudo demonstrou, portanto, a viabilidade de utilizar um protótipo virtual experimentalmente validado como ferramenta de apoio ao desenvolvimento de transmissões eletrificadas.

Ao mesmo tempo, o modelo mantém conexão direta com variáveis físicas de engenharia. Isso diferencia a abordagem de aplicações de inteligência artificial puramente baseadas em dados, nas quais os resultados podem ser difíceis de interpretar do ponto de vista mecânico.

Potencial de replicação

Embora desenvolvido para uma transmissão e-drive de duas velocidades, o método não está restrito a essa arquitetura específica.

A mesma lógica pode ser aplicada a outras transmissões e sistemas de propulsão nos quais diferentes mecanismos de perda coexistam e precisem ser avaliados de forma integrada. O maior potencial de aplicação está em produtos para os quais a construção e o ensaio de sucessivos protótipos físicos sejam tecnicamente complexos ou economicamente dispendiosos.

A metodologia também estabelece uma base tecnológica para futuras aplicações envolvendo digital twins, otimização multiobjetivo, análise de incerteza e exploração automatizada de espaços de projeto, permitindo integrar eficiência, comportamento térmico, durabilidade, lubrificação, NVH e outros critérios relevantes ao desenvolvimento de novos produtos.

Síntese do case

O projeto demonstrou que a integração entre pesquisa aplicada, experimentação industrial, simulação multifísica e inteligência artificial pode transformar a forma como a eficiência de uma transmissão é analisada durante seu desenvolvimento.

Os principais resultados obtidos foram:

validação experimental do protótipo virtual com R² = 0,97;

avaliação de condições de operação de até 6.000 rpm e 1.000 Nm;

realização de mais de 10.000 simulações para análise e geração de dados;

identificação quantitativa dos componentes responsáveis pelas principais perdas;

identificação das engrenagens do contraeixo como responsáveis por 23–25% das perdas e dos rolamentos do eixo de entrada por 15–21%;

desenvolvimento de modelo substituto baseado em Machine Learning com R² = 0,994;

criação de uma arquitetura metodológica capaz de apoiar futuras aplicações de otimização e digital twin.

O case mostra como a cooperação entre universidade e P&D empresarial pode transformar conhecimento científico em uma ferramenta concreta para apoiar decisões de engenharia no desenvolvimento de sistemas de propulsão eletrificados.

Instituições participantes: University of Luxembourg — Department of Engineering; Carraro Lux-Tech R&D — Department of Engineering.

Evidência técnica publicada: Ferreira, T. S. et al. Efficiency Modeling, Experimental Validation, and Machine Learning-Assisted Model Calibration of a Two-Speed E-Drive Transmission for Construction Equipment. SAE International Journal of Commercial Vehicles, v. 19, n. 3, 2026. DOI: 10.4271/02-19-03-0019.