AUTORES: Matheus Silva, Rodrigo Cordeiro, Rodrigo Augusto, Guilherme Simonato.
RESUMO
As condições operacionais das ferrovias brasileiras sofreram mudanças importantes nas últimas décadas, com aumento do comprimento dos trens, da carga transportada por vagão e das velocidades operacionais. Como consequência, houve também um aumento dos esforços atuantes na estrutura dos vagões de carga. Comparações realizadas a partir de dados medidos em campo mostraram que o dano em fadiga pode ser quase 5 vezes superior ao estimado utilizando os espectros de referência da norma Association of American Railroads (AAR).
Uma forma de representar melhor a realidade operacional é utilizar diretamente os sinais de força medidos durante a operação como entrada para análises estruturais e de fadiga. Porém, a grande quantidade de dados disponíveis torna este tipo de análise muito custosa do ponto de vista computacional. Neste trabalho, é apresentado um Modelo de Ordem Reduzida (ROM), utilizando técnicas de Inteligência Artificial, com o objetivo de acelerar as análises e manter um bom nível de precisão nos resultados.
O modelo é composto por duas redes neurais que trabalham de forma integrada. A primeira substitui a simulação estrutural por elementos finitos e a segunda substitui a análise de fadiga. Foram utilizados 4.501 arquivos com duração de 5 minutos para treinamento e teste dos modelos. Para os 4 pontos analisados, os valores do coeficiente de determinação ficaram entre 0,8962 e 0,9633. Considerando o dano acumulado, o ROM apresentou valores entre 0,3% e 5,1% menores do que os obtidos com o modelo convencional. Uma vez que o modelo foi treinado, o tempo necessário para realizar a análise de uma viagem foi reduzido de aproximadamente 2 dias para 5 minutos.
INTRODUÇÃO
A metodologia atual para avaliação estrutural de vagões de carga no Brasil segue o estabelecido pela Association of American Railroads (AAR), dos Estados Unidos. A norma apresenta diferentes carregamentos que representam as principais forças atuantes na estrutura e, também, estabelece uma metodologia para avaliação de fadiga.
As condições operacionais das ferrovias brasileiras mudaram significativamente nas últimas décadas. Os trens passaram a ser mais longos, os vagões passaram a transportar maiores cargas e houve também um aumento das velocidades operacionais. Estas mudanças aumentaram a eficiência da operação ferroviária, mas também aumentaram os esforços atuantes na estrutura dos vagões.
Comparações recentes feitas pelos autores, com base em medições de força no engate realizadas nos últimos anos em uma ferrovia representativa no Brasil, mostraram um aumento significativo no dano por fadiga. Medições realizadas entre 2022 e 2024 revelaram um aumento acentuado no dano à fadiga associado à dinâmica longitudinal do trem. Os níveis de dano são quase 5 vezes superiores aos obtidos utilizando a norma de referência da AAR.
Outro ponto importante é que a metodologia tradicional considera os diferentes carregamentos de forma independente. Durante a operação real, porém, forças longitudinais, verticais e outros esforços atuam ao mesmo tempo na estrutura. A combinação destas cargas pode alterar o estado de tensões e, consequentemente, o dano em fadiga nos pontos críticos do vagão.
Diante disso, uma alternativa é utilizar os dados medidos durante a operação diretamente como entrada para uma análise de fadiga no domínio do tempo. Este tipo de abordagem permite considerar os diferentes carregamentos atuando de forma simultânea. A principal desvantagem, porém, está no elevado custo computacional, principalmente quando uma grande quantidade de dados precisa ser analisada.
É por isso que neste trabalho é apresentado um Modelo de Ordem Reduzida (ROM), utilizando técnicas de Inteligência Artificial, com o objetivo de reduzir o custo computacional da análise de fadiga e permitir a avaliação de uma quantidade maior de dados de operação.
DESENVOLVIMENTO
O primeiro passo para o desenvolvimento do modelo de ordem reduzida foi a definição de um modelo de elementos finitos que servisse como referência para o treinamento. O modelo representa metade de um vagão de carga, utilizando uma condição de simetria para redução do problema. O modelo possui aproximadamente 1 milhão de nós e está ilustrado na Figura 1.
Foram consideradas diferentes cargas atuantes na estrutura, com foco nos esforços longitudinais oriundos da dinâmica do trem e os esforços verticais causados pela interação entre o veículo e a via. A partir de análises preliminares foram selecionadas 4 regiões de interesse na estrutura para avaliação de fadiga e treinamento do modelo de ordem reduzida.
Uma vez que o modelo de elementos finitos e as regiões de interesse foram definidas, o próximo passo no desenvolvimento do modelo de ordem reduzida é a seleção dos dados de entrada para treinamento. Para isso, foram considerados dados coletados por um vagão graneleiro instrumentado que operou em um trecho de ferrovia representativo por um período próximo a um ano. A Figura 2 ilustra as forças monitoradas durante esta etapa.
O vagão instrumentado coletou informações de esforço longitudinal (forças de tração e compressão no engate) e esforços verticais oriundos da interação veículo-via. Durante a coleta, o vagão operou em diferentes posições no trem, de forma a mapear os impactos de diferentes variáveis nas forças medidas.
As figuras 3 e 4 apresentam o sinal temporal medido durante uma única viagem. Os trechos nos quais o vagão está parado foram removidos. Nota-se que, mesmo ao se reduzir o sinal, uma única viagem contém cerca de 60 horas de dados, o que inviabiliza uma análise detalhada de fadiga de forma convencional considerando muitas viagens.
A etapa final antes de iniciar o treinamento do modelo de ordem reduzida é definir os parâmetros que serão considerados na análise de fadiga. A análise adotou a metodologia Stress-Life, utilizando a curva FAT-90 para juntas soldadas e a regra de Palmgren-Miner para acúmulo linear do dano.
MODELO DE ORDEM REDUZIDA
O modelo de ordem reduzida é composto por duas redes neurais que trabalham de forma integrada (Figura 5). A primeira rede recebe como entrada as forças medidas durante a operação e substitui as simulações por elementos finitos. A segunda rede utiliza os resultados obtidos na primeira etapa para estimar o dano em fadiga. Dessa forma, o processo convencional de simulação estrutural seguido pelo cálculo de fadiga é substituído pelos dois modelos de ordem reduzida.
Para o treinamento foram utilizados 4.501 arquivos com duração de 5 minutos cada. Cada um destes arquivos contém os dados temporais de forças no engate e na travessa, amostrados a 50 Hz. 80% dos dados foram utilizados para treinamento e 20% para teste. A primeira rede neural é composta por duas camadas com 20 neurônios cada. A segunda rede é composta por três camadas com 60 neurônios cada.
RESULTADOS
Os resultados obtidos foram considerados bons para os 4 pontos analisados. Os valores do coeficiente de determinação ficaram entre 0,8962 e 0,9633, mostrando uma boa correlação entre os resultados previstos pelo modelo de ordem reduzida e os resultados obtidos com a metodologia convencional. A Figura 6 apresenta o dano estimado pelas duas metodologias para cada pacote de dados analisado em duas regiões de interesse. A resposta da simulação convencional são os quadrados em verde, enquanto a resposta do ROM são os quadrados em azul. Nota-se um comportamento próximo entre as duas metodologias.
Além dos resultados individuais, também foi comparado o dano acumulado utilizando todo o conjunto de dados. Para os pontos avaliados, o ROM apresentou um dano acumulado entre 0,3% e 5,1% menor do que o obtido com o modelo convencional. A Figura 7 apresenta a evolução do dano acumulado para dois pontos na estrutura. A curva em azul é a resposta obtida pela simulação convencional, enquanto a curva em laranja é a resposta obtida pelo ROM. Aqui também é possível notar um comportamento próximo entre as metodologias, mostrando que o modelo desenvolvido conseguiu prever com acuracidade o comportamento global do modelo convencional.
Uma das principais vantagens observadas ao se utilizar esta metodologia foi a redução no tempo necessário para realizar a análise. Uma vez que o modelo de ordem reduzida foi treinado, há uma redução significativa do tempo de processamento. Considerando a análise de fadiga de uma única viagem, a metodologia convencional leva aproximadamente 2 dias, enquanto o ROM leva cerca de 5 minutos.
Além disso, o modelo proposto apresenta uma menor demanda de recursos computacionais, de forma que as análises podem ser executadas em computadores mais simples sem a necessidade de utilizar os mesmos recursos exigidos pelo modelo convencional de elementos finitos.
CONCLUSÃO
As condições operacionais das ferrovias brasileiras exigem análises estruturais cada vez mais detalhadas, principalmente quando se considera a avaliação de fadiga. O uso de dados medidos em campo permite representar melhor os carregamentos reais atuantes nos vagões, mas gera também uma grande quantidade de dados que precisa ser processada.
Neste cenário, a utilização de uma metodologia convencional baseada em simulações de elementos finitos e análises de fadiga pode apresentar um custo computacional elevado. A utilização de Modelos de Ordem Reduzida utilizando técnicas de Inteligência Artificial aparece como uma alternativa para reduzir este custo.
Os resultados obtidos neste trabalho mostram que o ROM foi capaz de estimar o dano em fadiga com boa precisão para os 4 pontos analisados. Os valores do coeficiente de determinação ficaram entre 0,8962 e 0,9633 e a diferença no dano acumulado ficou entre 0,3% e 5,1% em relação ao modelo convencional.
Ao mesmo tempo, houve uma redução significativa do custo computacional. O tempo de análise de uma viagem foi reduzido de aproximadamente 2 dias para 5 minutos. Estes resultados mostram que a metodologia proposta permite a análise de uma quantidade maior de dados de operação sem a necessidade de executar repetidamente simulações estruturais completas.
REFERÊNCIAS BIBLIOGRÁFICAS
- Aggarwal, C. C. 2023. Neural Networks and Deep Learning: A Textbook. Springer.
- Association of American Railroads, 2023. Manual of Standards and Recommended Practices, Section C – Part II, Washington, D.C.
- Géron, A. 2019. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O’Reilly Media.
- Hobbacher, A. F., & Baumgartner, J. 2024. Recommendations for Fatigue Design of Welded Joints and Components (3rd ed.).
- Johannesson, P. & Speckert, M. 2014. Guide to load analysis for durability in vehicle engineering.
- Smolyakov, V. 2024. Machine Learning Algorithms in Depth. Manning Publications.
- Suresh, S. 1998. Fatigue of Materials, 2nd Edition, Cambridge University Press.