MODELAGEM E PREVISÃO DO TEMPO DE DESCARGA DE BATERIAS DE LÍTIO: UMA ANÁLISE NO CONTEXTO DA INTELIGÊNCIA ARTIFICIAL

A crescente eletrificação no transporte e em dispositivos eletrônicos impulsiona a demanda por Sistemas de Gerenciamento de Baterias (BMS) sofisticados, onde a previsão precisa do tempo de descarga restante de baterias de íon-lítio é crucial para a segurança e otimização. Devido à complexidade não-linear e multifatorial do comportamento de descarga, modelos tradicionais frequentemente são insuficientes. Este trabalho explora e compara duas abordagens avançadas de Inteligência Artificial: Redes Neurais Artificiais (RNAs), especificamente a arquitetura Multi-Layer Perceptron (MLP), e Lógica Fuzzy. Para as RNAs, foi desenvolvido um modelo treinado com um vasto dataset do NASA Prognostics Center of Excellence (PCoE), totalizando 218.397 amostras, utilizando SOC, corrente, temperatura e tensão como features de entrada. O treinamento com o algoritmo Levenberg-Marquardt resultou em um baixo Erro Quadrático Médio (MSE) de 0.001038 no conjunto de teste, evidenciando alta precisão e capacidade de generalização. Paralelamente, um modelo de Lógica Fuzzy foi construído utilizando variáveis linguísticas como Corrente de Descarga Relativa (CDR) e Estado de Carga (SOC), com uma base de 25 regras "SE-ENTÃO" e inferência Mamdani, resultando em previsões realistas para diversos cenários de baterias. A análise comparativa sugere que ambas as IAs são ferramentas poderosas, com potencial para sistemas híbridos neuro-fuzzy que combinam suas melhores características para BMS futuros.