MODELAGEM DA DISPONIBILIDADE MECÂNICA EM MÁQUINAS DE COLHEITA DA MADEIRA
Nome: LEONARDO CASSANI LACERDA
Tipo: Tese de doutorado
Data de publicação: 28/09/2022
Orientador:
Nome |
Papel |
|---|---|
| NILTON CESAR FIEDLER | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| EDUARDO DA SILVA LOPES | Examinador Externo |
| FLAVIO CIPRIANO DE ASSIS DO CARMO | Examinador Externo |
| NILTON CESAR FIEDLER | Orientador |
| RENATO CESAR GONÇALVES ROBERT | Examinador Externo |
| SÁULO BOLDRINI GONÇALVES | Examinador Externo |
Resumo: O setor florestal representa uma fatia relevante da economia brasileira, sendo este dominado em sua maior parte pela produção de plantios do gênero Eucalyptus. De um modo geral, a mecanização das atividades sobretudo da colheita florestal, é considerada uma das mais importantes do processo, agregando valores que por vezes ultrapassam 50% dos custos totais das atividades. Desta forma, com a presente pesquisa objetivou-se realizar a predição da disponibilidade mecânica (DM), de máquinas que constituem os sistemas de colheita de árvores inteiras (full-tree) e toras curtas (CTL), por meio de redes neurais artificiais (RNA) e regressão linear. A pesquisa foi desenvolvida por meio de um banco de dados provenientes de uma empresa florestal, concentrando-se as atividades das máquinas do sistema full-tree no norte do estado do Espírito Santo, e as do sistema CTL no sul do estado da Bahia. Com as variáveis hora trabalhada (HT), horas paradas mecânicas (HPM), volume médio individual (VMI), árvores colhidas por hora (árv/h), metros cúbicos por hora (m³/h) e óleo hidráulico por hora (Hdr), foram realizadas a predição da disponibilidade mecânica por meio de RNA e regressão linear, tendo a variável volume médio individual (VMI), testada isoladamente com as RNA. Tendo como variável de saída a disponibilidade mecânica, os dados foram divididos aleatoriamente para serem utilizados na predição das RNA, com amostragens de 70% e 80% para treinamento e 30% e 20% para validação, respectivamente. Foram treinadas por três algoritmos (resillient propagation, backpropagation e quick propagation) utilizando-se de configurações variando de 5 a 11 neurônios na camada oculta, funções logística e sigmoidal com 50 redes por configuração, totalizando 8.400 redes treinadas. A análise de regressão linear utilizou apenas as variáveis que apresentaram correlação linear significativa com a produtividade, segundo matriz de coeficiente de correlação de Pearson, pelo teste t a 5% e 1% de probabilidade. Ambas as técnicas de modelagem foram avaliadas por meio de estatísticas e análise gráfica dos resíduos. As redes neurais artificiais selecionadas, apresentaram R² acima de 0,95, indicando forte correlação e alta exatidão em relação aos valores observados. Dentre os algoritmos de treinamento, o resiliente propagation, mostrou-se mais eficaz na predição da disponibilidade mecânica para ambos os sistemas de colheita. Já a função de ativação logística, predominou para o full-tree e a função sigmoidal para cut-to-length. A variável de entrada VMI, testada separadamente utilizando-se da melhor configuração encontrada em cada sistema, demonstrou influenciar na predição da disponibilidade mecânica. Por fim concluiu-se que as metodologias de predição para a DM, foram eficazes, tendo o sistema full-tree superado o CTL e para ambos as RNA superiores a modelagem por regressão linear.
Palavras-chave: Redes neurais artificiais; Full-tree; Cut-to-length; Mecanização florestal.
