Dissertação de Mestrado

Esta pesquisa busca avaliar o impacto dos componentes e da dinâmica do veículo, das condições de condução e do ambiente no cálculo da energia consumida nos arcos da rota nas soluções obtidas para um problema de roteamento de veículos elétricos capacitados (EVRPC) para entregas last-mile. Para isso, um modelo matemático foi proposto para o problema, e a soluções foram obtidas por meio do solver Gurobi. A energia consumida pode ser estimada simplificadamente de forma linear, sendo constante em função da distância percorrida. Por outro lado, uma abordagem intermediária pode estimar a energia em função da distância percorrida em múltiplos trechos de rota, sendo uma função linear por partes. Finalmente, um método mais completo considera o impacto de diversas variáveis no consumo, tornando o cálculo da energia consumida não linear. O modelo de estimação de gasto energético proposto considera aspectos de comportamento do motorista (perfis de velocidade, aceleração e frenagem), topografia (greide das vias), peso transportado pelo veículo, utilização de sistemas de consumo auxiliares e funcionamento do sistema de frenagem regenerativo. O cálculo da energia consumida foi ajustado por um modelo de machine learning que foi treinado utilizando dados reais de consumo, tornando as previsões ainda mais precisas. A proposta visa contribuir para reduzir a escassez de metodologias integradas de estimação de consumo energético com modelos de roteamento de BEVs para entregas last-mile. Os resultados mostram que o modelo matemático proposto otimiza significativamente a utilização média dos BEV sem comparação como cenário base, reduzindo o tamanho da frota necessária para atendimento total da demanda. As rotas planejadas foram otimizadas, reduzindo tanto a distância total percorrida quanto o consumo total de energia. Ao comparar os cenários propostos, os resultados indicam soluções semelhantes, sugerindo que parâmetros macroscópicos calibrados podem ser uma boa aproximação para prever o consumo energético dos BEVs. No entanto, o modelo híbrido de ML, apesar de mais complexo e com maior custo computacional, apresenta melhor capacidade de extrapolação para outros cenários. Além disso, as rotas planejadas mostraram menor variabilidade no consumo, sugerindo que metodologias mais sofisticadas podem aumentar a confiabilidade das previsões e melhorar as operações de entrega. A consideração de parâmetros de dinâmica veicular e uma estimativa não linear do consumo energético impactam significativamente os resultados do problema de roteamento. Substituir um único parâmetro linear por um consumo variável -- considerando velocidade, aceleração, frenagem, topografia, carga transportada, uso de sistemas auxiliares e temperatura -- permite estratégias de entrega mais eficientes, maior conservação da bateria e redução do desgaste. A pesquisa também explora o equilíbrio entre complexidade computacional e precisão na previsão do consumo de energia. O modelo híbrido de ML mostrou melhor desempenho ao integrar aspectos físicos e variáveis operacionais específicas. Contudo, o cenário baseado em parâmetros macroscópicos, quando calibrado para contextos específicos, também oferece boas previsões com menor custo computacional.

This research aims to evaluate the impact of vehicle components and dynamics, driving conditions, and the environment on the calculation of energy consumed along the route arcs in the solutions obtained for a Capacitated Electric Vehicle Routing Problem (EVRPC) for last-mile deliveries. To this end, a mathematical model was proposed for the problem, and solutions were obtained using the Gurobi solver. The energy consumed can be simplified and estimated linearly, remaining constant with respect to the distance traveled. On the other hand, an intermediate approach can estimate energy as a function of the distance traveled across multiple route segments, using a piecewise linear function. Finally, a more comprehensive method considers the impact of various variables on consumption, making the energy consumption calculation nonlinear. The proposed energy consumption estimation model takes into account driver behavior (speed, acceleration, and braking profiles), topography (road grade),vehicle load, auxiliary system usage, and regenerative braking system operation. The energy consumption calculation was adjusted using a machine learning model trained with real consumption data, making the predictions even more accurate. The proposal aims to contribute to reducing the scarcity of integrated methodologies for energy consumption estimation with routing models for BEVs in last-mile deliveries. The results show that the proposed mathematical model significantly optimizes the average utilization of BEVs compared to the baseline scenario, reducing the required fleet size to fully meet demand. The planned routes were optimized, reducing both the total distance traveled and total energy consumption. When comparing the proposed scenarios, the results indicate similar solutions, suggesting that calibrated macroscopic parameters can be a good approximation for predicting BEV energy consumption. However, the hybrid ML model, although more complex and computationally demanding, offers better extrapolation capability for other scenarios. Moreover, the planned routes exhibited lower consumption variability, suggesting that more sophisticated methodologies can increase the reliability of predictions and improve delivery operations. The consideration of vehicle dynamics parameters and a nonlinear energy consumption estimate significantly impacts the results of the routing problem. Replacing a single linear parameter with variable consumption taking into account speed, acceleration, braking, topography, transported load, auxiliary system usage, and temperature enables more efficient delivery strategies, better battery conservation, and reduced SOH loss. The research also explores the trade-off between computational complexity and energy consumption prediction accuracy. The hybrid ML model showed better performance by integrating physical aspects and specific operational variables. However, the scenario based on macroscopic parameters, when calibrated for specific contexts, also provides good predictions with lower computational cost.