Aprendizagem de máquina aplicado à predição da manutenção de harvester empregado na colheita de Eucalyptus

• Processo: 22/06374-9
• 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: Valier Augusto Sasso Júnior
• Instituição Sede: Faculdade de Ciências Agronômicas (FCA). Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brasil
• Assunto(s): Administração florestal Aprendizado computacional Ordenamento florestal Regressão linear
• Palavra(s)-Chave do Pesquisador: Colheita de madeira | Cut-to-length | Gestão Florestal | operações florestais | Colheita de Madeira

Resumo

O planejamento acurado das manutenções de máquinas florestais autopropelidas empregadas na colheita de madeira, pode ser realizado por meio da abordagem de métodos estatísticos de aprendizagem de máquina, devido prover análises pormenorizadas a partir do processamento de grandes volumes de dados. Posto isto, o objetivo será verificar se os modelos gerados por aprendizagem de máquina via classificação, atingirão precisão para a predição da manutenção da máquina florestal autopropelida harvester em florestas plantadas de Eucalyptus. O estudo será desenvolvido a partir de dados provenientes da colheita de madeira realizada na região Centro-Oeste do estado de São Paulo, Brasil. O sistema de colheita será o cut-to-length e envolverá as atividades de corte das árvores, descascamento e empilhamento da madeira, mediante emprego da máquina florestal autopropelida harvester marca Komatsu - modelo PC200F. O banco de dados será estruturadas a partir de um dataset, com diferentes atributos e, consequentemente, variadas instâncias. Posteriormente, ocorrerá a construção de modelos preditivos relacionados à manutenção. Após, os dados serão divididos em conjuntos de treinamento e teste. Seguidamente haverá o balanceamento do conjunto de treinamento e será aplicada a aprendizagem supervisionada de classificação. Aplicar-se-ão 18 algoritmos de aprendizagem, baseado em árvores de decisão, regressão linear, K-Nearest Neighbors e Support Vector Machine, no modo default, ao conjunto. Aqueles que alcançarem as melhores performances de predição seguirão para processos de tune, ensemble, blend e stack para ajustar os hiperparâmetros e proporcionar aumento da performance preditiva dos modelos, aplicando-os ao conjunto de teste. A performance de predição dos modelos será avaliada em ambos os conjuntos, com métricas Área sob a Curva ROC, Acurácia, Coeficiente de Correlação de Matthews, F1-Score e Precisão.(AU)