1 DESENVOLVIMENTO E ANÁLISE DE UMA APLICAÇÃO PARA SIMULAÇÃO E OTIMIZAÇÃO DE ROTAS DE TRANSPORTE UTILIZANDO MÉTRICAS DE EFICIÊNCIA E EMISSÕES DE CARBONO Cássio José Fucilini1 Luiz Cláudio Dalmolin2 Resumo: Este artigo demonstra o desenvolvimento de um sistema para simulação de rotas e avaliação da eficiência de carbono e eficiência energética de veículos com diferentes configurações de motorização e tipo de combustível. O objetivo é automatizar o processo de simulação, desenvolvendo um sistema para simular as rotas realizadas pelos veículos, permitindo aferir de forma precisa, indicadores de emissão de carbono e desempenho energético. A implementação utiliza ferramentas de código aberto(open source) e a linguagem de programação Python, amplamente difundida, com uma gama de bibliotecas para otimizar o processo de desenvolvimento. Ao demonstrar a viabilidade do desenvolvimento de um sistema especialista com ferramentas acessíveis e aplicando técnicas avançadas de programação, este trabalho contribui para a evolução de soluções inteligentes voltadas à logística sustentável. Espera-se que os resultados obtidos sirvam de base para estudos futuros, favorecendo sua aplicação em cenários reais de transporte, promovendo eficiência operacional e redução de impactos ambientais. Palavras-chave: Emissão de Carbono, Python, Veículos, Sistema de Simulação. Abstract: This article demonstrates the development of a system for route simulation and evaluation of the carbon and energy efficiency of vehicles with different engine configurations and fuel types. The objective is to automate the simulation process, developing a system to simulate the routes taken by vehicles, allowing for the precise measurement of carbon emission indicators and energy performance. The implementation uses open-source tools and the widely used Python programming language, with a range of libraries to optimize the development process. By demonstrating the feasibility of developing an expert system with accessible tools and applying advanced programming techniques, this work contributes to the evolution of intelligent solutions focused on sustainable logistics. It is expected that the results obtained will serve as a basis for future studies, favoring its application in real-world transportation scenarios, promoting operational efficiency and reducing environmental impacts. Keywords: Carbon emission, Python, Vehicles, Simulation System. 1 INTRODUÇÃO Nas últimas décadas, a crescente preocupação com o aquecimento global e as emis- sões de gases de efeito estufa (GEE) tem impulsionado pesquisas voltadas à mitigação dos impactos ambientais gerados pelo setor de transporte. Estima-se que o transporte rodoviário seja responsável por cerca de 16% a 24% das emissões globais de CO2, sendo uma das principais 1 Acadêmico do curso de Sistemas de Informação pela Universidade do Estado de Santa Catarina (UDESC) - Centro de Educação do Planalto Norte (CEPLAN). 2 Professor orientador. Docente do curso de Sistemas de Informação na Universidade do Estado de Santa Catarina (UDESC) - Centro de Educação do Planalto Norte (CEPLAN). 2 fontes de poluição atmosférica(Cui et al., 2023). O aumento contínuo da frota veicular, aliado à dependência de combustíveis fósseis, acentua a necessidade de soluções tecnológicas capazes de equilibrar mobilidade, eficiência energética e sustentabilidade ambiental. Diante desse cenário, políticas e estudos internacionais têm buscado estratégias para a redução de emissões de carbono e o estímulo à transição energética no transporte. Segundo (Raihan et al., 2022), a combinação entre inovação tecnológica, uso de energias renováveis e planejamento urbano sustentável é fundamental para alcançar as metas globais de mitigação propostas no Acordo de Paris. Entre as soluções investigadas, destacam-se os veículos elétricos e híbridos, os quais apresentam desempenho ambiental significativamente superior aos veículos movidos a combustão tradicional, especialmente quando integrados a matrizes energéticas de baixo impacto. O estudo de (Puma-Benavides et al., 2024) reforça que as simulações de rotas constituem um método eficiente para avaliar o consumo energético e o desempenho de diferentes tecnologias veiculares sob condições reais de tráfego e relevo. Em testes conduzidos em áreas urbanas de alta altitude, observou-se que veículos elétricos apresentaram eficiência energética superior a 60% em relação aos modelos a combustão, além de redução expressiva nas emissões diretas de CO2. Esse tipo de análise comparativa é essencial para compreender o comportamento energético de diferentes configurações de motorização em trajetos urbanos, apoiando a formulação de políticas de mobilidade sustentável. Além de pesquisa que se baseiam na observação e na coleta de dados do mundo real, o desenvolvimento de ferramentas computacionais para simulação e otimização de rotas representa um avanço significativo no campo da sustentabilidade aplicada à engenharia de transporte. Siste- mas que integram dados geoespaciais, parâmetros veiculares e métricas ambientais permitem modelar cenários de deslocamento com precisão, quantificando o impacto energético e ambiental de cada trajeto. Estudos como o de (Shao; Xu; Li, 2019) mostram que o uso de sistemas inteli- gentes baseados em Internet of Things(IoT) e técnicas de roteamento dinâmico podem reduzir custos operacionais e emissões simultaneamente, otimizando a logística urbana e interurbana. Nesta perspectiva, este trabalho apresenta o desenvolvimento de um sistema para simula- ção de rotas e avaliação da eficiência de carbono e energética de veículos com diferentes tipos de motorização e combustível. O sistema foi implementado utilizando ferramentas open sourc e a linguagem de programação Python, integrando a API (Application Programming Interface) do OpenRouteService (ORS) para o cálculo e visualização de rotas reais, e o Folium para a geração de mapas interativos. A aplicação possibilita a análise automatizada de indicadores de emissão de carbono (gCO2/km) e eficiência energética (kg transportado por unidade de emissão), fornecendo subsídios para o planejamento de estratégias de transporte com menor impacto ambiental. O desenvolvimento deste sistema está fundamentado nos princípios da análise do ciclo de vida (LCA), conforme abordado por (Ashnani et al., 2015), que destacam a importância de considerar todo o ciclo de energia e emissões (desde a fonte do combustível até o uso final) ao comparar tecnologias veiculares. Essa abordagem amplia a aplicabilidade do modelo, permitindo sua utilização tanto em contextos acadêmicos quanto operacionais, como suporte à tomada de 3 decisão para políticas de mobilidade urbana sustentável. O objetivo deste trabalho é demonstrar o desenvolvimento e a aplicação de um sistema especialista para simulação de rotas e análise de eficiência energética e de emissões de carbono, promovendo a automatização de processos de avaliação ambiental no transporte. O sistema busca evidenciar a viabilidade de soluções tecnológicas acessíveis para o estudo e aprimoramento de estratégias de mobilidade sustentável, contribuindo para o avanço das práticas de engenharia e tecnologia alinhadas às metas globais de descarbonização. 2 METODOLOGIA A metodologia deste trabalho baseia-se no desenvolvimento de um sistema para simulação de rotas e análise de eficiência energética e de emissões de carbono, aplicável a veículos com diferentes tipos de motorização e combustíveis. O processo foi estruturado em quatro etapas principais: (i) modelagem do sistema, (ii) definição dos tecnologias, (iii) desenvolvimento do sistema, e (iv) desenvolvimento de integração para cálculo de rotas e georreferenciamento. 2.1 MODELAGEM DO SISTEMA A arquitetura do sistema segue o padrão Model–View–Controller (MVC), separando claramente as camadas de lógica de negócio, persistência de dados e apresentação. Essa es- trutura favorece a modularidade e manutenção do código, além de permitir a ampliação de funcionalidades sem interferência direta nos módulos principais. • Banco de Dados, responsável pelo gerenciamento dos dados, todo sistema apresenta um trafego de dados alimentados pelos usuários, gerados pelas funções internas e que podem ser extraídos para utilização em outras aplicações (Elmasri et al., 2005) . • Comunicação, realiza a integração do Frontend e o Backend do sistema, tratando as chamadas entre as camadas, endereçando as requisições entre as camadas (Silva; Tiosso, 2020). • Processamento, concentra as funções do sistema, sendo o núcleo lógico para reali- zar as operações, e retorna os resultados processados para as camadas de comunicação e o gerenciamento de dados. • Interface, ambiente gráfico, para permitir a visualização das informações e as interações dos usuário, ambiente de operação do sistema, possibilitar a operação do sistema pelo o usuário (Silva; Tiosso, 2020). 2.2 MÉTRICAS DE EFICIÊNCIA E EMISSÕES As métricas utilizadas seguem padrões reconhecidos em estudos recentes sobre eficiência energética em veículos elétricos e híbridos. Trabalhos como os de (Mamun et al., 2022) e (Martyushev et al., 2023) apontam a importância de modelagens que relacionem diretamente o consumo de energia à distância percorrida e ao tipo de fonte energética empregada. 4 O sistema implementado, adota essa lógica ao permitir que cada veículo cadastrado possua valores próprios de consumo médio, autonomia e fator de emissão. Isso possibilita comparar o desempenho de diferentes categorias (veículos a combustão, híbridos e elétricos) em condições de percurso equivalentes. Dessa forma, a aplicação se aproxima de um ambiente de simulação modular, no qual alterações nos parâmetros de entrada produzem novos cenários de eficiência e impacto ambiental. 2.3 LINGUAGEM E AMBIENTE DE DESENVOLVIMENTO O sistema foi desenvolvido utilizando a linguagem de programação Python (versão 3.12), amplamente reconhecida pela comunidade científica devido à sua versatilidade, ampla base de bibliotecas e compatibilidade com frameworks modernos para desenvolvimento de sistemas, análise de dados e visualização científica. O ambiente de execução foi configurado para operar com o framework FastAPI, que permite a construção de aplicações web assíncronas e escaláveis, com suporte nativo a validação de dados e integração de modelos baseados em type hints, de acordo com Python Software Foundation (2025), o recurso permite indicar o tipo esperado de uma variável, parâmetro de função ou valor retornado. O ambiente de desenvolvimento foi configurado em um sistema operacional Windows 11, utilizando o Visual Studio Code como IDE principal, editor de código-fonte aberto, desenvolvido pela Microsoft, oferece suporte a diversas linguagens de programação, é ideal para tarefas como edição de código, controle de versão e execução de comandos diretamente no terminal integrado (Microsoft Corporation, 2025). Também utilizado um ambiente virtual isolado (venv) para gerenciamento de dependências, um ambiente virtual é como uma cópia separada do Python que funciona de forma independente da instalação principal chamada de ambiente base. Isso significa que ele não usa os pacotes do Python principal, ou seja, permite que seja instalado apenas os pacotes necessários dentro do ambiente, sem interferir no restante do sistema (Python Software Foundation, 2025). As principais bibliotecas empregadas são apresentadas na Tabela 1. Tabela 1 – Principais bibliotecas e frameworks utilizados no projeto Biblioteca/Framework Função Principal Licença Python Linguagem de programação principal PSF License FastAPI Backend assíncrono e API REST MIT SQLAlchemy ORM e abstração do banco de dados MIT SQLite Banco de dados relacional leve Public Domain OpenRouteService API para cálculo de rotas e distâncias GPL 3.0 Folium Geração de mapas interativos MIT Jinja2 Template engine para renderização HTML BSD Fonte: Elaborado pelo autor (2025). As combinação de ferramentas discutidas nesta seção e apresentadas na Tabela 1, reflete a busca por soluções práticas, amplamente aceitas e alinhadas ao paradigma open source, que 5 promovem independência tecnológica e portabilidade do sistema, garantindo sua execução em diferentes ambientes. 2.4 FLUXO GERAL DO SISTEMA O fluxo operacional da aplicação consiste em apresentar um diagrama das camadas estruturadas do sistema, resumindo a interação entre as camadas. O fluxo ilustrado na Figura 1, apresenta a integração entre as camadas de dados, lógica e visualização, garantindo consistência nas simulações e precisão nas análises (Booch, 2006). Figura 1 – Fluxo do Sistema Fonte: Elaborado pelo autor (2025). 3 DESENVOLVIMENTO A abordagem proposta neste trabalho consiste no desenvolvimento de um sistema especi- alista para simulação e análise de rotas de transporte, com foco na quantificação de emissões de carbono e avaliação da eficiência energética de veículos com diferentes configurações de motorização e combustíveis. O sistema combina modelagem de dados, integração geoespacial e cálculos automatizados, resultando em uma ferramenta de apoio à decisão voltada à mobilidade sustentável. O diferencial da solução está na integração direta entre os módulos de cálculo de eficiência e a visualização geográfica das rotas, permitindo análises comparativas de trajetos e tecnologias veiculares sob condições reais. Essa proposta vai além da simples representação cartográfica, oferecendo uma estrutura analítica dinâmica baseada em dados do OpenRouteService (ORS) e em métricas ambientais parametrizáveis. 6 3.1 BANCO DE DADOS RELACIONAL Para persistência dos dados foi adotado um Sistemas de Gerenciamento de Banco de Dados(SGBD) relacional o SQLite, é um banco de dados relacional leve e compatível com o SQLAlchemy ORM, responsável pelo mapeamento das classes de veículos, rotas e simulações (Hipp; SQLite, 2025), acessado por meio do ORM SQLAlchemy, abstrai o acesso ao banco, permite trabalhar com modelos Python ao invés de SQL direto, o que favorece portabilidade, simplicidade de implantação e tipagem/validação em nível de modelo (Bayer; SQLAlchemy, 2025). O esquema contempla duas entidades principais, com relacionamentos 1:N coerentes com o domínio da aplicação apresentados na Figura 2. Figura 2 – Esquema Relacional Banco de Dados Fonte: Elaborado pelo autor (2025). Relacionamentos veiculos (1) → (N) simulacoes: cada simulação referencia o veículo utilizado. Racional de projeto A separação entre dados mestres (veiculos), eventos/planejamento (rotas) e resultados analíticos (simulacoes) favorece uma simulação persistente aos parâmetros e métricas calculadas (distância, tempo, emissões, eficiência), preservando o contexto no momento da execução. 3.2 MÓDULO DE SIMULAÇÃO E ANÁLISE O módulo de simulação é o núcleo do sistema e foi projetado para receber como entrada as variáveis: • Origem e destino da rota; • Identificação do veículo (pré-cadastrado); • Carga transportada (em kg). As informações são preenchidas pelo Usuário nos Formulário da interface, que ao final Clica sobre o botão para Simular a Viagem, o desenvolvimento foca na entrada de dados pela interface Web. A Figura 3 apresenta a tela do módulo de simulação. 7 Figura 3 – Visão Geral do Módulo de Simulação Fonte: Elaborado pelo autor (2025). Com base nessas informações, o sistema executa três etapas de análise: 1º Cálculo de rota e distância: comunicação com a API do OpenRouteService para obtenção de distância, tempo estimado e coordenadas geográficas reais da rota. 2º Cálculo de métricas ambientais e operacionais: processamento interno utilizando as fórmulas descritas na metodologia (emissão total de CO2, tempo total e eficiência de carbono). 3º Geração do mapa interativo: construção automática de um mapa HTML, contendo o traçado da rota e as informações sintetizadas de desempenho do veículo. A partir dessas etapas, o sistema produz uma tabela de resultados contendo os indicadores quantitativos e o mapa correspondente, armazenando ambos no banco de dados para consultas futuras. 3.3 MODELAGEM DOS CÁLCULOS O módulo de cálculo foi estruturado para estimar três métricas principais: 1.Emissão total de carbono (gCO2/km) 2.Tempo estimado de viagem (h) 3.Eficiência de carbono (kg transportado / unidade de emissão) A emissão total de carbono é calculada com base na distância percorrida e no fator de emissão do veículo, conforme a equação: Etotal = D×ECO2 1000 onde D representa a distância total (em km) e ECO2 é a taxa de emissão do veículo (em gCO2/km). Essa abordagem foi fundamentada nos princípios de avaliação do ciclo de vida descritos por (Ashnani et al., 2015), que enfatizam a importância de contabilizar emissões diretas e indiretas associadas à operação do veículo. O tempo estimado de viagem é obtido a partir da distância e de uma velocidade média pré- definida (60 km/h), considerando paradas para recarga ou abastecimento com base na autonomia do veículo e no tempo médio de reabastecimento: Ttotal = D Vm +(nr × ta 60 ) 8 onde Vm é a velocidade média (km/h), nr é o número de recargas estimadas e ta é o tempo médio de reabastecimento (min). A eficiência de carbono é então expressada como: ηC = Etotal Cargatransportada Essa métrica reflete o desempenho ambiental do veículo em relação à carga útil trans- portada, permitindo comparações entre diferentes categorias de motorização, conceito também explorado em (Puma-Benavides et al., 2024), que avaliaram o consumo energético e o desempe- nho de veículos elétricos e a combustão em condições urbanas reais. 3.4 INTEGRAÇÃO COM API EXTERNA E GERAÇÃO DE MAPAS Para simular trajetos reais, o sistema utiliza a API do OpenRouteService (ORS), ORS é um serviço de georreferenciamento baseado em código aberto e compatível com dados do OpenStreetMap. A API fornece informações sobre distância, tempo de percurso, coordenadas geográficas e geometrias de rota, permitindo simulações realistas e parametrizadas conforme o perfil de deslocamento (ex.: driving-car) (Heidelberg Institute for Geoinformation Technology, 2025). O módulo services.py realiza a comunicação direta com a ORS via biblioteca openrouteservice, utilizando uma chave de autenticação segura armazenada em variáveis de ambiente (.env). Após o cálculo da rota, as coordenadas são processadas e visualizadas por meio da biblioteca Folium, que integra Leaflet.js e HTML Iframes para renderizar mapas interativos. A função gerar_mapa() foi projetada para criar visualizações geográficas contendo marcadores de origem e destino, polilinhas representando o trajeto e metadados informativos sobre distância, tempo estimado e emissões associadas à viagem. Essa abordagem segue o conceito de route optimization systems (ROS) descrito por (Shao; Xu; Li, 2019), nos quais o uso de dados georreferenciados e monitoramento dinâmico fornece suporte à melhoria contínua de desempenho ambiental e operacional. 3.5 VISUALIZAÇÃO E INTERFACE ANALÍTICA Conforme a documentação do Folium (Python Visualization Project, 2025), possibilita a visualização geográfica do trajeto e análise espacial da rota e emissões. A visualização interativa, gerada, constitui um dos principais diferenciais da abordagem. Cada simulação gera um mapa HTML autônomo, exibindo o trajeto calculado e as informações-chave do veículo (modelo, tipo de combustível, emissões e tempo estimado), apresentado na Figura 4. Essa camada utiliza o Leaflet.js como motor gráfico, o que permite interação direta com o mapa (zoom, movimentação e inspeção de pontos). 9 Figura 4 – Resultado da Função Simular Viagem Fonte: Elaborado pelo autor (2025). Além dos mapas, o sistema exibe as informações no formato de tabela, listando os resultados consolidados, possibilitando ao usuário realizar análises diretas de desempenho entre diferentes simulações. Essa característica aproxima a aplicação de uma ferramenta de apoio à decisão, em consonância com sistemas de otimização de rotas inteligentes (Route Optimization Systems) discutidos por (Shao; Xu; Li, 2019). 4 EXPERIMENTOS E RESULTADOS A etapa experimental teve como objetivo validar o funcionamento e a aplicabilidade do sistema desenvolvido, avaliando sua capacidade de simular rotas, calcular emissões de carbono e estimar métricas de eficiência energética em diferentes cenários de transporte. Para isso, foram realizadas simulações com veículos de distintos tipos de motorização, considerando trajetos urbanos e intermunicipais representativos de deslocamentos reais. 4.1 CONFIGURAÇÃO DOS EXPERIMENTOS Os experimentos foram executados em ambiente controlado, utilizando o sistema im- plementado. Os veículos, utilizados para os testes foram cadastrados no banco de dados com base em características médias de modelos reais, segundo os parâmetros do Programa Brasileiro de Etiquetagem Veicular (Instituto Nacional de Metrologia, Qualidade e Tecnologia (Inmetro), 2025). A fim de obter resultados com menos nuances, utilizaremos apenas a comparação entre veículos alimentados com o Combustível Gasolina, pois o programa de etiquetagem não prevê 10 as emissões no uso misto, com percentuais acima dos 30% de etanol da composição atual da Gasolina, uma vez que este percentual reflete diretamente na emissão de CO2, também para finalidade de definir a autonomia, a capacidade total do tanque será de 45 litros de combustível, para os veículos a combustão/híbridos, já para os veículos elétricos, utilizaremos a informação disposta na coluna "Autonomia no modo Elétrico (km)" do Programa Brasileiro de Etiquetagem Veicular. Para a definição dos automóveis participantes da simulação, levaremos em consideração o tipo de combustível, principalmente modelos com versões de combustíveis distintos, além de observar os modelos mais vendidos no país, com base na tabela de Outubro de 2025, disponibili- zada pela Fenabrave (Federação Nacional da Distribuição de Veículos Automotores, 2025). A Tabela 2 apresenta os modelos selecionados, com as características detalhadas de cada modelo. Tabela 2 – Características dos veículos simulados Veículo Propulsão Consumo Médio Autonomia (km) Emissão (gCO2/km) 21 - POLO SENSE TSI AT 1.0-12V Gasolina 14,60 km/L 657 93 22 - ARGO DRIVE 1.0-6V Gasolina 14,05 km/L 632 94 12 - COROLLA CROSS XRE 20 2.0 - 16V Gasolina 12,00 km/L 544 112 17 - TIGGO 5X PRO 1.5T -16V Gasolina 11,05 km/L 497 124 13 - COROLLA CROSS XRE 20 2.0 - 16V Híbrido 15,00 km/L 675 85 18 - TIGGO 5X PROHA 1.5T -16V Híbrido 11,45 km/L 515 115 29 - KONA Ultimate 1.6-16V HEV Híbrido 17,20 km/L 774 74 27 - COROLLA ALTIS HV 1.8 16V Híbrido 16,35 km/L 735 79 28 - CIVIC HYBRID TOURING 2.0 - 16V Híbrido 17,15 km/L 771 75 19 - DOLPHIN GS 180EV Elétrico 47,70 km/L 291 0 20 - DOLPHIN PLUS 310EV Elétrico 39,45 km/L 330 0 23 - ORA 03 SKIN BEV48 Elétrico 38,7 km/L 232 0 24 - ORA 03 GT BEV63 Elétrico 37,4 km/L 295 0 26 - HUNTER AT 2.0-16V Gasolina 9,6 km/L 432 230 25 - IEV330P Elétrico 27,15 km/L 226 0 Fonte: Elaborado pelo autor (2025). As simulações foram realizadas para duas rotas de referência no território brasileiro: R1: Curitiba - Florianópolis ( 300 km); R2: Guaramirim – Curitiba ( 150 km). Cada simulação considerou uma carga transportada de 200 kg, parâmetro utilizado no cálculo da eficiência de carbono, definida pela relação entre massa útil e emissão total. 4.2 RESULTADOS OBTIDOS A execução das simulações resultou em valores quantitativos de emissão total (kg ), tempo estimado (h) e eficiência de carbono (kg transportado/unidade de emissão). Os resultados são sintetizados na Tabela 3 para a rota Curitiba - Florianópolis (R1); Já na Figura 5, é apresentado o gráfico analítico entre Eficiência e Emissão de CO2. 11 Tabela 3 – Resultados Obtidos de eficiência de carbono por tipo de veículo Veículo Propulsão Emissão (kg CO2) Tempo Est. (h) Efic. Carb.(kg carga/kg CO2) POLO SENSE TSI AT 1.0-12V Gasolina 28,13 5,02 0,1406 ARGO DRIVE 1.0-6V Gasolina 28,43 5,02 0,1421 COROLLA CROSS XRE 2.0-16V Gasolina 33,87 5,02 0,1694 TIGGO 5X PRO 1.5T-16V Gasolina 37,50 5,02 0,1875 COROLLA CROSS XRE 2.0-16V Híbrido 25,71 5,02 0,1285 TIGGO 5X PROHA 1.5T-16V Híbrido 34,78 5,02 0,1739 KONA Ultimate 1.6-16V HEV Híbrido 22,38 5,02 0,1119 COROLLA ALTIS HV 1.8-16V Híbrido 23,89 5,02 0,1195 CIVIC HYBRID TOURING 2.0-16V Híbrido 22,68 5,02 0,1134 DOLPHIN GS 180EV Elétrico 0,00 6,02 0,0000 DOLPHIN PLUS 310EV Elétrico 0,00 5,02 0,0000 ORA 03 SKIN BEV48 Elétrico 0,00 6,02 0,0000 ORA 03 GT BEV63 Elétrico 0,00 6,02 0,0000 HUNTER AT 2.0-16V Gasolina 69,56 5,02 0,3478 IEV330P Elétrico 0,00 6,02 0,0000 Fonte: Elaborado pelo autor (2025). Figura 5 – Gráfico Analítico Eficiência vs Emissão de CO2 Fonte: Elaborado pelo autor (2025). Os resultados para a rota Guaramirim – Curitiba (R2), são apresentados na Tabela 4; Já na Figura 6, é apresentado o gráfico analítico entre Eficiência e Emissão de CO2. 12 Tabela 4 – Resultados Obtidos de eficiência de carbono por tipo de veículo Veículo Propulsão Emissão (kg CO2) Tempo Est. (h) Efic. Carb.(kg carga/kg CO2) POLO SENSE TSI AT 1.0-12V Gasolina 14,33 2,34 0,0717 ARGO DRIVE 1.0-6V Gasolina 14,49 2,34 0,0724 COROLLA CROSS XRE 20 2.0 - 16V Gasolina 17,26 2,34 0,0863 TIGGO 5X PRO 1.5T -16V Gasolina 19,11 2,34 0,0955 COROLLA CROSS XRE 20 2.0 - 16V Híbrido 13,10 2,34 0,0655 TIGGO 5X PROHA 1.5T -16V Híbrido 17,72 2,34 0,0886 KONA Ultimate 1.6-16V HEV Híbrido 11,40 2,34 0,0570 COROLLA ALTIS HV 1.8 16V Híbrido 12,17 2,34 0,0609 CIVIC HYBRID TOURING 2.0 - 16V Híbrido 11,56 2,34 0,0578 DOLPHIN GS 180EV Elétrico 0,00 2,34 0,0000 DOLPHIN PLUS 310EV Elétrico 0,00 2,34 0,0000 ORA 03 SKIN BEV48 Elétrico 0,00 2,34 0,0000 ORA 03 GT BEV63 Elétrico 0,00 2,34 0,0000 HUNTER AT 2.0-16V Gasolina 35,45 2,34 0,1772 IEV330P Elétrico 0,00 2,34 0,0000 Fonte: Elaborado pelo autor (2025). Figura 6 – Gráfico Analítico Eficiência vs Emissão de CO2 Fonte: Elaborado pelo autor (2025). Os resultados foram exportados do sistema e visualizados por meio do banco de dados, onde ocorreu a extração para CSV(Comma-separated values). Também podemos visualizar os resultados pela interface simulações, e organizados em planilha para gerar a tabela de resultados e os gráficos. 4.3 DISCUSSÃO DOS RESULTADOS Os resultados obtidos demonstram que o sistema é capaz de simular trajetos com precisão, realizar cálculos automatizados de emissões e eficiência, e exibir os resultados em ambiente inte- rativo. As simulações evidenciam, como esperado, que os veículos elétricos apresentam eficiência ambiental superior, enquanto os veículos de propulsão a gasolina e veículos Híbridos(Gasolina e elétrica) tiveram emissões semelhantes, veículos híbridos tem números de emissão menores que os pura mentes movidos a gasolina. Ouve uma acentuação na apresentação de ambos os gráficos, devido ao modelo de Picape selecionada, estava prevista uma emissão maior, o interesse é que 13 com o modelo de pickup, podemos demonstrar a diferença em relação a um veículo da mesma categoria, mas com com propulsão Elétrica. Esses resultados são consistentes com os estudos comparativos de (Puma-Benavides et al., 2024), que observaram uma redução superior a 60% nas emissões diretas de CO2 em veículos elétricos sob condições urbanas. Do ponto de vista energético, a relação entre autonomia, tempo de recarga e consumo reflete padrões semelhantes aos identificados por (Mamun et al., 2022), em que veículos elétricos apresentaram melhor aproveitamento energético, mas dependência direta da infraestrutura de recarga. Além disso, o sistema proposto mostrou-se eficiente em termos de desempenho com- putacional, com tempo médio próximo de 11 segundos por simulação (incluindo requisição à API ORS e renderização do mapa). Esse desempenho é compatível com aplicações de Route Optimization Systems baseadas em IoT e inteligência computacional, como descrito por (Shao; Xu; Li, 2019). A principal limitação identificada é a dependência de conectividade com o serviço externo (ORS) para cálculo das rotas. Entretanto, a arquitetura modular permite a substituição futura por bases locais de mapas (offline routing engines) ou integração com outras APIs. Dessa forma, os resultados confirmam a validade técnica e ambiental da aplicação proposta, consolidando-a como uma ferramenta de apoio à análise de eficiência de transporte e à promoção da mobilidade sustentável. 5 CONCLUSÕES O artigo apresentou o desenvolvimento de uma aplicação para simulação e análise de rotas de transporte, com foco na eficiência energética e nas emissões de carbono associadas a diferentes tipos de veículos e trajetos. A aplicação foi implementada com o uso de ferramentas open source e integra módulos de cálculo, armazenamento e visualização interativa, permitindo a análise automatizada de indicadores ambientais e operacionais em rotas reais. Os resultados obtidos demonstraram que o sistema é capaz de estimar métricas de desempenho e sustentabilidade de forma precisa e ágil, tornando-se um instrumento de apoio à decisão para o planejamento de estratégias de mobilidade sustentável. A abordagem proposta se mostrou eficiente na integração entre dados georreferenciados, fatores de emissão e parâmetros energéticos, apresentando flexibilidade para adaptação a diferentes contextos de transporte. Como trabalhos futuros, incorporar critérios adicionais, a ausência, nesta versão, de parâmetros dinâmicos como tráfego em tempo real, variações de relevo e condições climáticas, fatores que influenciam diretamente o consumo e as emissões. Dessa forma, o sistema desenvolvido representa uma ferramenta aplicável para estudos e projetos de transporte sustentável, contribuindo para o avanço de soluções tecnológicas voltadas à eficiência energética e à redução das emissões de carbono no setor de mobilidade. 14 REFERÊNCIAS ASHNANI, M. H. M. et al. Environmental impact of alternative fuels and vehicle technologies: A life cycle assessment perspective. Procedia Environmental Sciences, v. 30, p. 205–210, 2015. ISSN 1878-0296. Environmental Forensics 2015. Disponível em: . BAYER, M.; SQLALCHEMY. SQLAlchemy: The Python SQL Toolkit and Object Relational Mapper. [S.l.], 2025. Acessado em: 1 nov. 2025. Disponível em: . BOOCH, G. UML: guia do usuário. [S.l.]: Elsevier Brasil, 2006. CUI, H. et al. Carbon flow through continental-scale ground logistics transportation. Iscience, Elsevier, v. 26, n. 1, 2023. ELMASRI, R. et al. Sistemas de banco de dados. Pearson Addison Wesley São Paulo, 2005. Federação Nacional da Distribuição de Veículos Automotores. Emplacamentos — FENABRAVE. 2025. . Acesso em: 3 nov. 2025. Heidelberg Institute for Geoinformation Technology. OpenRouteService. 2025. Acesso em: 3 nov. 2025. Disponível em: . HIPP, R.; SQLITE. SQLite Database Engine. [S.l.], 2025. Acessado em: 1 nov. 2025. Disponível em: . Instituto Nacional de Metrologia, Qualidade e Tecnologia (Inmetro). Veícu- los leves 2025 - 17º Ciclo. 2025. Disponível em: . MAMUN, K. A. et al. Systematic modeling and analysis of on-board vehicle integrated novel hybrid renewable energy system with storage for electric vehicles. Sustainability, MDPI, v. 14, n. 5, p. 2538, 2022. MARTYUSHEV, N. V. et al. Review of methods for improving the energy efficiency of electrified ground transport by optimizing battery consumption. Energies, MDPI, v. 16, n. 2, p. 729, 2023. Microsoft Corporation. Visual Studio Code. 2025. Disponível em: . Acesso em: 3 nov. 2025. Disponível em: . PUMA-BENAVIDES, D. S. et al. Comparative analysis of energy consumption between electric vehicles and combustion engine vehicles in high-altitude urban traffic. World Electric Vehicle Journal, MDPI, v. 15, n. 8, p. 355, 2024. Python Software Foundation. Python Official Website. 2025. . Acesso em: 3 nov. 2025. Python Visualization Project. Folium: Python Data. Leaflet.js Maps. 2025. Acesso em: 03 nov. 2025. Disponível em: . https://www.sciencedirect.com/science/article/pii/S1878029615006313 https://www.sqlalchemy.org/ https://www.fenabrave.org.br/portalv2/Conteudo/emplacamentos https://openrouteservice.org/ https://sqlite.org/ https://www.gov.br/inmetro/pt-br/assuntos/avaliacao-da-conformidade/programa-brasileiro-de-etiquetagem/tabelas-de-eficiencia-energetica/veiculos-automotivos-pbe-veicular/mascara-pbev-2025-mar-11.pdf/view https://www.gov.br/inmetro/pt-br/assuntos/avaliacao-da-conformidade/programa-brasileiro-de-etiquetagem/tabelas-de-eficiencia-energetica/veiculos-automotivos-pbe-veicular/mascara-pbev-2025-mar-11.pdf/view https://www.gov.br/inmetro/pt-br/assuntos/avaliacao-da-conformidade/programa-brasileiro-de-etiquetagem/tabelas-de-eficiencia-energetica/veiculos-automotivos-pbe-veicular/mascara-pbev-2025-mar-11.pdf/view https://www.gov.br/inmetro/pt-br/assuntos/avaliacao-da-conformidade/programa-brasileiro-de-etiquetagem/tabelas-de-eficiencia-energetica/veiculos-automotivos-pbe-veicular/mascara-pbev-2025-mar-11.pdf/view https://code.visualstudio.com/ https://code.visualstudio.com/ https://code.visualstudio.com/ https://www.python.org/ https://python-visualization.github.io/folium/latest/ 15 RAIHAN, A. et al. Nexus between carbon emissions, economic growth, renewable energy use, urbanization, industrialization, technological innovation, and forest area towards achieving environmental sustainability in bangladesh. Energy and Climate Change, Elsevier, v. 3, p. 100080, 2022. SHAO, S.; XU, G.; LI, M. The design of an iot-based route optimization system: A smart product-service system (spss) approach. Advanced engineering informatics, Elsevier, v. 42, p. 101006, 2019. SILVA, J. K.; TIOSSO, F. Revisão bibliográfica sobre conceito de progressive web applications (pwa). Revista Interface Tecnológica, v. 17, n. 1, p. 53–64, 2020. Introdução Metodologia modelagem do sistema Métricas de eficiência e emissões Linguagem e Ambiente de desenvolvimento Fluxo geral do Sistema Desenvolvimento Banco de dados relacional Módulo de simulação e análise Modelagem dos cálculos Integração com API externa e geração de mapas Visualização e interface analítica Experimentos e Resultados Configuração dos experimentos Resultados obtidos Discussão dos resultados Conclusões