Aplicação de redes neurais artificiais para estimar a produtividade do forwarder na extração de madeira

• Autor(a) principal: Silva, Fabrício
• Data de Publicação: 2015
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: http://www.locus.ufv.br/handle/123456789/6953
• topic: Máquinas florestais; Engenharia florestal; Processamento da madeira - Máquinas; Indústria madeireira; Madeira - Exploração - Máquinas; Madeira - Transporte; Redes neurais; Controle de produção; Economia florestal; Manejo Florestal

Conhecer a produtividade das máquinas é essencial para um planejamento adequado da colheita da madeira. Na extração florestal, as estimativas de produtividade das máquinas normalmente são realizadas através de modelos de regressão, utilizando-se poucas variáveis que afetam a produtividade das máquinas. Entretanto, as Redes Neurais Artificiais (RNAs) tem sido uma técnica cada vez mais empregada para modelagem de problemas complexos, comumente aqueles que envolvem diversas variáveis (categóricas e continuas). Portanto, o objetivo desta pesquisa foi avaliar e aplicar a técnica das RNAs para estimar a produtividade do forwarder em função de variáveis relacionadas ao povoamento, planejamento operacional e características físicas do terreno. O estudo foi realizado em áreas de operação de colheita florestal mecanizada em povoamentos de Eucalyptus spp de uma empresa localizada no Estado de Minas Gerais, Brasil. O banco de dados foi constituído de dados de estudo de tempos e movimentos da operação de extração mecanizada, registro de produção dos operadores, dados cadastrais dos talhões, dados de inventário florestal, dados geográficos dos projetos florestais. Na modelagem a produtividade do forwarder através da técnica de RNAs, as entradas das redes foram utilizadas variáveis contínuas, como volume por hectare, dados gerados no Sistema de Informação Geográfica (SIG), relacionados à topografia e estradas, Diâmetro à Altura do Peito (DAP) médio e máximo. As variáveis categóricas foram o método de colheita, experiência do operador, comprimento da madeira, idade do povoamento e clima. Os dados foram divididos aleatoriamente para serem utilizados no treinamento (70%) e na generalização (30%). Foram treinados três tipos de arquiteturas de redes: Multilayer Perceptron (MLP), Radial Basic Function (RBF) e Adaptative Linear Neuron (ADALINE). O emprego de redes neurais artificiais foi capaz de estimar com precisão a produtividade (m3 he-1) do forwarder. Uma RNA, com arquitetura MLP, 30 - 14 - 1, utilizando todos os dados de entrada, função de ativação sigmoidal nas camadas intermediárias e na camada de saída, foi a que obteve o melhor desempenho para estimar a produtividade da extração com o forwarder em povoamentos de Eucalyptus spp.