Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39115| Título: | Modelagem com deep learning para previsão do RMSVA da suspensão de veículos com base nos parâmetros da suspensão, velocidade e condições do pavimento |
| Título(s) alternativo(s): | Deep learning modeling to predict vehicle suspension RMSVA based on suspension parameters, speed and pavement conditions |
| Autor(es): | Volpato, André Felipe Shimizu |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Aprendizado profundo (Aprendizado do computador) Automóveis - Molas e suspensão Desempenho - Previsão Deep learning (Machine learning) Automobiles - Springs and suspension Performance - Forecasting |
| Data do documento: | 27-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | VOLPATO, André Felipe Shimizu. Modelagem com deep learning para previsão do RMSVA da suspensão de veículos com base nos parâmetros da suspensão, velocidade e condições do pavimento. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2025. |
| Resumo: | Simulações em Simulink fornecem respostas dinâmicas precisas da suspensão, mas tornam-se onerosas para varrer milhares de combinações de parâmetros. Este trabalho propõe um modelo substituto em Deep Learning (DL) para prever a medida de aceleração vertical (RMSVA) a partir de parâmetros da suspensão, velocidade e rugosidade (IRI), reduzindo o custo computacional sem perder rastreabilidade. A base de dados foi gerada a partir de nove veículos, com 36 perfis de pista por velocidade (30 a 120 km/h) e IRI medido a cada 100 m. As séries foram organizadas em janelas temporais de cinco amostras e avaliadas em validação leave-one-vehicle-out. A arquitetura combina convoluções 1D multiescala, mecanismo de atenção e embeddings de classe. O modelo alcançou coeficiente de determinação (𝑅2) médio de 0,95, RMSE médio de 0,10 e MAE médio de 0,07 nos conjuntos de teste, reproduzindo com alta fidelidade as respostas do modelo de referência. A inferência quase instantânea viabiliza varrer cenários de suspensão e apoiar decisões de projeto com menor custo computacional. |
| Abstract: | Numerical simulations in Simulink deliver accurate suspension responses but become costly when thousands of parameter combinations must be swept. This work introduces a deep learning (DL) surrogate that predicts the Root Mean Square Vertical Acceleration (RMSVA) from suspension parameters, vehicle speed, and road roughness (International Roughness Index – IRI), cutting computation time without sacrificing fidelity. The dataset covers nine vehicle classes and 36 track profiles per speed (30–120 km/h), with IRI sampled every 100 m and five-sample temporal windows. The architecture combines multi-scale 1D convolutions, an attention mechanism to weight relevant segments, and vehicle-class embeddings, trained with leave-one-vehicle-out validation. The model achieved an average coefficient of determination (R2) of about 0.95 and an average Root Mean Squared Error (RMSE) near 0.10, closely matching the reference responses. The resulting tool accelerates suspension scenario exploration and design decisions by delivering comfort metrics rapidly. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39115 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| modelagemdeeplearningrmsva.pdf | 5,2 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
