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

Abstract

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.

This study addresses the development of artificial intelligence (AI) algorithms applied to the optimization of accelerated tests for agricultural engines, focusing primarily on Limiting Ambient Temperature (LAT) and Air-to-Air (ATA) tests. The need to improve efficiency in the validation process of agricultural engines arises from the demand to reduce product development time and operational costs, in response to environmental and regulatory pressures to optimize energy consumption and reduce emissions. The methodology proposes reducing part of the experimental testing time through predictions made by intelligent models, which use recurrent neural network algorithms to model the temporal behavior of critical variables. Based on data collected in the initial stages of testing, the models can predict the future behavior of the system, significantly reducing the time required for full validation. Models such as SRNN, GRU, and LSTM are particularly wellsuited to handle long-term temporal dependencies, overcoming limitations of traditional algorithms that tend to lose important information throughout the temporal sequence. In addition, hybrid models such as LSTM-CNN and TimeGAN were implemented to efficiently capture complex temporal series patterns. The methodology employs historical data from 15 tractor models, analyzing critical parameters such as LAT Water, LAT Oil, IMTD, and Delta-CAC to train and evaluate the performance of the proposed algorithms. The results show that the predictive models achieved a reduction of approximately 7 times in the time required for validation tests, along with an approximate 80% reduction in fuel consumption during the process. Among the tested models, the hybrid models, especially LSTM-CNN and TimeGAN, achieved the lowest Mean Squared Error (MSE) values, with 9.35E-06 and 8.47E-07, respectively, and stood out for their satisfactory performance in terms of processing time. These advances significantly accelerate the time-to-market of new engines, providing substantial economic and environmental benefits, as well as potential for expansion in other industries.