Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 21392
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Econômicas: ODS9 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Conclusão de bolsa | Não |
| Primeiro autor | Isabela Fernanda Pereira Santos |
| Orientador | RAIANE RIBEIRO MACHADO GOMES |
| Outros membros | Helen Vitaline de Castro Santos |
| Título | Otimização da produtividade e custo do skidder com aprendizado de máquina para apoio ao planejamento e gestão das operações florestais |
| Resumo | Introdução: A mecanização da colheita florestal intensificou-se a partir da década de 1990, impulsionada pela busca por maior produtividade e redução de custos nas operações (MOREIRA et al., 2004; MACHADO, 2014). A etapa de extração, realizada com Skidders, representa uma das fases mais complexas da colheita, sendo influenciada por diversos fatores operacionais e ambientais (SALMERON, 1980). Nesse contexto, a aplicação de técnicas de mineração de dados e aprendizado de máquina oferece uma alternativa promissora para análise e predição de indicadores operacionais (CABENA et al., 1998; FACELI et al., 2011). Objetivos: Aplicar algoritmos de aprendizado supervisionado para prever a produtividade efetiva (m³/h) e o custo operacional (R$/m³) do Skidder, visando apoiar o planejamento e a gestão das operações florestais por meio de simulações. Material e métodos: Utilizaram-se dados reais de uma empresa do setor de celulose, com variáveis como potência da máquina, índices técnicos (Ka, Kr, Ks), inclinação do terreno, área da garra, peso da carga e tipo de solo. Após limpeza e padronização dos dados, dois algoritmos foram aplicados: XGBoost Regressor e MLP Regressor. Os modelos foram treinados com 80% dos dados e testados com os 20% restantes. A performance foi avaliada por meio do coeficiente de determinação (R²), erro absoluto médio (MAE) e tempo de execução. Resultados: Ambos os modelos apresentaram excelente desempenho na previsão da produtividade, com R² variando entre 0,95 e 0,97, e MAE entre 3,14 e 5,09. Para o custo, o XGBoost apresentou maior robustez (R² até 0,91 e MAE < 2 na maioria dos casos), enquanto o MLP teve desempenho mais variável, com MAE atingindo 6,35 em solos arenosos úmidos. Quanto ao tempo de execução, o XGBoost foi significativamente mais rápido, com cerca de 6 minutos por solo, contra até 20 minutos do MLP. Conclusões: O uso de aprendizado de máquina supervisionado demonstrou ser uma estratégia eficaz para modelar e prever indicadores operacionais relevantes em colheita florestal. O XGBoost destacou-se como a melhor alternativa por sua alta acurácia, estabilidade nos resultados e eficiência computacional, sendo indicado como ferramenta de apoio à tomada de decisão em sistemas Full-Tree. O uso desses modelos permite maior previsibilidade, otimização de recursos e redução de riscos, contribuindo diretamente para o aumento da competitividade no setor florestal. Ressalta-se que este é um trabalho em andamento: os resultados apresentados correspondem à etapa atual da pesquisa. O próximo passo será aplicar um modelo de otimização, integrando os resultados preditivos para apoiar decisões operacionais mais precisas e estratégicas. |
| Palavras-chave | Aprendizado de máquina, Colheita florestal, Otimização operacional |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Painel |
|---|