Técnicas de aprendizado de máquina para análise multiparamétrica e projeto de estruturas helicoidais não lineares considerando colisões internas

Por que as molas dos carros importam mais do que você imagina

Escondidas no interior de motores automotivos de alto desempenho estão molas metálicas fortemente enroladas que abrem e fecham as válvulas milhares de vezes por segundo. Essas molas helicoidais fazem mais do que simplesmente saltar; elas armazenam energia e domam vibrações violentas. Mas em rotações extremas, as mesmas molas podem subitamente gerar picos de força agudos que danificam componentes e encurtam a vida útil do motor. Este estudo explica de onde vêm esses picos e mostra como simulações modernas e aprendizado de máquina podem ajudar engenheiros a redesenhar molas para serem ao mesmo tempo duráveis e eficazes na absorção de vibração.

Molas sob rotações extremas do motor

Os pesquisadores focaram em uma mola de válvula do tipo “colmeia” usada em um motor esportivo de alta rotação. Ao contrário de uma mola simples e reta, esta varia de diâmetro ao longo da altura e tem espiras mais próximas em algumas regiões do que em outras. A equipe montou a mola em um motor V8 real acionado por um motor elétrico e mediu as forças produzidas enquanto o conjunto girava entre 6.500 e 16.000 rotações por minuto. Em velocidades mais baixas, as forças de pico permaneceram perto de 900 newtons e variaram suavemente, conforme esperado da vibração ordinária. Mas por volta de 7.800 rpm e novamente em rotações mais altas, as forças medidas saltaram de repente para mais de 1.500–1.800 newtons. Esses picos inesperados sugeriam um processo diferente e mais violento ocorrendo dentro da mola.

Observando dentro da mola com testes virtuais

Para ver o que acontecia entre as espiras, a equipe construiu um modelo computacional altamente detalhado da mola usando uma técnica padrão de engenharia chamada análise por elementos finitos. Eles recriaram a geometria e o material exatos, incluíram contato por atrito entre espiras vizinhas e aplicaram ao modelo o mesmo movimento do comando de válvulas do motor. Ao executar a simulação a 7.800 rpm, as forças previstas coincidiram muito bem com as medidas no motor, incluindo o pico agudo em um ponto específico do ciclo do comando. Ao acompanhar o movimento de espiras individuais, descobriram que duas espiras vizinhas em uma região de folga estreita colidiram brevemente e se separaram em alguns milésimos de segundo. Essa colisão rápida lançou uma forte onda elástica através da mola, que se manifestou como o pico de força observado.

Como as colisões de espiras ajudam e atrapalham

Essas colisões mostraram-se uma faca de dois gumes. Por um lado, quando as espiras se chocam elas dissipam parte da energia vibracional e podem reduzir oscilações contínuas — útil para manter o movimento da válvula estável. Por outro lado, esses impactos geram forças muito grandes, embora de curta duração, que podem acelerar a fadiga e levar a falhas precoces. O desafio principal de projeto, portanto, não é eliminar completamente o contato, mas ajustar a geometria da mola para que as colisões sejam suficientemente suaves para evitar picos danosos, ao mesmo tempo em que ainda ajudam a amortecer vibrações. Como a forma da mola é definida por muitas dimensões interligadas — como o diâmetro das espiras e a “altura” vertical em vários pontos — testar toda combinação possível diretamente no motor ou com simulações completas seria excessivamente demorado.

Deixando algoritmos aprenderem as melhores formas

Para enfrentar esse problema multiparamétrico, os pesquisadores usaram aprendizado de máquina. Eles variaram quatro características geométricas chave das duas espiras muito próximas, criaram 60 designs virtuais diferentes de mola e simularam cada um na rotação crítica do motor. Para cada projeto registraram a força dinâmica máxima. Esses dados foram então alimentados em dois tipos de algoritmos de aprendizagem: uma rede neural profunda que atua como uma poderosa caixa‑preta de reconhecimento de padrões, e um modelo de programação genética que produz fórmulas matemáticas explícitas. A rede neural alcançou maior precisão de previsão, reproduzindo de forma fiel os picos de força simulados mesmo para designs que não havia visto antes. Usando esse modelo treinado, a equipe pôde varrer milhares de designs virtuais quase instantaneamente e mapear como mudanças no diâmetro e na altura das espiras alteravam os picos de força resultantes.

Encontrando projetos de mola mais seguros e suaves

Ao explorar esse espaço de projeto aprendido, os autores destacaram regiões onde os picos de força permaneciam abaixo de níveis associados a danos, mas onde ainda ocorriam colisões — e, portanto, amortecimento útil. Em termos simples, mostraram como ajustar cuidadosamente o tamanho e a posição de apenas algumas espiras pode transformar uma mola propensa a picos severos em uma que gerencia as vibrações do motor de forma mais suave. A abordagem combina simulações realistas em alta rotação com modelos orientados por dados para orientar escolhas de projeto sem testes físicos intermináveis. Embora este trabalho foque uma mola de válvula específica, a mesma estratégia pode ser aplicada a muitos dispositivos helicoidais, de suspensões ferroviárias a exoesqueletos vestíveis, ajudando engenheiros a criar componentes ao mesmo tempo resistentes e silenciosos em condições extremas.

Citação: Gu, Z., Liu, Y., Kong, X. et al. Machine learning techniques based multi-parameter analysis and design of nonlinear helical structures considering internal structure collisions. Sci Rep 16, 8595 (2026). https://doi.org/10.1038/s41598-026-39953-y

Palavras-chave: molas de válvula, amortecimento de vibração, colisões de bobinas, projeto com aprendizado de máquina, motores de alta rotação