Nissan adota inteligência artificial para encurtar em 50% a fase de testes de veículos elétricos

A Nissan incorporou inteligência artificial ao seu processo de engenharia com o objetivo de acelerar a chegada de novos veículos elétricos ao mercado. A solução, criada em cooperação com a empresa britânica Monolith, reúne nove décadas de informações de testes da montadora e técnicas de aprendizado de máquina para antecipar resultados, diminuir a dependência de protótipos físicos e reduzir o período total de validação em até 50 %.

Sinergia entre montadora e empresa tecnológica

A parceria entre Nissan e Monolith foi estendida até 2027, confirmando o interesse das duas organizações em manter a estratégia que começou com o desenvolvimento do Nissan Leaf e passou a abranger outros programas de produto. A Monolith fornece uma plataforma de software capaz de analisar conjuntos massivos de dados, enquanto a montadora contribui com resultados de testes realizados ao longo de 90 anos em pistas, laboratórios e estradas. O acordo estabelece que o mesmo método será aplicado a todos os futuros projetos, ampliando a base de conhecimento e incrementando a confiança nos modelos preditivos.

Dados históricos convertidos em modelos de previsão

A essência da iniciativa reside na transformação de registros obtidos em quase um século de experimentos em variáveis que alimentam algoritmos de aprendizado de máquina. Resultados de ensaios de durabilidade, medições estruturais, parâmetros de desempenho e métricas de eficiência energética são agregados ao ambiente digital da Monolith. Essa massa de informações é usada para treinar modelos que simulam o comportamento dos veículos em condições variadas, desde temperatura ambiente até diferentes perfis de condução.

Ao condensar o conhecimento acumulado em um sistema de IA, a montadora consegue antecipar cenários que antes exigiam séries extensas de provas físicas. Com isso, o ciclo de desenvolvimento passa a depender menos de peças fabricadas em pequena escala e de jornadas de pista que consomem tempo e recursos.

Aplicação prática no centro técnico de Cranfield

Os engenheiros da Nissan alocados em Cranfield, no Reino Unido, recorrem à plataforma da Monolith para processar e interpretar os dados legados. O software identifica correlações, reconhece padrões e fornece projeções sobre como cada componente ou subsistema deve se comportar. Antes que o primeiro protótipo seja montado, a equipe já dispõe de um retrato detalhado de desempenho, confiabilidade e requisitos de ajuste fino.

Essa abordagem contribui para que tarefas tradicionais — como a definição de rigidez estrutural, calibração de trem de força ou ajuste de sistemas de gestão térmica — sejam reavaliadas. A interação entre simulação e aprendizado de máquina mostra quais variáveis exercem maior influência e quais experimentos realmente precisam ser executados fisicamente, otimizando a agenda de testes.

Estudo de caso: torque de fixadores do chassi

Um dos exemplos divulgados pela empresa refere-se à análise do torque aplicado às juntas de parafusos do chassi. Ao receber registros de ensaios anteriores, o algoritmo conseguiu apontar a faixa de aperto que produziria melhor resultado em termos de rigidez e durabilidade. Além disso, a ferramenta indicou quais verificações deveriam ser priorizadas em pista ou em bancada. A orientação proporcionou uma diminuição de 17 % nos experimentos físicos necessários para confirmar o valor ideal de torque, demonstrando que a IA consegue direcionar esforços para pontos de maior impacto.

Benefícios quantificados no ciclo de desenvolvimento

Com base nos primeiros projetos contemplados, a Nissan elenca ganhos concretos decorrentes do novo método:

Redução do tempo total de testes: a análise preditiva permite cortar pela metade a etapa de validação de um veículo, encurtando o intervalo entre conceito e lançamento.

Diminuição do número de protótipos: a confiança nas simulações reduz a quantidade de unidades construídas exclusivamente para experimentação, poupando materiais e mão de obra.

Maior precisão nos diagnósticos: os modelos de IA refinam a leitura de dados, oferecendo margens de erro menores e sinalizando variações que poderiam passar despercebidas em métodos convencionais.

Economia de recursos e energia: menos veículos de teste representam menos deslocamentos, menor uso de combustível em bancos geradores e redução de consumo elétrico em laboratórios.

Otimização global do processo: ao apontar ensaios prioritários, o sistema libera equipes para atividades de maior valor agregado, incrementando produtividade em toda a cadeia de engenharia.

Ferramentas internas da plataforma de IA

Duas soluções se destacam dentro do pacote fornecido pela Monolith. O Recomendador de Próximo Teste avalia a matriz de variáveis e sugere o experimento que mais contribuirá para validar o modelo em menor tempo. Já o Detector de Anomalias compara resultados esperados e observados quase em tempo real, sinalizando inconsistências e evitando a repetição de falhas em etapas posteriores. Ambas as funcionalidades colaboram para que decisões sejam tomadas de modo mais rápido e fundamentado.

Horizonte até 2027 e expansão para toda a linha

Com a renovação do acordo até 2027, a Nissan planeja aplicar o fluxo de trabalho baseado em IA a cada plataforma que entrar em desenvolvimento. O objetivo é manter o ritmo de redução do prazo de validação observado nos projetos iniciais e elevar a eficiência dos investimentos destinados à mobilidade elétrica. A expectativa é que a metodologia se torne padrão não apenas em modelos movidos a bateria, mas também em veículos equipados com outros tipos de propulsão que forem contemplados pelos programas futuros.