O presente estudo tem como objetivo desenvolver um modelo matemático para estimar perdas de grãos causadas por diferentes configurações de regulagem em colhedoras. A colheita mecanizada, embora eficiente, pode resultar em perdas significativas de grãos devido a ajustes inadequados de parâmetros, como velocidade de deslocamento da máquina, abertura do côncavo e outros. Para mitigar essas perdas, o trabalho propõe um modelo que permita aos operadores prever os impactos dessas configurações nas colheitas de diferentes culturas de grãos. O desenvolvimento do modelo foi baseado em dados extraídos de artigos científicos que realizaram testes de campo com diferentes parâmetros de regulagem. Esses dados foram organizados por cultura (soja, milho e trigo) e utilizados para treinar um modelo ensemble, que combina técnicas de regressão Ridge, redes neurais e Gradient Boosting Regressor. A implementação foi realizada em Python, utilizando as bibliotecas Pandas, Scikit-learn, NumPy e TensorFlow. Adicionalmente, foi desenvolvido um software que disponibiliza duas ferramentas principais. A primeira permite que o usuário insira os parâmetros de configuração da máquina e o tipo de cultura, possibilitando ao modelo calcular a perda estimada. A segunda ferramenta é uma otimização, onde o usuário insere a largura da plataforma de corte e a umidade dos grãos, e o modelo calcula a menor perda possível para esses fatores fixos, além de informar os parâmetros que devem ser ajustados na colhedora para obter essa menor perda. Os testes realizados com dados independentes, que não foram utilizados no treinamento, revelaram resultados promissores. Para cada cultura, devido ao número reduzido de amostras disponíveis, cerca de 15% dos dados coletados foram reservados exclusivamente para testes, enquanto o restante foi utilizado para o treinamento do modelo. Apesar das restrições em termos de quantidade de dados, o modelo demonstrou resultados satisfatórios, prevendo as perdas com uma taxa de erro média inferior a 5%. Isso indica que, mesmo com um conjunto de dados reduzido, o modelo é capaz de fornecer estimativas confiáveis para diferentes configurações de colheita. Palavras-chave: Colheita mecanizada. Perda de grãos. Modelo matemático. Agricultura de precisão.