Um gráfico convincente não é validação
Um simulador é uma implementação de hipóteses físicas, parâmetros, estados e leis de controle. Ele pode ser valioso mesmo antes de sua validação experimental, mas seus resultados devem ser apresentados como estimativas ou cenários, e não como equivalentes a um ensaio real.
Esse princípio vale para ICE (Internal Combustion Engine, motor de combustão interna), HEV (Hybrid Electric Vehicle, híbrido elétrico), PHEV (Plug-in Hybrid Electric Vehicle) e BEV (Battery Electric Vehicle, elétrico a bateria).
Primeiro defina o sistema de interesse
- Fronteiras: veículo inteiro, subsistema de tração, motor, bateria ou inversor.
- Entradas: velocidade desejada, rampa, temperatura, massa, resistência ao rolamento e perfil aerodinâmico.
- Estados: velocidade, SOC, temperaturas, rotações e outras variáveis dinâmicas pertinentes.
- Parâmetros: mapas de motor, eficiência de conversores, capacidade útil e perdas.
- Saídas: consumo, potência, energia, desempenho e emissões, quando modeladas.
Conservação de energia e potência
Em um modelo longitudinal simplificado, a potência nas rodas depende da força trativa e da velocidade. Já a energia consumida na fonte inclui as perdas dos componentes e a variação da energia armazenada.
A igualdade acima requer unidades coerentes: força em newtons, velocidade em metros por segundo e potência em watts. Para interpretar o desempenho global, devem ser acrescentadas as parcelas de resistência e as perdas de cada elemento da transmissão.
Ciclos de condução não substituem medições
Ciclos padronizados, como WLTC (Worldwide harmonized Light vehicles Test Cycle, ciclo de condução harmonizado para veículos leves), ajudam na comparação sob perfis de velocidade definidos. Entretanto, um modelo que acompanha o ciclo ainda pode superestimar eficiência por ter mapas de perdas ou estratégia de controle incorretos.
O objetivo de validação depende da finalidade: previsão de energia, temperatura, emissões ou resposta transitória requer critérios de comparação diferentes.
Protocolo mínimo de credibilidade
- Registrar origem, unidade e incerteza de cada parâmetro relevante.
- Verificar balanços de massa e energia, limites físicos e coerência dimensional.
- Confrontar o modelo com dados experimentais independentes da calibração, sempre que disponíveis.
- Apresentar erro quantitativo, região operacional válida e limitações conhecidas.
- Versionar equações, datasets e resultados para permitir a reprodução do estudo.
Não se deve confundir simulação funcional, calibração e validação independente. São estágios diferentes de maturidade científica.
Aplicação na KN
A mesma arquitetura de rastreabilidade permite conectar projetos desenvolvidos em MATLAB e Python ao ambiente de simulação KN: cada veículo precisa ter parâmetros documentados, modelo de estados, regras de controle, fontes de dados e testes de regressão.