Otimização multiobjetivo do projeto de sistema de resfriamento por spray de óleo para motor com bobinas tipo hairpin baseada em otimização por enxame de partículas–backpropagation–algoritmo genético de ordenação não dominada III

Por que manter motores elétricos frios é importante

À medida que os carros elétricos ficam mais potentes e compactos, os motores que os acionam são exigidos mais do que nunca. Dentro desses motores, bobinas de cobre densamente agrupadas podem aquecer a ponto de perderem permanentemente força magnética, reduzindo a vida útil do motor e desperdiçando energia. Este estudo investiga um método avançado de banhar essas bobinas em óleo refrigerante e, em seguida, usa algoritmos computacionais inteligentes para redesenhar o anel pulverizador que fornece o óleo, tornando o motor mais frio e mais fácil de operar.

Como a chuva de óleo protege motores sobrecarregados

Motores de tração modernos frequentemente usam as chamadas bobinas hairpin — barras rígidas de cobre dobradas em forma de U e empacotadas densamente ao redor do rotor. Esses feixes concentrados são ótimos para potência, mas também são as partes mais quentes do motor. Uma solução promissora é um sistema de resfriamento por spray de óleo: um anel oco ao redor das bobinas emite múltiplos jatos de óleo que atingem o cobre quente, se espalham em filme fino e removem calor antes que o óleo retorne ao circuito de resfriamento. O artigo foca em um motor elétrico de 230 kW que já usa esse tipo de anel, mas cujo projeto original deixava as bobinas muito quentes e o óleo sob pressão relativamente alta, exigindo demais o sistema de resfriamento.

Testando diferentes maneiras de pulverizar o óleo

Os pesquisadores primeiro fizeram uma pergunta básica: que formato de bico resfria melhor? Eles compararam três tipos comerciais de bico — spray plano, cone cheio e em leque — simulando como cada um umedece um feixe de bobinagem realista, sem simplificações. Usando cálculos detalhados de fluxo de fluidos e calor, produziram mapas de temperatura que mostram onde as bobinas permaneciam quentes ou frias. O bico de spray plano tendia a molhar apenas o centro das bobinas, deixando condutores vizinhos mais quentes. O bico em leque teve desempenho um pouco melhor, mas ainda criou saltos agudos de temperatura entre bobinas adjacentes. O bico de cone cheio, por contraste, espalhou o óleo de forma mais uniforme sobre a superfície, produzindo um campo de temperatura mais suave e a menor temperatura de pico — cerca de 22% menor que com o spray plano e 5% menor que com o bico em leque. Esse bico foi portanto escolhido como ponto de partida para o redesenho.

Explorando o espaço de projeto com experimentos virtuais

Em seguida, a equipe voltou-se para a geometria do próprio anel pulverizador. Identificaram seis dimensões-chave, incluindo os diâmetros maior e menor de cada bico, o ângulo de pulverização, a rotação dos bicos ao redor do anel, a quantidade de bicos utilizados e o comprimento axial do anel. Em vez de testar todas as combinações possíveis, usaram um desenho ortogonal — um conjunto estruturado de 25 variantes cuidadosamente escolhidas — para explorar de forma eficiente como esses fatores afetam dois objetivos: a temperatura máxima das bobinas e a pressão interna máxima do óleo. Para cada variante, dinâmicas de fluido computacional (CFD) avançadas forneceram as temperaturas e pressões. Uma análise de sensibilidade revelou então que um parâmetro, o diâmetro menor do bico, tinha de longe a influência mais forte tanto no resfriamento quanto na pressão, enquanto as outras dimensões ainda desempenhavam papéis de apoio importantes.

Deixando algoritmos ajustarem os detalhes minuciosos

Para ir além desses 25 projetos de teste, os autores treinaram uma rede neural para aprender a relação entre a geometria do anel e o desempenho de resfriamento, usando os resultados das simulações como conjunto de ensino. Em seguida, envolveram essa rede dentro de um esquema híbrido de otimização que combina otimização por enxame de partículas com um algoritmo genético moderno multiobjetivo. Em termos simples, “partículas” virtuais e “descendentes” percorrem o espaço de projeto, propondo milhares de novas formas de anel pulverizador. A rede neural prevê rapidamente temperatura e pressão para cada candidato, e o algoritmo mantém apenas aqueles que equilibram bem ambos os objetivos, formando o que os engenheiros chamam de fronteira de Pareto. Dessa fronteira, a equipe selecionou um projeto em que os bicos são ligeiramente menores, mas mais numerosos, e o comprimento do anel e o ângulo de pulverização são ajustados finamente para produzir uma cobertura de óleo forte e uniforme sem elevar demais a pressão interna.

O que o projeto otimizado entrega

Por fim, o projeto escolhido foi verificado novamente com simulações CFD completas. As temperaturas e pressões de pico previstas e simuladas concordaram dentro de cerca de 2%, mostrando que o algoritmo integrado foi altamente preciso. Em comparação com o anel pulverizador original, a versão otimizada reduziu a temperatura máxima das bobinas em 8,5% e cortou a pressão interna máxima do óleo em 25,6%. Para um motor de veículo elétrico, isso significa cobre mais frio, menor risco de dano magnético e menor carga na bomba de óleo, tudo sem alterar a configuração básica do motor. O trabalho demonstra como combinar simulações de fluxo realistas com algoritmos de busca inteligentes pode extrair mais desempenho de hardware existente, apontando para acionamentos elétricos de alta potência mais frios, mais eficientes e mais duráveis.

Citação: Liu, Y., Xu, P., Chen, S. et al. Multi-objective optimization design of oil spray cooling system for hairpin motor based on particle swarm optimization-backpropagation-non-dominated sorting genetic algorithm III. Sci Rep 16, 11593 (2026). https://doi.org/10.1038/s41598-026-42028-7

Palavras-chave: resfriamento de motor elétrico, resfriamento por spray de óleo, bobinagens hairpin, otimização multiobjetivo, veículos elétricos