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 Papelordem crescente
NILTON CESAR FIEDLER Orientador

Banca:

Nome Papelordem crescente
NILTON CESAR FIEDLER Orientador
EDUARDO DA SILVA LOPES Examinador Externo
RENATO CESAR GONÇALVES ROBERT Examinador Externo
FLAVIO CIPRIANO DE ASSIS DO CARMO 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.

Acesso ao documento

Acesso à informação
Transparência Pública

© 2013 Universidade Federal do Espírito Santo. Todos os direitos reservados.
Av. Fernando Ferrari, 514 - Goiabeiras, Vitória - ES | CEP 29075-910