🤖 machine learning

Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

Este estudo apresenta um benchmark abrangente de oito modelos de aprendizado de máquina e aprendizado profundo para a previsão do desempenho de motores síncronos de rotor de bobina, demonstrando que arquiteturas baseadas em redes neurais, particularmente o FT-Transformer, superam significamente os modelos baseados em árvores em precisão e velocidade computacional, ao mesmo tempo em que oferecem um protocolo de reprodutibilidade de múltiplas sementes robusto e uma análise de Pareto das compensações entre custo e precisão.

Autores originais: Kıvanç Doğan, Ahmet Orhan

Publicado 2026-06-23✓ Author reviewed ⓘ

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Kıvanç Doğan, Ahmet Orhan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando projetar o motor perfeito para um novo carro elétrico. No passado, os engenheiros dependiam de metais raros e caros (como os encontrados em ímãs) para tornar seus motores potentes. Mas, como esses metais são difíceis de obter e podem causar problemas políticos, os engenheiros estão mudando para um tipo diferente de motor chamado Motor Síncrono de Rotor Bobinado (WRSM). Pense neste novo motor como um motor "inteligente" que não precisa desses metais raros, mas é muito mais difícil de projetar.

O Problema: O Gargalo da "Matemática Lenta"

Projetar este novo motor é como tentar encontrar a receita perfeita provando cada possível combinação de ingredientes. Existem dezenas de variáveis (como o tamanho das placas de metal, o número de voltas do fio e a corrente elétrica).

Tradicionalmente, os engenheiros usam uma simulação de computador incrivelmente precisa, mas extremamente lenta, chamada FEA (Análise de Elementos Finitos) para testar cada receita.

A Analogia: Imagine que a FEA é como um mestre chef que prova uma sopa, analisa cada molécula e dá uma classificação perfeita. O problema é que leva horas para provar apenas uma colherada. Se você precisar testar 3.000 receitas, estaria esperando anos.

A Solução: Os "Aprendizes Rápidos" (Aprendizado de Máquina)

Para acelerar isso, os pesquisadores tentaram ensinar computadores a "adivinhar" os resultados dos testes do mestre chef lento. Eles usaram modelos de Aprendizado de Máquina (ML) e Aprendizado Profundo (DL).

A Analogia: Em vez de esperar pelo mestre chef, eles treinaram um grupo de "aprendizes de degustação rápida". Esses aprendizes leram milhares de receitas passadas e seus resultados, aprendendo padrões para que possam prever o sabor de uma nova receita em milissegundos.

O Experimento: O Grande Duelo de Sabores

Os pesquisadores criaram um conjunto de dados de 3.351 designs de motores válidos (como um enorme livro de receitas). Eles então colocaram 8 diferentes "aprendizes" uns contra os outros para ver quem poderia prever o desempenho do motor (quanta força de torção ele produz e quão eficiente ele é) com maior precisão.

Os 8 aprendizes vinham de quatro famílias diferentes:

Modelos Baseados em Árvores (Os Enigmatistas de Lógica): Estes incluem modelos como CatBoost, LightGBM e Random Forest. Eles tomam decisões fazendo uma série de perguntas de "Sim/Não", como um fluxograma.
Redes Neurais (Os Reconhecedores de Padrões): Estes incluem MLP, PI-MLP e o protagonista, o FT-Transformer. Eles são projetados para imitar o cérebro humano, buscando conexões complexas e suaves entre as variáveis, em vez de passos simples de sim ou não.
Modelos Probabilísticos (Os Apostadores): Como a Regressão de Processo Gaussiano, que tenta adivinhar com um senso de incerteza.

Os Resultados: Quem Venceu?

Após rodar os testes 10 vezes para garantir que os resultados não fossem apenas sorte, eis o que aconteceu:

O Campeão: O FT-Transformer (um modelo de aprendizado profundo) conquistou a medalha de ouro. Foi o mais preciso, prevendo o desempenho do motor com uma precisão quase perfeita (99,28% de acurácia).
- Por que venceu: O artigo sugere que a física do motor é como um rio suave e fluído. As redes neurais são ótimas em seguir esse fluxo suave. Os modelos de "Árvore", que retalham o rio em passos retos e irregulares, tiveram dificuldade em capturar essa nuance.
O Vice-Campeão: Redes Neurais padrão (MLP) ficaram em segundo lugar, ainda superando todos os modelos baseados em árvores.
A Opção "Bom o Suficiente": Entre os modelos baseados em árvores, o CatBoost foi o melhor. Ele não era tão preciso quanto as redes neurais, mas era muito mais rápido de treinar.
O Perdedor: O Random Forest foi o pior desempenho geral, enquanto o GPR treina muito rápido, mas fica atrás das redes neurais em precisão.

O Equilíbrio: Velocidade vs. Precisão

Os pesquisadores também observaram o "custo" de treinamento desses modelos:

FT-Transformer: Levou cerca de 6 minutos para treinar, mas, uma vez treinado, prevê resultados em 0,33 milissegundos. Isso é milhões de vezes mais rápido que o antigo "mestre chef" (FEA).
CatBoost: Levou apenas 37 segundos para treinar e ofereceu um equilíbrio muito bom entre velocidade e precisão.
O Jeito Antigo (FEA): Leva minutos ou horas por um único teste.

A Conclusão

Este estudo prova que, para projetar esses novos motores elétricos sem metais raros, os modelos de Aprendizado Profundo (especificamente o FT-Transformer) são as melhores ferramentas disponíveis. Eles são incrivelmente precisos e podem explorar milhares de possibilidades de design no tempo que antes levava para testar apenas um.

Se você precisa do melhor design absoluto, use o FT-Transformer. Se você precisa de uma resposta rápida e "boa o suficiente" para o planejamento inicial, o CatBoost é uma alternativa sólida e veloz. De qualquer forma, ambos tornam o processo de design dramaticamente mais rápido do que os métodos tradicionais.

Resumo Técnico: Avaliação Comparativa de Modelos de Aprendizado de Máquina e Aprendizado Profundo para Predição de Desempenho de WRSM

Definição do Problema
A rápida expansão da indústria de veículos elétricos (VE) intensificou a demanda por motores elétricos de alta eficiência que evitem a dependência de elementos de terras raras (REE). Os motores síncronos de rotor bobinado (WRSM) surgiram como uma alternativa estratégica aos motores síncronos de imãs permanentes (PMSM) devido à sua capacidade de eliminar a dependência de REE. No entanto, o projeto de WRSMs envolve um problema de otimização não linear e de alta dimensionalidade, exigindo o ajuste simultâneo de inúmeros parâmetros geométricos e eletromagnéticos. A validação de projeto tradicional baseia-se na Análise de Elementos Finitos (FEA), que, embora precisa, é computacionalmente dispendiosa, frequentemente exigindo minutos ou horas por avaliação. Este gargalo restringe severamente a exploração de grandes espaços de parâmetros durante as fases iniciais de projeto. Embora a modelagem substituta (surrogate modeling) baseada em aprendizado de máquina tenha sido proposta para acelerar este processo, a literatura existente muitas vezes limita as comparações a um conjunto estreito de modelos, exclui arquiteturas modernas de aprendizado profundo e carece de benchmarks abrangentes específicos para WRSMs.

Metodologia
Este estudo conduz uma comparação sistemática de oito modelos de aprendizado de máquina e aprendizado profundo através de quatro famílias algorítmicas: boosting de gradiente, ensemble, redes neurais e métodos probabilísticos. A avaliação foca na predição de duas métricas críticas de desempenho: torque e eficiência do motor.

Geração de Dados: Um conjunto de dados de 3.351 amostras válidas foi gerado utilizando a Amostragem por Hipercubo Latino (LHS) dentro do ambiente de simulação Ansys Motor-CAD. O conjunto de dados mapeia 23 parâmetros de entrada (15 geométricos e 8 elétricos) para as variáveis alvo. Os dados foram divididos em conjuntos de treinamento (70%), validação (15%) e teste (15%).
Modelos Avaliados:
- Boosting de Gradiente: CatBoost, LightGBM e XGBoost.
- Ensemble: Random Forest.
- Redes Neurais: Perceptron Multicamadas (MLP), MLP com Informação Física (PI-MLP, que integra restrições eletromagnéticas na função de perda) e FT-Transformer (uma arquitetura de transformer projetada para dados tabulares usando autoatenção).
- Probabilístico: Regressão de Processo Gaussiano (GPR), treinada em um subconjunto de 400 amostras devido à complexidade computacional.
Protocolo de Treinamento: Para garantir robustez e reprodutibilidade, cada modelo foi treinado utilizando 10 diferentes valores de semente aleatória (random seed). Os hiperparâmetros foram otimizados sistematicamente utilizando o framework Optuna. Todos os modelos foram avaliados usando $R^2$ , Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e Erro Percentual Absoluto Médio (MAPE).

Principais Contribuições
O estudo distingue-se de trabalhos anteriores através de três contribuições primárias:

Amplo Espectro de Modelos: Inclui uma gama abrangente de algoritmos, integrando notavelmente arquiteturas recentes de aprendizado profundo para dados tabulares, especificamente o FT-Transformer, que não havia sido previamente testado para modelagem substituta de WRSM.
Reprodutibilidade Rigorosa: O uso de um protocolo de múltiplas sementes (10 sementes) e a otimização sistemática de hiperparâmetros proporcionam uma avaliação estatisticamente robusta do desempenho dos modelos, indo além de avaliações de execução única.
Análise Multidimensional: O estudo emprega uma análise de Pareto para avaliar o compromisso (trade-off) entre custo computacional (tempo de treinamento) e precisão de predição, oferecendo orientação prática para diferentes estágios do processo de projeto.

Resultados
Os resultados experimentais demonstram uma clara hierarquia de desempenho:

Precisão: Modelos baseados em redes neurais superaram sistematicamente os modelos baseados em árvores. O FT-Transformer alcançou a maior precisão de modelo único, com um $R^2$ geral de 0,9928 ± 0,0009. Especificamente, obteve um $R^2$ de 0,9914 para a predição de torque (MAE = 1,227 Nm) e 0,9942 para a predição de eficiência (MAE = 0,728%).
Comparação: Modelos baseados em árvores (CatBoost, LightGBM, XGBoost, Random Forest) apresentaram menor precisão, com valores de $R^2$ variando entre 0,80 e 0,95. Entre eles, o CatBoost teve o melhor desempenho, enquanto o Random Forest exibiu o maior erro.
Abordagem Baseada em Física: A inclusão de restrições físicas no PI-MLP não resultou em uma melhoria de desempenho sobre o MLP padrão; de fato, o MLP padrão superou ligeiramente o PI-MLP em ambas as métricas.
Compromisso Computacional:
- FT-Transformer: Exigiu o maior tempo de treinamento (378 segundos), mas entregou a maior precisão.
- CatBoost: Emergiu como uma solução Pareto-ótima, alcançando um $R^2$ de 0,9592 em aproximadamente 37 segundos, oferecendo um equilíbrio favorável entre velocidade e precisão.
- Velocidade de Inferência: Uma vez treinado, o modelo FT-Transformer gera predições em 0,33 milissegundos, representando uma aceleração de várias ordens de magnitude em comparação ao tempo de computação de minutos da FEA.

Significância e Alegações
Os autores afirmam que este estudo representa o primeiro benchmark abrangente no campo da modelagem substituta de WRSM que incorpora arquiteturas recentes de aprendizado profundo como o FT-Transformer. Os achados sugerem que as capacidades de aproximação de funções contínuas das redes neurais são mais adequadas para capturar as transições eletromagnéticas suaves e não lineares dos WRSMs do que as fronteiras de decisão lineares por partes dos modelos baseados em árvores.

O estudo conclui que, embora o FT-Transformer seja a escolha superior para aplicações que exigem máxima precisão, o CatBoost serve como uma alternativa eficiente para as etapas de prototipagem rápida e pré-seleção, onde o custo computacional é uma restrição primária. Os modelos substitutos desenvolvidos reduzem significativamente o tempo de avaliação, permitindo a exploração rápida de grandes espaços de parâmetros nos estágios iniciais de projeto de motores elétricos. O trabalho futuro propõe avaliar a generalização destes modelos para diferentes configurações de WRSM e explorar a integração da modelagem informada pela física com conjuntos de dados maiores.