Modelagem de TWC com Modelo de Aprendizado de Máquina Random Forest

A fase fria dos motores de combustão interna representa um dos períodos de maior emissão de poluentes. Este estudo desenvolve e avalia um modelo de aprendizado de máquina baseado em Random Forest para prever as emissões instantâneas de monóxido de carbono (CO), óxidos de nitrogênio (NOx) e hidrocarbonetos totais (HCts) durante a fase fria de um SUV equipado com motor 1.0 3 cilindros turbo abastecido com etanol. Os dados foram obtidos a partir de medições do sistema de diagnóstico de bordo (OBDII) e de um analisador de gases, considerando condições controladas com o veículo parado, operando em marcha lenta, 2000 rpm e 3000 rpm. As variáveis de entrada incluem parâmetros operacionais do motor e gases na entrada do sistema de pós-tratamento, enquanto as saídas correspondem às emissões finais de CO, NOx e HCts.A validação do modelo foi realizada por meio de validação cruzada K-Fold. Para o poluente CO, o modelo apresentou alto desempenho, alcançando um coeficiente de determinação (R²) de teste igual a 0,9728 e raiz do erro quadrático médio (RMSE) de 10,6561 ppm , com R² médio de validação cruzada de 0,9670. Para HCts, os resultados indicaram R² médio de 92,73% e RMSE médio de 702,13 ppm. Para NOx, o modelo atingiu R² médio de 84,56% e RMSE médio de 2,86.ppm. Os resultados demonstram que a técnica Random Forest é eficaz para prever emissões veiculares deste tipo de veículo durante a fase fria, oferecendo potencial para aplicações em controle em tempo real, aprimoramento de sistemas de diagnóstico a bordo e desenvolvimento de soluções voltadas à sustentabilidade e à redução dos impactos ambientais associados ao uso de veículos automotores.