diff --git a/doc/model_equation_implementation.md b/doc/model_equation_implementation.md
deleted file mode 100644
index 7904c66..0000000
--- a/doc/model_equation_implementation.md
+++ /dev/null
@@ -1,78 +0,0 @@
-# Implementação da Equação do Modelo como Artefato JSON
-
-## Visão Geral
-
-Esta implementação adiciona a capacidade de extrair e salvar a equação do modelo de regressão linear como um artefato JSON, seguindo a arquitetura existente do projeto.
-
-## Mudanças Implementadas
-
-### 1. TrainModelResult
-- **Arquivo**: `model_manager/utils/models/train_model_result.py`
-- **Mudanças**:
-  - Adicionado campo `equation: dict | None = None` para armazenar os metadados da equação
-  - Adicionado campo `equation_path: str | None = None` para armazenar o caminho do arquivo JSON
-
-### 2. TrainingRepository
-- **Arquivo**: `model_manager/utils/repository/training_repository.py`
-- **Mudanças**:
-  - Adicionado método `_extract_model_equation()` para extrair coeficientes e intercept do modelo
-  - Integrado a extração da equação no método `after_train_calculation()`
-
-### 3. ModelRepository
-- **Arquivo**: `model_manager/utils/repository/model_repository.py`
-- **Mudanças**:
-  - Adicionado import do módulo `json`
-  - Modificado `_generate_report()` para salvar a equação como arquivo JSON
-  - Modificado `_save_run()` para fazer log do artefato da equação no MLflow
-
-## Estrutura do JSON da Equação
-
-O arquivo `model_equation.json` terá a seguinte estrutura:
-
-```json
-{
-  "target_variable": "target_column_name",
-  "coefficients": {
-    "feature1": 0.123456,
-    "feature2": -0.789012,
-    "feature3": 0.345678
-  },
-  "intercept": 1.234567,
-  "equation_string": "target_column_name = 1.234567 + 0.123456 * feature1 + -0.789012 * feature2 + 0.345678 * feature3",
-  "latex_equation": "target_column_name = 1.234567 + 0.123456 \\cdot feature1 + -0.789012 \\cdot feature2 + 0.345678 \\cdot feature3",
-  "model_type": "Linear Regression"
-}
-```
-
-## Fluxo de Execução
-
-1. **Treinamento**: O modelo é treinado no `TrainingRepository.train()`
-2. **Pós-treinamento**: O método `after_train_calculation()` é chamado, que:
-   - Calcula as métricas (MSE, MAE, R²)
-   - Extrai a equação usando `_extract_model_equation()`
-3. **Salvamento**: O `ModelRepository.save_model()` é chamado, que:
-   - Gera os artefatos (relatórios, dados CSV)
-   - Salva a equação como `model_equation.json`
-   - Faz log de todos os artefatos no MLflow
-
-## Benefícios
-
-- **Rastreabilidade**: A equação fica disponível como artefato versionado no MLflow
-- **Transparência**: Fácil acesso aos coeficientes e estrutura do modelo
-- **Compatibilidade**: Formato JSON facilita integração com outras ferramentas
-- **Flexibilidade**: Inclui tanto formato legível quanto LaTeX para diferentes usos
-
-## Compatibilidade
-
-Esta implementação é totalmente compatível com:
-- A arquitetura existente do projeto
-- O fluxo de treinamento atual
-- O sistema de logging do MLflow
-- Os testes existentes (não quebra funcionalidades)
-
-## Exemplo de Uso
-
-Após o treinamento, a equação estará disponível em:
-- **Memória**: `train_result.equation` (dicionário Python)
-- **Arquivo**: `train_result.equation_path` (caminho para o JSON)
-- **MLflow**: Como artefato `model_equation.json` no run do experimento
diff --git a/tests/utils/repository/test_model_repository.py b/tests/utils/repository/test_model_repository.py
index 72b18d9..cbc25bc 100644
--- a/tests/utils/repository/test_model_repository.py
+++ b/tests/utils/repository/test_model_repository.py
@@ -802,3 +802,48 @@ def test_generate_artifacts_header_not_found(
 
     with pytest.raises(FileNotFoundError, match='Header file does not exist'):
         repo._generate_artifacts(mock_train_result)
+
+
+@patch('model_manager.utils.repository.model_repository.ModelServing')
+@patch('model_manager.utils.repository.model_repository.path.exists')
+@patch('model_manager.utils.repository.model_repository.path.join')
+def test_generate_artifacts_success(
+    mock_join, mock_exists, mock_model_serving_class, mock_logger, mock_train_result
+):
+    """Test _generate_artifacts success case covering lines 147-148."""
+    from model_manager.utils.repository.model_repository import ModelRepository
+
+    repo = ModelRepository(
+        url='http://mlflow.test', username='user', password='pass', logger=mock_logger
+    )
+
+    # Mock path.join to return predictable paths
+    def join_side_effect(*args):
+        return '/'.join(args)
+
+    mock_join.side_effect = join_side_effect
+    mock_exists.return_value = True  # Both reports dir and header.html exist
+
+    # Mock the internal methods to avoid actual file operations
+    with (
+        patch.object(repo, '_setup_run_directory') as mock_setup,
+        patch.object(repo, '_generate_report') as mock_generate_report,
+        patch.object(repo, '_init_artifacts_data') as mock_init_data,
+        patch.object(repo, '_get_reports_directory') as mock_get_reports_dir,
+        patch.object(repo, '_create_run_directory') as mock_create_run_dir,
+    ):
+        # Setup mocks
+        mock_init_data.return_value = (pd.DataFrame(), pd.DataFrame())
+        mock_get_reports_dir.return_value = '/reports'
+        mock_create_run_dir.return_value = '/reports/run_1'
+        mock_generate_report.return_value = mock_train_result
+
+        # Call the method
+        result = repo._generate_artifacts(mock_train_result)
+
+        # Verify the methods on lines 147-148 were called
+        mock_setup.assert_called_once_with('/reports/run_1', '/reports/header.html')
+        mock_generate_report.assert_called_once()
+
+        # Verify result
+        assert result == mock_train_result