Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 21537
| 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 | Rafael Mantovani de Souza |
| Orientador | RAIANE RIBEIRO MACHADO GOMES |
| Título | Gestão Da Manutenção Florestal: Modelo De Predição De Paradas De Forwarder Por Machine Learning |
| Resumo | A gestão da manutenção no setor florestal brasileiro, um pilar da economia nacional que responde por 25,5% do PIB (CNI, 2024), representa um desafio crítico devido aos altos custos operacionais de suas máquinas. Com um consumo de madeira de 182,2 milhões de m³ em 2022 (IBÁ, 2023), equipamentos como os forwarders, essenciais para transportar a madeira (Malinovski et al., 2006), têm na manutenção a principal fonte de despesas, correspondendo a 57,77% de seus custos totais (Santos et al., 2016). Nesse contexto, a manutenção preditiva, baseada em técnicas de machine learning para prever falhas (Carlos et al., 2023), emerge como uma solução estratégica para otimizar os recursos operacionais (Maktoubian et al., 2021). Este trabalho teve como objetivo geral desenvolver um modelo de predição de paradas para forwarders, fundamentado em objetivos específicos que envolveram uma revisão da literatura e a análise de dados operacionais reais para compreender os padrões de falha. A metodologia foi implementada em Python, utilizando bibliotecas como pandas, Fitter e scikit-learn. Foram analisados dados históricos de "Tempo entre Paradas" e "Duração das Paradas" de uma empresa do setor. A análise consistiu em duas etapas: primeiramente, um teste de aderência com a biblioteca Fitter e validação pelo teste de Kolmogorov-Smirnov (KS). Em seguida, foi aplicada a clusterização K-Means, onde o número ótimo de clusters foi determinado pelo método do cotovelo. Os resultados refutaram a hipótese de uma distribuição única (p<0,05), comprovando que um modelo de falha singular seria impreciso. A análise de clusterização revelou a existência de três perfis de parada distintos. O primeiro cluster agrupou paradas frequentes (0 a 15,90 horas entre falhas) e curtas (até 0,93 horas de duração). O segundo, eventos intermediários (15,90 a 48,70 horas entre falhas; 0,94 a 2,50 horas de duração). O terceiro cluster caracterizou as paradas raras (49,17 a 188,61 horas entre falhas) e longas (2,54 a 5,78 horas de duração). Considerando que aqui estão apresentados resultados preliminares do estudo, conclui-se que o padrão de paradas dos forwarders é heterogêneo, tornando um modelo de predição "tamanho único" ineficaz e exigindo uma abordagem segmentada por cluster. O rigor no tratamento dos dados que serão empregados no treinamento e validação se faz necessário para obtenção de maior qualidade do modelo de machine learning que será desenvolvido neste estudo contribui com o avanço da interface entre engenharia florestal e inteligência artificial, fomentando a evolução para a silvicultura. Ressalta -se que este trabalho está em andamento e os próximos passos consistem em encontrar a curva de distribuição de cada cluster. A partir delas, serão simulados dados sintéticos para ampliar a base de dados para o treinamento do modelo de machine learning. Em seguida, o modelo será treinado e validado para gerar dados preditivos que auxiliem no planejamento da manutenção. |
| Palavras-chave | Gestão da Manutenção, Machine Learning, Forwarder |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Painel |
|---|