Predição da manutenção do forwarder em sistema cut-to-length: abordagem em machine learning

• Processo: 22/06622-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2022
• Data de Término da vigência: 31 de julho de 2023
• Área de conhecimento: Ciências Agrárias - Recursos Florestais e Engenharia Florestal - Técnicas e Operações Florestais
• Pesquisador responsável: Danilo Simões
• Beneficiário: Thamires da Silva
• Instituição Sede: Faculdade de Ciências Agronômicas (FCA). Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
• Assunto(s): Aprendizado computacional Manejo florestal Análise de regressão Modelos preditivos Eucalipto
• Palavra(s)-Chave do Pesquisador: Baldeio de madeira | Colheita mecanizada de madeira | Eucalyptus | operações florestais | Colheita de Madeira

Resumo

A aplicação de técnicas de machine learning permite fazer previsões com base em dados, podendo gerar um melhor resultado preditivo na estimativa da manutenção de máquinas florestais autopropelidas, contribuindo significativamente para a racionalização dos recursos. Posto isto, objetiva-se analisar o desempenho de algoritmos de machine learning, por meio da análise de regressão, como preditores de variáveis target de manutenção de forwarder em florestas plantadas de Eucalyptus. O estudo será desenvolvido a partir de dados do baldeio de madeira realizado no sistema cut-to-length mecanizado, em regime de corte raso, em florestas plantadas localizadas no Centro-Oeste do estado de São Paulo. O banco de dados será estruturado a partir de um dataset, com diferentes atributos e, consequentemente, variado instâncias. Posteriormente, ocorrerá a construção de modelos preditivos relacionados à manutenção. Em seguida, aplicar-se-á o aprendizado supervisionado, com K-fold cross validation. Os dados serão divididos em conjunto de treinamento e teste, com 90% e 10% do total de instâncias, respectivamente. Serão executados 18 algoritmos de aprendizagem, destes, selecionar-se-ão três algoritmos com as melhores performances de predição. Visando aumentar a performance preditiva, os algoritmos selecionados terão seus hiperparâmetros ajustados pelos processos de tune, ensemble, blend e stack. Ao final desse processo, será comparado a performance preditiva de cada modelo, aplicado no conjunto de treinamento e no conjunto de teste, a partir das métricas Coeficiente de Determinação, Raiz do Erro Quadrático Médio, Erro Médio Absoluto e Erro Percentual Absoluto Médio.(AU)