Modelos Substitutos Sequenciais para Reconstrução Rápida do Histórico de Tensão e Estimativa de Vida em Fadiga de um Braço de Controle Automotivo sob Carregamento Não Estacionário
Este trabalho investiga modelos substitutos (surrogate models) de redes neurais para acelerar
a avaliação da vida em fadiga de um braço de controle de suspensão automotiva submetido
a cargas de excitação de estrada não estacionárias. Adota-se um fluxo de trabalho em três
estágios: (i) aumento de dados no domínio tempo-frequência para gerar longos históricos de
carga a partir de registros curtos; (ii) uma análise de elementos finitos (MEF) transiente de
referência para obter a resposta de tensão em um local crítico; e (iii) estimativa de vida em
fadiga via contagem de ciclos rainflow e a regra de dano acumulado de Palmgren-Miner.Três
arquiteturas de aprendizado de sequência, Long Short-Term Memory (LSTM), Gated
Recurrent Unit (GRU) e um Transformer baseado em atenção, são treinadas para mapear a
entrada de carga não estacionária para o histórico de tensão correspondente. O desempenho
do modelo é avaliado usando o coeficiente de determinação (R2) e o RMSE em dados
de teste, e os históricos de tensão previstos são propagados para a vida em fadiga para
quantificar o erro relativo em relação à referência baseada em MEF.Todas as arquiteturas
reproduzem o histórico de tensão com R2 ≥ 0, 96. O Transformer fornece a melhor previsão
geral de tensão (R2 ≈ 0, 98, RMSE ≈ 11, 7 MPa), seguido de perto pela LSTM (R2 ≈ 0, 97,
RMSE ≈ 12, 0 MPa), enquanto a GRU exibe um erro maior, porém aceitável (R2 ≈ 0, 96,
RMSE ≈ 19, 6 MPa). Quando traduzido para vida em fadiga, o Transformer atinge um
desvio de aproximadamente 2% da vida de referência MEF (≈ 8, 97 × 108 km), enquanto
a LSTM e a GRU resultam em desvios de cerca de 10% e 12%, respectivamente.Além
disso, os modelos substitutos reduzem o tempo computacional total em relação às análises
transientes de MEF, mesmo quando o tempo de treinamento é considerado, com economias
gerais relatadas na ordem de 76–88% entre as arquiteturas avaliadas. No geral, os resultados
sustentam a viabilidade de modelos recorrentes e de atenção como substitutos práticos
para análises de durabilidade sob espectros de carregamento complexos, dentro do escopo
do componente estudado, histórico de carregamento e suposições de pós-processamento de
fadiga.